Predicting Positive Blood Cultures Early in Hospitalization Using Time Locked Electronic Health Record Data
Diese Studie zeigt, dass ein zeitgebundenes maschinelles Lernmodell unter Verwendung von Daten aus der elektronischen Patientenakte effektiv das Risiko positiver Blutkulturen innerhalb von 24 Stunden nach der Krankenhausaufnahme vorhersagen kann, was eine Priorisierung von Patienten für eine frühzeitige Intervention ermöglicht, noch bevor die endgültigen Ergebnisse vorliegen.
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
Krankenhäuser sind Orte, an denen die Abwehrkräfte des Körpers oft bereits geschwächt sind, und wenn ein Patient eine schwere Infektion entwickelt, die sich über die Blutbahn ausbreitet, ist der Einsatz extrem hoch. Um den spezifischen Keim zu finden, der die Krankheit verursacht, entnehmen Ärzte Blut und senden es an ein Labor, um die Bakterien oder Pilze zu züchten – ein Prozess, der als Blutkultur bekannt ist. Dieser Test ist der Goldstandard für die Diagnose lebensbedrohlicher Infektionen, hat jedoch einen frustrierenden Mangel: Die überwiegende Mehrheit dieser Tests kommt negativ zurück und zeigt keinerlei Wachstum. Manchmal ist das Blut tatsächlich sauber, aber oft erwischt der Test den Keim nicht, oder die Probe wird während der Entnahme versehentlich durch Hautbakterien kontaminiert. Wenn eine Kultur positiv ausfällt, ist dies ein kritischer Moment, der sofortige Aufmerksamkeit erfordert; doch da die meisten Ergebnisse negativ sind, müssen medizinische Teams jede einzelne Probe mit dem gleichen Maß an Vorsicht behandlert, was Ressourcen belasten und die Versorgung der wenigen Patienten, die es wirklich benötigen, verzögern kann. Die Herausforderung besteht also nicht darin, zu entscheiden, wer einen Test erhalten sollte, sondern darin, unmittelbar nach der Blutentnahme herauszufinden, welche Proben am wahrscheinlichsten einen gefährlichen Erreger offenbaren, damit die richtigen Menschen für schnellere Ergebnisse und Behandlungen priorisiert werden können.
Ein Forschungsteam der Brown University Health setzte sich zum Ziel, genau dieses Problem zu lösen, indem es ein Computermodell entwickelte, das wie ein intelligenter Filter für Blutkulturergebnisse fungiert. Sie untersuchten Daten von über 51.000 Krankenhausaufenthalten, bei denen innerhalb des ersten Tages eines Patientenaufenthalts Blutkulturen entnommen wurden. Die Forscher trainierten ein System des maschinellen Lernens, um die Informationen in der elektronischen Patientenakte zum exakten Zeitpunkt der Blutentnahme zu analysieren. Diese Informationen umfassten das Alter des Patienten, die Krankengeschichte, die Frage, ob der Patient auf der Intensivstation lag, welche Medikamente er kürzlich erhalten hatte sowie die aktuellen Vitalparameter und Bluttestergebnisse. Entscheidend war, dass das Modell „zeitgebunden“ konzipiert wurde, was bedeutet, dass es nur Fakten nutzen konnte, die vor dem Kontakt der Nadel mit der Vene existierten; so wurde sichergestellt, dass es keine Laborergebnisse verwendete, bevor diese bereit waren. Das Ziel war es zu sehen, ob der Computer Muster in den Daten erkennen kann, die menschlichen Ärzten entgehen könnten, um vorherzusagen, welche Patienten das höchste Risiko haben, eine echte Infektion zu haben.
