Sepsis, besser bekannt als Blutvergiftung, ist lebensbedrohlich. Sie entsteht in Folge einer Infektion: Krankheitserreger wie Bakterien, Pilze oder Viren dringen in den Körper ein, vermehren sich dort und befallen Organe. Entscheidend ist jedoch, wie die körpereigene Abwehr damit umgeht. Eine Sepsis tritt erst auf, wenn Krankheitserreger die Abwehrmechanismen des Immunsystems überwinden, sich in die Blutbahn ausbreiten, eine Überreaktion des Immunsystems hervorrufen und der Körper dann im Kampf gegen die Infektion seine eigenen Organe angreift.
In der Schweiz erkranken jedes Jahr schätzungsweise 15’000 Menschen an einer Sepsis – in einem Drittel der Fälle endet sie trotz Behandlung tödlich. Unbehandelt kann eine Sepsis innerhalb von Stunden tödlich sein. Umso wichtiger ist es, die ersten Symptome frühzeitig zu erkennen. Denn je früher die Diagnose und Behandlung erfolgt, desto größer sind die Überlebenschancen.
Das Sterblichkeitsrisiko wird um 20 Prozent reduziert
Ein Forschungsteam der Johns Hopkins University hat bereits ein auf künstlicher Intelligenz basierendes Frühwarnsystem entwickelt, das medizinisches Fachpersonal dabei unterstützt, die Symptome einer Sepsis frühzeitig zu diagnostizieren. Die Forscher testeten dieses System in einer großangelegten Kohortenstudie. Mehr als 4.000 klinische Mitarbeiter in fünf Krankenhäusern und etwa 590.000 Patienten nahmen daran teil.
Die wichtigste Erkenntnis: Dank des KI-Systems können Sepsis-Symptome Stunden früher als mit bisherigen Methoden erkannt werden, wodurch die Wahrscheinlichkeit, dass betroffene Patienten an einer Sepsis sterben, um 20 Prozent sinkt.
„Dies ist der erste Fall, in dem KI am Krankenbett eingesetzt wird, von Tausenden von Pflegekräften verwendet wird und bei dem wir sehen können, wie Leben gerettet werden“, sagte Suchi Saria, Gründungsdirektor des Malone Center for Health Engineering an der Johns Hopkins University und der Erstautor der Studie. Dank dieses Systems können in Zukunft tausende Sepsispatienten gerettet werden. Mittlerweile wird der Ansatz auch in anderen Bereichen angewendet, um die medizinische Versorgung zu verbessern.
Der Medizininformatiker Suchi Saria leitet das Machine Learning and Healthcare Laboratory an der Johns Hopkins University. (Quelle: Will Kirk / Johns Hopkins University)
Abgleich von Anamnese und aktuellen Laborergebnissen
Das System heißt Targeted Real-Time Early Warning System (TREWS). Laut einer Erklärung der Johns Hopkins University analysiert es medizinische und klinische Aufzeichnungen, um Patienten zu identifizieren, bei denen das Risiko lebensbedrohlicher Komplikationen besteht.
Zusätzlich vergleicht ein Algorithmus die Krankengeschichte des Patienten mit aktuellen Symptomen und Laborergebnissen. Das System soll dann dem behandelnden medizinischen Personal anzeigen, ob und inwieweit eine Person sepsisgefährdet ist. TREWS bietet auch eine entsprechende Behandlung an, wie zum Beispiel die Gabe von Antibiotika.
Trefferquote von 82 Prozent
Insgesamt habe die KI 82 Prozent der Sepsis-Fälle korrekt identifiziert, schrieben die Studienautoren im Fachblatt Nature Medicine. Und in 38 Prozent der Fälle schlug die künstliche Intelligenz frühzeitig Alarm, den der Arzt dann bestätigen konnte. In besonders schweren Fällen kann die Krankheit dank des Frühwarnsystems im Schnitt fast sechs Stunden früher erkannt werden als mit herkömmlichen Methoden.
Laut der Pressemitteilung ist das Ergebnis eine deutliche Verbesserung gegenüber früheren Versuchen, digitale Tools zur Erkennung von Sepsis einzusetzen. Bisher konnten vergleichbare Tools weniger als die Hälfte der Fälle korrekt erfassen.
Empfehlungen sollten verständlich sein
TREWS hat gegenüber anderen Tools, die mit maschinellem Lernen arbeiten und der Medizin bei Entscheidungen helfen sollen, einen weiteren Vorteil: Im Gegensatz zu herkömmlichen Ansätzen können Ärzte mit diesem System laut der Johns Hopkins University nachvollziehen, warum die KI bestimmte Empfehlungen ausspricht.
„Dies ist in vielerlei Hinsicht ein Durchbruch“, sagte Albert Wu, Professor an der Johns Hopkins University in Baltimore und Mitautor der Studie. „Bisher lagen die meisten dieser Systeme viel öfter falsch als richtig.“ Und solche Fehlalarme würden letztendlich das Vertrauen in diese Systeme untergraben.
ETH-Informatik-Professorin Julia Vogt forscht übrigens auch in der Schweiz an neuen Machine-Learning-Methoden für die klinische Datenanalyse. In ihrem Fachbeitrag beschreibt sie, wie KI bei der Früherkennung von angeborenen Herzfehlern helfen kann.
Add Comment