Laboratory test-ordering patterns carry an early prognostic signal in electronic health records
Diese Studie zeigt, dass die Analyse der Muster der ärztlichen Laborbestellungen innerhalb der ersten 48 Stunden nach der Krankenhausaufnahme als ein leistungsstarkes frühes Prognosesignal für ungünstige Verläufe dient und dabei eine Vorhersageleistung erzielt, die mit Modellen vergleichbar ist, die auf tatsächlich gemessenen Labor- und Vitalwertdaten basieren.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich ein Krankenhaus wie eine riesige, geschäftige Küche vor. In dieser Küche sind die Patienten die Zutaten, die Ärzte sind die Köche und die elektronische Patientenakte (EHR) ist das digitale Rezeptbuch, das alles dokumentiert, was in der Küche passiert.
Normalerweise konzentrieren wir uns beim Blick auf die Gesundheit eines Patienten auf die Zutaten selbst: die Bluttestergebnisse, die Herzfrequenz, die Temperatur. Dies sind die „Messwerte“. Wenn die Zutaten schlecht aussehen (hohes Fieber, niedriger Blutzucker), wissen wir, dass der Patient in Schwierigkeiten ist.
Aber diese Arbeit stellt eine faszinierende Frage: Was wäre, wenn bereits der Akt des Bestellens der Zutaten uns genauso viel verrät wie die Zutaten selbst?
Die Kernentdeckung: Das „Einkaufslisten“-Signal
Die Forscher untersuchten über 300.000 Krankenhausaufenthalte. Sie entwickelten zwei Arten von „Kristallkugeln“ (Computermodelle), um vorherzusagen, ob ein Patient krank werden, eine Sepsis entwickeln oder sterben würde:
- Das „Zutaten“-Modell: Dieses Modell betrachtete nur die tatsächlichen Zahlen aus Bluttests und Vitalparametern.
- Das „Einkaufslisten“-Modell: Dieses Modell betrachtete ausschließlich das Muster dessen, was die Ärzte bestellten, wie oft sie bestellten und wie schnell sie weitere Tests hinzufügten. Es berücksichtigte die Ergebnisse dieser Tests überhaupt nicht.
Das Ergebnis: Das „Einkaufslisten“-Modell war überraschend leistungsfähig. Selbst ohne die tatsächlichen Bluttestergebnisse zu kennen, ermöglichte allein das Wissen darüber, welche Tests ein Arzt anordnete und wie hastig er sie anordnete, dem Computer, schlechte Ausgänge fast genauso gut vorherzusagen wie das Modell, das die tatsächlichen Zahlen kannte.
Der „trügerisch normale“ Patient
Hier ist der kreativste Teil der Studie. Die Forscher fanden eine spezifische Gruppe von Patienten, die sie als „Trügerisch Normal“ bezeichneten.
Stellen Sie sich zwei Patienten vor, Alice und Bob.
- Alice hat einen ruhigen Arzt, der sehr wenige Tests anordnet. Ihre Blutwerte sehen normal aus. Sie scheint in Ordnung zu sein.
- Bob hat einen besorgten Arzt. Obwohl Bobs erste Blutwerte normal aussehen, ordnet sein Arzt immer wieder mehr Tests an, überprüft alle paar Stunden seine Nierenfunktion und lässt eine breite Palette an Panels durchführen.
Das „Einkaufslisten“-Modell erkannte Bob als Hochrisikopatienten. Warum? Weil das Verhalten des Arztes (das hektische Bestellen) auf eine verborgene Gefahr hindeutete, die die Bluttests noch nicht erfasst hatten. Der Arzt sah am Krankenbett etwas, das die Maschinen noch nicht gemessen hatten.
Die Studie fand heraus, dass diese „trügerisch normalen“ Patienten (wie Bob) tatsächlich viel wahrscheinlicher krank wurden oder starben als Patienten, die zwar normal aussah, aber auch eine ruhige ärztliche Behandlung erhielt. Der „Einkaufszettel“ des Arztes war ein geheimes Alarmsignal.
Die Magie der „ersten 4 Stunden“
Krankenhäuser sind chaotisch. Wenn ein Patient zuerst eintrifft, dauert es eine gewisse Zeit, bis Blut entnommen, ins Labor geschickt und die Ergebnisse zurückgesendet werden. Oft hat das „Zutaten“-Modell in den ersten Stunden gar nichts, worauf es zugreifen kann, weil die Ergebnisse noch nicht vorliegen.
Die Studie fand heraus, dass das „Einksaufslisten“-Modell sofort funktioniert. Innerhalb der ersten 4 Stunden nach der Aufnahme, noch bevor die meisten Laborergebnisse verfügbar sind, lieferte das Muster der ärztlichen Anordnungen bereits ein starkes Warnsignal. Es ist, als wüsste man, dass ein Sturm aufzieht, weil man sieht, wie die Menschen die Fenster schließen, noch bevor man den ersten Regentropfen spürt.
Ist das nur ein Zufall?
Die Forscher gingen sehr sorgfältig vor. Sie fragten: „Ist das nur deshalb so, weil kränkere Patienten naturgemäß mehr Tests erhalten?“
Sie testeten dies, indem sie Folgendes untersuchten:
- Verschiedene Krankenhäuser: Das Signal funktionierte auch in anderen Krankenhäusern, nicht nur in dem ersten.
- Verschiedene Zeiten: Es funktionierte an Wochenenden, Wochentagen, tagsüber und nachts.
- Verschiedene Patientengruppen: Es funktionierte bei Menschen unterschiedlicher Ethnien und Versicherungsarten.
- Die „Was wäre wenn“-Szenarien: Sie versuchten sogar, den Computer auszutricksen, indem sie die spezifischen Tests entfernten, die bestimmte Krankheiten definieren (wie das Entfernen von Kreatinin-Tests bei der Vorhersage von Nierenversagen). Das Signal blieb stark.
Sie kamen zu dem Schluss, dass das Bestellmuster nicht nur ein zufälliger Nebeneffekt ist, sondern eine echte, unabhängige Botschaft über das Risiko trägt.
Das Fazit
Diese Arbeit sagt nicht, dass wir aufhören sollten, Bluttests durchzuführen. Sie sagt, dass das Verhalten des Arztes – insbesondere der Rhythmus und die Intensität seiner Testbestellungen – eine verborgene Datenebene ist, die wir bisher ignoriert haben.
Man kann es sich wie einen Detektivroman vorstellen. Die Bluttests sind die Beweismittel, die am Tatort gefunden werden. Die Muster der Testbestellungen sind die Intuition des Detektivs. Manchmal sieht die Beweislage sauber aus, aber die hektischen Notizen und die ständigen Rückfragen des Detektivs verraten einem, dass etwas sehr wohl nicht stimmt. Diese Studie beweist, dass wir, wenn wir auf die „Notizen des Detektivs“ (die Bestellmuster) hören, Gefahren früher und genauer erkennen können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.