Explainable machine learning-assisted differentiation of brucellosis from tuberculosis via routine blood biomarkers

In vielen Teilen der Welt, insbesondere in den pastoralen Regionen Zentralasiens, treten zwei unterschiedliche bakterielle Infektionen, die oft identisch aussehen, durch die vordere Tür einer Klinik ein. Die eine ist die Brucellose, eine Krankheit, die von Tieren wie Schafen und Rindern übertragen wird, und die andere ist die Tuberkulose, eine Atemwegsinfektion, die die Menschheit seit Jahrhunderten heimsucht. Beide können dazu führen, dass sich ein Patient unwohl fühlt, mit Fieber, Nachtschweiß, Gelenkschmerzen und Gewichtsverlust. Da sich ihre Symptome so stark überschneiden, haben Ärzte in der Primärversorgung oft Schwierigkeiten, sie voneinander zu unterscheiden. Die Standardmethoden zur Bestätigung einer Diagnose, wie etwa das Kultivieren der Bakterien im Labor, können Wochen oder sogar Monate dauern, und die Tests sind nicht immer erfolgreich. Diese Verzögerung ist gefährlich; die Behandlung der falschen Krankheit kann zu schweren Komplikationen führen, und ein zu langes Warten lässt die Infektion tiefer in den Körper eindringen. An Orten, an denen fortschrittliche medizinische Ausrüstung knapp ist, besteht ein kritischer Bedarf an einer schnellen, günstigen und zuverlässigen Möglichkeit, zwischen diesen beiden Krankheiten zu unterscheiden.

Um diese Herausforderung anzugehen, wandte sich ein Forscherteam in Xinjiang, China, einem Feld der Informatik zu, das als maschinelles Lernen bekannt ist. Dieser Ansatz ermöglicht es Computern, komplexe Muster in großen Datensätzen zu finden, die dem menschlichen Auge entgehen könnten. Die Forscher sammelten Krankenakten von Hunderten von Patienten, bei denen entweder Brucellose oder Tuberkulose diagnostiziert worden war. Sie konzentrierten sich auf Informationen, die in fast jedem Krankenhaus bereits verfügbar sind: routinemäßige Bluttests und eine einfache Frage zu den Tätigkeiten des Patienten. Sie wollten sehen, ob ein Computer lernen konnte, die subtilen Unterschiede in diesen alltäglichen Zahlen zu erkennen, die signalisieren, welche Krankheit ein Patient hat, ohne dass teure oder zeitaufwendige Spezialtests erforderlich sind.

Das Team begann mit der Sammlung von Daten von 273 Patienten und stellte sicher, dass die Gruppe mit Brucellose und die Gruppe mit Tuberkulose in Alter und Geschlecht ähnlich waren, um einen fairen Vergleich zu gewährleisten. Sie untersuchten fünfunddreißig verschiedene Informationen, die von der Anzahl der weißen Blutkörperchen eines Patienten bis hin zum Spiegel verschiedener Proteine in seiner Leber reichten. Anschließend speisten sie diese Daten in vier verschiedene Arten von Algorithmen des maschinellen Lernens ein, bei denen es sich im Wesentlichen um unterschiedliche mathematische Methoden zur Musterfindung handelt. Das Ziel war es zu sehen, welche Methode die Patienten am genauesten in die richtige Krankheitskategorie sortieren konnte. Nach dem Testen und Verfeinern der Modelle stellten die Forscher fest, dass ein spezifischer Algorithmus, bekannt als Random Forest, am besten abschnitt. Er konnte die beiden Krankheiten mit einem hohen Grad an Genauigkeit unterscheiden und übertraf damit die anderen, gegen die er getestet wurde, angewendeten Methoden.

