Classifying and Differentiating Individuals with Respiratory Syncytial Virus, Influenza, and COVID-19 Cases in OpenSAFELY

Diese Studie nutzt die OpenSAFELY-Plattform, um spezifische und sensitive Phenotypen zur Klassifizierung von RSV-, Influenza- und COVID-19-Fällen in englischen elektronischen Gesundheitsdaten zu entwickeln und zu validieren, wobei festgestellt wurde, dass sensible Phenotypen bei milden Fällen zu einer höheren Fehlklassifikationsrate führen und das Risiko bei Säuglingen unabhängig vom verwendeten Phenotyp höher ist als bei älteren Erwachsenen.

Das Wesentliche

Stellen Sie sich vor, das britische Gesundheitssystem ist eine riesige, digitale Bibliothek. In dieser Bibliothek liegen Millionen von Akten über die Gesundheit der Menschen – von der kleinen Erkältung bis hin zu schweren Lungenentzündungen. Diese Akten sind wie Elektronische Gesundheitsakten (EHR).

Das Problem ist: In diesen Akten steht oft nicht explizit geschrieben, welches Virus genau jemand hatte. Es ist, als ob jemand in einem Buch nur schreibt „Der Patient hatte Fieber und Husten", ohne den Namen des Diebes zu nennen, der das Haus geplündert hat.

Hier kommt die Studie vor, die mit einer Plattform namens OpenSAFELY gearbeitet hat. Man kann sich OpenSAFELY wie einen super-sicheren, gläsernen Laborraum vorstellen, in dem Forscher die Akten durchsuchen dürfen, ohne dass die privaten Daten der Patienten jemals das Gebäude verlassen.

Die drei „Masken"

Die Forscher wollten herausfinden, wie man drei ganz bestimmte „Virus-Diebe" in diesen Akten sicher erkennt:

1. RSV (Respiratory Syncytial Virus)
2. Influenza (Grippe)
3. COVID-19

Da sie oft nicht direkt getestet wurden (wie ein Dieb, der keine Fingerabdrücke hinterlässt), mussten die Forscher Schablonen (Phänotypen) entwickeln. Stellen Sie sich diese Schablonen wie Detektiv-Regelwerke vor:

• Regel A: „Wenn jemand Husten, Fieber und einen bestimmten Arztbesuch hat, ist es wahrscheinlich Grippe."
• Regel B: „Wenn jemand nur Husten hat, ist es vielleicht RSV."

Der große Test: Präzision vs. Vollständigkeit

Die Forscher haben zwei Arten von Detektiv-Regeln verglichen:

1. Die „Scharfen" Regeln (Spezifisch): Diese sind wie ein Laserpointer. Sie treffen nur sehr genau das, wonach sie suchen. Wenn sie etwas finden, ist es mit sehr hoher Wahrscheinlichkeit das richtige Virus. Aber sie übersehen vielleicht viele Fälle, die leicht aussehen.
2. Die „Weiten" Regeln (Sensitiv): Diese sind wie ein großes Netz. Sie fangen alles ein, was auch nur annähernd passt. Sie verpassen kaum jemanden, aber sie fangen auch viele Fische, die gar nicht ins Netz gehören (Fehlalarme).

Was haben sie herausgefunden?

• Der Jahreszeiten-Rhythmus: Egal welche Schablone sie benutzt haben, die Muster passten perfekt zu den offiziellen Wettervorhersagen für Viren. Wenn draußen Winter ist und die Grippe-Wellen kommen, sahen die Daten in der Bibliothek genau so aus. Das bedeutet: Die Schablonen funktionieren!
• Das Problem bei leichten Fällen: Bei Menschen mit nur leichten Symptomen ist es schwierig. Hier führt das „große Netz" (die weiten Regeln) dazu, dass man oft Dinge falsch interpretiert. Es ist wie beim Suchen nach einem roten Ball im Sand: Wenn man zu großzügig sucht, nimmt man auch rote Steine mit.
• Das Problem bei Babys: Bei schweren Fällen war die Verwechslungsgefahr am höchsten bei Babys. Warum? Weil Babys oft gar nicht so spezifische Symptome zeigen wie Erwachsene. Es ist, als würde man versuchen, einen kleinen, versteckten Dieb in einem lauten, chaotischen Raum zu finden – das ist viel schwieriger als bei einem Erwachsenen, der laut schreit.

Die große Lösung

Am Ende sagen die Forscher: „Wir haben jetzt eine Werkzeugkiste mit Schablonen entwickelt."

Diese Werkzeuge helfen Ärzten und Forschern, die drei Viren in den riesigen Datenbergen zu unterscheiden, selbst wenn kein Labortest vorliegt. Es ist, als hätten sie einen neuen Schlüssel gefunden, um verschlossene Türen in der Gesundheitsdatenbank zu öffnen und endlich zu sehen, wer eigentlich die Krankheit verursacht hat.

Kurz gesagt: Die Studie hat bewiesen, dass man mit cleveren Regeln und sicheren Datenbanken auch ohne direkte Tests herausfinden kann, welche der drei großen Atemwegsviren gerade im Umlauf sind – ein wichtiger Schritt, um die Gesundheit der Bevölkerung besser zu verstehen und zu schützen.

