DualStream-MTCA: A Hybrid Deep Learning Model for the Simultaneous Early Detection of Sepsis and Heart Failure in Adult Intensive Care

In der Hochrisikoumgebung einer Intensivstation ist Zeit die kritischste Ressource. Zwei der gefährlichsten Zustände, denen Patienten gegenüberstehen, sind Sepsis, eine lebensbedrohliche Reaktion auf eine Infektion, die zum Organversagen führen kann, und Herzinsuffizienz, ein Zustand, bei dem das Herz nicht genug Blut pumpen kann, um den Bedarf des Körpers zu decken. Beide Zustände beginnen oft mit ähnlichen Warnzeichen: einem rasenden Herzschlag, niedrigem Blutdruck und schneller Atmung. Diese Ähnlichkeit schafft ein gefährliches Dilemma für Ärzte. Die Behandlungen für diese beiden Zustände sind oft gegensätzlich; Sepsis erfordert in der Regel eine aggressive Flüssigkeitsresuszitation, um den Blutdruck hochzuhalten, während Herzinsuffizienz oft die Entfernung von Flüssigkeit erfordert, um zu verhindern, dass die Lungen vollaufen. Die falsche Behandlung zu geben, kann tödlich sein. Derzeit verlassen sich Ärzte auf separate Werkzeuge, um jeden Zustand vorherzusagen, aber diese Werkzeuge schlagen oft erst Alarm, nachdem der Patient bereits begonnen hat, sich zu verschlechtern. Die Herausforderung für die medizinische Wissenschaft besteht darin, ein System zu entwickeln, das beide Bedrohungen frühzeitig erkennt, zwischen ihnen unterscheidet und das medizinische Team alarmiert, bevor der Zustand des Patienten kritisch wird.

Forscher an der Universität Kurdistan Hewlêr haben ein neues Computermodell entwickelt, das darauf ausgelegt ist, genau dieses Problem zu lösen. Sie haben ein System namens DualStream-MTCA geschaffen, das als simultaner Frühwarn-Detektor sowohl für Sepsis als auch für Herzinsuffizienz fungiert. Anstatt die Daten eines Patienten als eine einzige Momentaufnahme zu betrachten, analysiert das Modell die Historie seiner Vitalparameter und Laborergebnisse im Zeitverlauf. Es wurde auf einem massiven Datensatz trainiert, der die Aufzeichnungen von 53.229 erwachsenen Patienten aus Intensivstationen enthält. Das System arbeitet durch das Ausführen zweier paralleler Analyse-Streams. Ein Stream beobachtet die stündlichen Veränderungen der Vitalparameter wie Herzfrequenz und Temperatur über die letzten 48 Stunden, während der andere Stream die täglichen Laborergebnisse der vorangegangenen Woche verfolgt. Diese beiden Informationsströme werden dann kombiniert und durch einen Mechanismus kreuzreferenziert, der es dem Modell ermöglicht zu sehen, wie die Vitalparameter und die Laborergebnisse einander beeinflussen. Um seine endgültige Entscheidung zu treffen, nutzt das Modell zudem eine spezialisierte Komponente, die aus Mustern der neuesten Laborergebnisse lernt, ähnlich der Art und Weise, wie ein erfahrener Kliniker eine bestimmte Blutuntersuchung gegen die Krankengeschichte eines Patienten abwägt.

Als das System an einer Gruppe von Patienten getestet wurde, die aus derselben Datenbank stammten, die das Modell zuvor noch nie gesehen hatte, arbeitete es mit hoher Genauigkeit. Es erreichte einen AUC-Wert von 0,867 für Sepsis und 0,899 für Herzinsuffizienz. Diese Zahlen stellen eine signifikante Verbesserung gegenüber früheren Modellen dar, die die beiden Zustände separat behandelten. Die Forscher fanden auch heraus, dass das Modell sehr gut darin war, zu wissen, wie sicher es sich bei seinen Vorhersagen war. Durch den Einsatz einer Technik, die kleine, zufällige Variationen während des Entscheidungsprozesses einführt, konnte das System einen Konfidenzwert liefern, der der Realität fast perfekt entsprach. Das bedeutet, dass Ärzte, wenn das Modell einen Patienten meldet, der angegebenen Wahrscheinlichkeit vertrauen können, anstatt zu raten, ob es sich um einen Fehlalarm handelt. Das Modell identifizierte auch erfolgreich die spezifischen Faktoren, die seine Entscheidungen vorantreiben, wie etwa Laktatwerte und die Anzahl der weißen Blutkörperchen bei Sepsis sowie spezifische herzbezogene Marker bei Herzinsuffizienz, was bestätigte, dass es medizinisch relevante Muster und nicht nur zufälliges Rauschen lernte.

Die Forscher waren jedoch vorsichtig dabei, zu testen, wie gut dieses System in einem anderen Krankenhausumfeld funktionieren würde, nicht nur in dem, in dem es trainiert wurde. Als sie das Modell auf über 100.000 Patientendatensätze aus einer anderen Datenbank anwandten, waren die Ergebnisse gemischt. Das System blieb bei der Vorhersage von Herzinsuffizienz recht effektiv, mit nur einem geringen Leistungsabfall. Seine Fähigkeit, Sepsis zu erkennen, nahm jedoch merklich ab. Die Forscher führten diesen Rückgang auf einen Unterschied in der Art und Weise zurück, wie die beiden Krankenhäuser ihre Daten erfassten; die zweite Datenbank enthielt weitaus weniger detaillierte mikrobiologische Berichte, die für die Identifizierung von Sepsis entscheidend sind. Dieser Befund unterstreicht eine reale Einschränkung: Während das Modell leistungsstark ist, ist es auf die Qualität und Art der verfügbaren Daten angewiesen. Wenn ein Krankenhaus nicht dieselben spezifischen Details aufzeichnet, kann die Genauigkeit des Modells für bestimmte Zustände leiden. Die Studie kommt zu dem Schluss, dass dieser duale Detektionsansatz zwar ein großer Schritt nach vorn ist, aber eine sorgfältige Anpassung an lokale Datensysteme erfordert, bevor er eingesetzt werden kann, um Behandlungsentscheidungen in jedem Krankenhaus zu leiten. Die Arbeit zeigt, dass es möglich ist, ein einziges System zu bauen, das gleichzeitig nach mehreren, gegensätzlichen medizinischen Notfällen Ausschau hält und so einen klareren Weg zu einer früheren, genaueren Intervention bietet.