Die Studie ergab, dass das Modell gut darin war, wahrscheinliche Infektionen von den negativen Ergebnissen zu trennen. In der Gruppe von Patienten, die das Modell zuvor noch nie gesehen hatte, identifizierte es erfolgreich eine kleine Gruppe von Hochrisikopatienten. Während nur etwa vier Prozent aller Blutkulturen in der Studie positiv ausfielen, waren die Vorhersagen des Modells weita viel genauer, wenn man sich auf seine Top-Favoriten konzentrierte. Unter dem ein Prozent der Patienten, die das Modell als am riskantesten einstufte, waren fast dreißig Prozent tatsächlich positiv kultiviert. Selbst unter den obersten fünf Prozent der vorhergesagten Risiken stieg die Rate der positiven Ergebnisse auf fast zwanzig Prozent. Das bedeutet, dass das Werkzeug die Chance, eine echte Infektion zu finden, effektiv verdreifachen oder vervierfachen könnte, wenn medizinische Teams ihre unmittelbare Aufmerksamkeit auf diese spezifischen Patienten richten würden. Der aussagekräftigste Hinweis, den das Modell nutzte, war eine einfache Information aus der Anamnese: ob der Patient in der Vergangenheit bereits eine positive Blutkultur hatte. Patienten mit einer Vorgeschichte von Blutstrominfektionen hatten eine viel höhere Wahrscheinlichkeit, erneut eine zu erleiden. Doch selbst als die Forscher diese Historie aus dem Modell entfernten, arbeitete das System weiterhin gut und stützte sich auf andere Signale wie kürzliche Krankenhausaufenthalte, die Art der Aufnahme sowie spezifische Anomalien in der Blutchemie, wie etwa niedrige Thrombozytenwerte oder erhöhte Werte von Abfallprodukten im Blut.
Die Forscher testeten auch, wie robust ihre Ergebnisse waren, indem sie die Regeln des Spiels änderten. Sie prüften, ob das Modell lediglich zählte, wie oft ein Arzt einen Test anordnete, oder ob es tatsächlich etwas über den Zustand des Patienten lernte. Sie fanden heraus, dass der Erfolg des Modells nicht davon abhing, wie viele Tests angeordnet wurden, sondern auf dem tatsächlichen klinischen Bild basierte. Sie bestätigten zudem, dass das Modell auch dann genau blieb, wenn sie nur den ersten Krankenhausaufenthalt eines Patienten betrachteten oder Patienten ausschlossen, die sehr schnell verstarben, was darauf hindeutet, dass das Werkzeug über verschiedene Szenarien hinweg stabil und zuverlässig ist. Die Studie behauptete nicht, dass dieses Modell Ärzte ersetzen sollte oder dass es Infektionen bei Patienten vorhersagen könne, bei denen gar keine Blutprobe entnommen wird. Stattdessen präsentieren die Autoren es als praktisches Werkzeug für das „Diagnostic Stewardship“ – ein Konzept, das bedeutet, Ressourcen klug einzusetzen. Indem Krankenhäuser diesen Computerschaden nutzen, um die Arbeit zu priorisieren – etwa welche Blutproben zuerst vom Labor untersucht oder sofort von Spezialisten für Infektionskrankheiten überprüft werden sollen –, könnten sie die Behandlung der schwerstkranken Patienten potenziell beschleunigen, ohne Zeit mit den vielen Proben zu verschwenden, die negativ ausfallen werden.
Diese Arbeit stellt eine Verschiebung in der Art und Weise dar, wie Krankenhäuser die täglichen Datenfluten bewältigen könnten. Anstatt jede Blutkultur als gleiches Rätsel zu behandeln, das im gleichen Tempo gelöst werden muss, legt die Studie nahe, dass ein digitaler Assistent helfen könnte, die Arbeitslast zu triagieren, indem er die Fälle hervorhebt, in denen die Chancen auf eine schwere Infektion am höchsten sind. Das Modell ist kein Kristallball, und die Forscher betonen, dass es in anderen Krankenhäusern getestet werden muss, um sicherzustellen, dass es auch in anderen Umgebungen mit unterschiedlichen Patientenpopulationen funktioniert. Aber die Kernbotschaft ist klar: Durch die sorgfältige Analyse der Informationen, die im Moment der Blutentnahme verfügbar sind, ist es möglich, eine kleine Gruppe von Patienten zu identifizieren, die weitaus wahrscheinlicher eine gefährliche Infektion haben als der Durchschnitt, sodass das medizinische System seine dringendsten Bemühungen dort konzentrieren kann, wo sie am nötigsten sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.