Ein Computermodell, das gut funktioniert, reicht jedoch nicht aus, wenn Ärzte nicht verstehen können, warum es eine bestimmte Entscheidung trifft. Um dies zu lösen, verwendeten die Forscher eine Technik namens SHAP-Analyse, die wie ein Scheinwerfer wirkt und zeigt, welche spezifischen Informationen für die Entscheidung des Computers am wichtigsten waren. Sie entdeckten, dass das Modell stark auf drei Faktoren angewiesen war: den Beruf des Patienten und die Werte zweier spezifischer Leberenzyme in seinem Blut. Der erste Faktor war, ob der Patient als Landwirt oder Hirte arbeitete. Die anderen beiden waren Messungen der Alanin-Aminotransferase, oft als ALT bezeichnet, und der Gamma-Glutamyl-Transferase oder GGT. Die Analyse zeigte, dass Patienten, die mit Vieh arbeiteten und höhere Werte dieser beiden Leberenzyme aufwiesen, viel wahrscheinlicher an Brucellose erkrankt waren. Umgekehrt waren Patienten mit niedrigeren Werten dieser Enzyme und ohne landwirtschaftliche Tätigkeit wahrscheinlicher an Tuberkulose erkrankt.

Die Forscher entwickelten daraufhin eine vereinfachte Version ihres Modells, die nur diese drei Faktoren verwendete. Sie wollten beweisen, dass sie keine komplexe Liste von fünfunddreißig Variablen benötigten, um ein gutes Ergebnis zu erzielen. Als sie dieses gestraffte Modell testeten, behielt es mehr als neunzig Prozent der Genauigkeit der vollständigen, komplexen Version bei. Dies bedeutet, dass ein Arzt potenziell eine hochinformierte Vermutung über die Diagnose anstellen könnte, indem er lediglich eine Standardblutuntersuchung der Leberfunktion betrachtet und den Patienten nach seinem Beruf fragt. Um sicherzustellen, dass dieser Befund kein Zufall war, testete das Team das vereinfachte Modell an einer neuen Gruppe von Patienten aus einem anderen Zeitraum. Das Modell schnitt bei dieser neuen Gruppe ebenso gut ab und identifizierte die Krankheit in der überwiegenden Mehrheit der Fälle korrekt, was zeigte, dass es auch bei der Anwendung auf neue Daten vertrauenswürdig sein konnte.

Der biologische Grund hinter diesen Erkenntnissen ergibt Sinn, wenn man betrachtet, wie sich die beiden Bakterien im menschlichen Körper verhalten. Brucella, das Bakterium, das Brucellose verursacht, hat eine starke Tendenz, in die Leber und die darin befindlichen Immunzellen einzudringen, was Entzündungen und Schäden verursacht, die die ALT- und GGT-Werte im Blut ansteigen lassen. Die Tuberkulose hingegen betrifft primär die Lunge und verursacht weniger direkte Schäden an der Leber, was zu niedrigeren Werten dieser spezifischen Enzyme führt. Auch die Verbindung zur Landwirtschaft und Viehhaltung ist klar, da diese Berufe einen engen Kontakt mit den Tieren beinhalten, die die Bakterien tragen. Durch die Kombination dieser biologischen Realität mit der Kraft des maschinellen Lernens schufen die Forscher ein Werkzeug, das sowohl wissenschaftlich fundiert als auch praktisch nützlich ist.

Diese Studie zeigt, dass ein kostengünstiger, einfach zu verwendender Diagnosehelfer möglich ist, selbst in Regionen, in denen die Ressourcen begrenzt sind. Das Werkzeug erfordert keine neue Ausrüstung oder teure Reagenzien; es interpretiert schlicht die routinemäßigen Blutuntersuchungen neu, die ohnehin bereits durchgeführt werden. Die Forscher bestätigten, dass ihr vereinfachtes Modell nicht nur genau, sondern auch stabil ist, was bedeutet, dass es konsistente Ergebnisse liefert. Obwohl die Studie in einem einzelnen Krankenhaus durchgeführt wurde und weitere Tests an anderen Standorten benötigt, um vollständig bewiesen zu werden, bieten die Ergebnisse einen vielversprechenden Weg nach vorn. Für Ärzte in der Primärversorgung könnte dieser Ansatz den Unterschied bedeuten, ob ein Patient schnell die richtige Behandlung erhält oder unter einer verzögerten Diagnose leidet. Er verwandelt ein komplexes medizinisches Problem in eine einfache Berechnung basierend auf alltäglichen Fakten und bietet so einen neuen Weg, die öffentliche Gesundheit in Gebieten zu schützen, in denen diese beiden Krankheiten verbreitet sind.