Technische Zusammenfassung

Technische Zusammenfassung: Klassifizierung und Differenzierung von RSV-, Influenza- und COVID-19-Fällen in OpenSAFELY

1. Problemstellung

Elektronische Gesundheitsakten (EHRs) stellen eine wertvolle Datenquelle für die Analyse von Gesundheitsergebnissen dar, insbesondere durch die Verwendung von „computable phenotypes" (berechenbaren Phänotypen). Ein zentrales Problem besteht jedoch darin, spezifische respiratorische Viren – insbesondere Respiratory-Syncytial-Virus (RSV), Influenza und SARS-CoV-2 (COVID-19) – in kodierten Gesundheitsdaten zuverlässig zu identifizieren, wenn direkte Testinformationen fehlen oder unvollständig sind. Ohne präzise Klassifizierungsmethoden ist es schwierig, saisonale Muster zu analysieren oder spezifische Risikogruppen zu untersuchen, da die Symptome dieser Viren oft überlappen und in den Routinedaten nicht immer eindeutig getrennt werden können.

2. Methodik

Die Studie nutzte die sichere Analyseplattform OpenSAFELY in Zusammenarbeit mit der Genehmigung von NHS England.

• Datenumfang: Die Analyse deckte den Zeitraum von September 2016 bis August 2024 ab und basierte auf englischen kodierten Gesundheitsdaten.
• Phänotypen-Design: Es wurden spezifische Phänotypen entwickelt, die auf ICD-Codes (Diagnosecodes) und anderen strukturierten Datenpunkten in den EHRs beruhen.
• Vergleichsdesign: Die Autoren verglichen zwei Ansätze:
  1. Spezifische Phänotypen: Hohe Präzision, aber potenziell geringere Sensitivität (weniger False-Positives, aber möglicherweise mehr False-Negatives).
  2. Sensitive Phänotypen: Hohe Sensitivität, aber potenziell geringere Spezifität (mehr Erfassung von Fällen, aber höheres Risiko für Fehlklassifikationen).
• Validierung: Die Ergebnisse beider Phänotypen wurden gegeneinander und gegen öffentlich verfügbare Surveillance-Daten (Überwachungsdaten) abgeglichen, um die Übereinstimmung der saisonalen Muster zu prüfen.

3. Wichtige Beiträge

• Entwicklung robuster Algorithmen: Das Paper stellt validierte Phänotypen vor, die es ermöglichen, RSV, Influenza und COVID-19 in kodierten Daten zu unterscheiden, selbst wenn keine spezifischen Testergebnisse vorliegen.
• Analyse von Fehlklassifikationsrisiken: Es liefert eine differenzierte Analyse, wie sich die Wahl zwischen spezifischen und sensitiven Phänotypen auf die Genauigkeit der Fallklassifizierung auswirkt, insbesondere bei milden versus schweren Verläufen.
• Altersspezifische Risikobewertung: Die Studie identifiziert kritische Unterschiede in der Fehlklassifikationsrate zwischen verschiedenen Altersgruppen (Säuglinge vs. ältere Erwachsene).

4. Ergebnisse

• Saisonale Übereinstimmung: Fälle, die durch beide Phänotypen (sowohl spezifisch als auch sensitiv) identifiziert wurden, zeigten saisonale Muster, die stark mit den offiziellen Surveillance-Daten übereinstimmten. Dies bestätigt die Validität der Ansätze zur Erfassung von Ausbrüchen.
• Milde Fälle: Bei milden Verläufen führten sensitive Phänotypen zu einem signifikant höheren Risiko von Fehlklassifikationen im Vergleich zu spezifischen Phänotypen. Das bedeutet, dass ein sensibler Ansatz hier eher nicht-infizierte Personen fälschlicherweise als infiziert einstuft.
• Schwere Fälle und Altersgruppen: Bei schweren Fällen war das Risiko einer Fehlklassifikation bei Säuglingen höher als bei älteren Erwachsenen. Dieser Unterschied bestand unabhängig davon, welcher Phänotyp (spezifisch oder sensitiv) verwendet wurde. Dies deutet darauf hin, dass die Kodierung schwerer Verläufe bei Säuglingen in den EHRs schwieriger zu differenzieren ist als bei älteren Patienten.

5. Bedeutung und Implikationen

Die vorgestellten Phänotypen bieten eine praktische und skalierbare Lösung für die Klassifizierung respiratorischer Viren in großen Kohortenstudien, insbesondere in Szenarien, in denen Testdaten nicht verfügbar sind.

• Forschung: Sie ermöglichen epidemiologische Studien und die Analyse von Langzeitfolgen oder Komorbiditäten für alle drei Viren auf Basis von Routinedaten.
• Klinische Entscheidungsfindung: Die Erkenntnisse über die unterschiedlichen Fehlklassifikationsrisiken je nach Altersgruppe und Schweregrad helfen Forschern und Klinikern, die Grenzen der Dateninterpretation besser einzuschätzen.
• Public Health: Die Methode unterstützt die Überwachung von Atemwegserkrankungen im öffentlichen Gesundheitswesen, indem sie eine konsistente Datengrundlage schafft, die über den gesamten Zeitraum von 2016 bis 2024 (inklusive der Pandemie) hinweg vergleichbar ist.

Zusammenfassend demonstriert die Studie, wie OpenSAFELY genutzt werden kann, um trotz fehlender Testdaten präzise Einblicke in die Epidemiologie respiratorischer Viren zu gewinnen, wobei jedoch die Wahl des Phänotyps (Spezifität vs. Sensitivität) und die Zielgruppe (Alter/Schweregrad) kritisch für die Interpretation der Ergebnisse sind.