Low-Cost Early Prediction of Retinopathy of Prematurity Using Arterial Blood Gas Analysis: A Retrospective Cohort Study

Für Frühgeborene kommt die Welt zu früh, und ihre Körper müssen erst noch lernen, wie sie außerhalb des Mutterleibs funktionieren. Unter den vielen Herausforderungen, denen diese fragilen Säuglinge gegenüberstehen, ist einer der bedrohlichsten ein Zustand namens Retinopathie der Frühgeborenen. Dies ist eine Erkrankung, bei der die Blutgefäße im hinteren Teil des Auges, der Retina, nicht richtig wachsen. Anstatt ein gesundes Netzwerk zu bilden, können sie aufhören zu wachsen oder auf chaotische, desorganisierte Weise wachsen, was schließlich zu Blindheit führen kann. Da das Auge noch in der Entwicklung ist, ist der Zeitpunkt der Behandlung entscheidend; Ärzte müssen das Problem früh genug erkennen, um einzugreifen, bevor dauerhafte Schäden entstehen. Derzeit ist die Standardmethode zur Untersuchung darin, eine Kamera zu verwenden und direkt in das Auge des Babys zu blicken. Obwohl dieser Prozess effektiv ist, erfordert er teure Ausrüstung und hochqualifizierte Spezialisten, und er bedeutet oft, dass viele gesunde Babys untersucht werden müssen, nur um die wenigen zu finden, die wirklich gefährdet sind.

Forscher wissen schon lange, dass die größten Risiken für diese Augenerkrankung darin bestehen, sehr früh geboren zu werden und ein sehr niedriges Geburtsgewicht zu haben. Sie wissen auch, dass die Menge an Sauerstoff, die ein Baby erhält, eine große Rolle spielt, da zu viel oder zu wenig den sich entwickelnden Gefäßen schaden kann. Eine neue Studie deutet jedoch darauf, dass Ärzte vorhersagen könnten, welche Babys in Gefahr sind, viel früher und einfacher, indem sie Daten nutzen, die sie bereits täglich sammeln. Durch die Analyse der Ergebnisse routinemäßiger Bluttests, die messen, wie gut ein Baby atmet und wie sein Blut Sauerstoff transportiert, hat ein Team von Wissenschaftlern ein Computermodell erstellt, das Hochrisiko-Säuglinge kennzeichnen kann, ohne zuerst in ihre Augen sehen zu müssen. Dieser Ansatz könnte Krankenhäusern, insbesondere solchen mit weniger Ressourcen, helfen, zu entscheiden, welche Babys die dringendste Aufmerksamkeit benötigen.

Die Studie, die von einem Team aus Ärzten und Forschern in China durchgeführt wurde, konzentrierte sich auf über 500 Frühgeborene, die zwischen 2022 und 2025 geboren wurden. Diese Babys wurden in neonatologischen Intensivstationen an drei verschiedenen Krankenhäusern behandelt. In diesen Stationen entnehmen Ärzte routinemäßig kleine Mengen Blut von den Babys, um deren arterielle Blutgaswerte zu überprüfen. Dieser Test sagt aus, wie viel Sauerstoff und Kohlendioxid im Blut vorhanden ist, wie sauer oder basisch das Blut ist und wie gut der Körper Sauerstoff nutzt. Die Forscher sammelten all diese Daten zusammen mit dem Geburtsgewicht der Babys und der Anzahl der Wochen, die sie vor der Geburt im Mutterleib verbracht hatten. Sie verwendeten dann eine Art maschinelles Lernen, bei dem ein Programm Muster in Daten studiert, um Vorhersagen zu treffen, um zu sehen, ob diese Bluttestergebnisse ihnen sagen könnten, welche Babys die Augenerkrankung entwickeln würden.

Das Team testete zehn verschiedene Computer-Algorithmen, um zu sehen, welcher am besten geeignet war, das Risiko aufzuspüren. Sie fanden heraus, dass das erfolgreichste Modell auf einer spezifischen, handhabbaren Liste von zehn Schlüsselinformationen basierte. Diese umfassten das Gestationsalter und das Geburtsgewicht des Babys sowie neun spezifische Werte aus den Blutgasuntersuchungen, die während der ersten sechs Lebenswochen durchgeführt wurden. Diese Zahlen deckten Dinge ab wie den Druck von Kohlendioxid im Blut, die Konzentration verschiedener Arten von Hämoglobin (dem Protein im Blut, das Sauerstoff transportiert) und Marker dafür, wie gut der Körper Energie und Stress bewältigt. Als der Computer mit diesem spezifischen Satz von zehn Fakten trainiert wurde, wurde er bemerkenswert gut darin, das Ergebnis vorherzusagen. In der ursprünglichen Gruppe von Babys erreichte das Modell einen AUC-Wert von 0,95. Es erreichte auch einen AUC-Wert von 0,91 bei der Identifizierung gesunder Babys als risikoarm, was bedeutet, dass es kaum einen Fall übersah, der Aufmerksamkeit benötigte.

Um sicherzustellen, dass dieses Ergebnis nicht nur ein Glückstreffer mit einer Gruppe von Patienten war, testeten die Forscher ihr Modell an zwei anderen Gruppen von Babys aus verschiedenen Krankenhäusern. Das Modell hielt sich auch in diesen neuen Umgebungen gut. In einer Gruppe erreichte es einen AUC-Wert von 0,83 und in der anderen einen AUC-Wert von 0,91. Die Studie zeigte, dass das Hinzufügen von immer mehr Variablen zum Computermodell es nicht besser machte; tatsächlich schnitt das einfachere Modell mit nur den zehn wichtigsten Fakten am besten ab. Dies deutet darauf darauf hin, dass die routinemäßigen Bluttests, die bereits in Krankenhäusern durchgeführt werden, ein verborgenes Signal über die Gesundheit der Augen des Babys enthalten, das bisher übersehen wurde. Die Forscher merkten an, dass das Modell besonders gut darin war, Babys auszuschließen, die sicher waren, was ein entscheidendes Merkmal für ein Screening-Instrument ist. Wenn ein Baby durch dieses Modell als risikoarm gekennzeichnet wird, können sich die Ärzte darauf verlassen, dass das Baby unwahrscheinlich die schwere Form der Krankheit entwickeln wird.

Die Studie klärte auch, was dieses Werkzeug ist und was es nicht ist. Die Forscher betonen, dass dies ein Risikovorhersagesystem ist und kein Ersatz für die eigentliche Augenuntersuchung. Ein Baby, das durch das Modell als Hochrisikofall eingestuft wird, würde nicht automatisch eine Behandlung erhalten; stattdessen würde das Ergebnis den Ärzten sagen, dass sie früher und häufiger in die Augen dieses Babys schauen sollen. Dies könnte ein entscheidender Unterschied für Krankenhäuser sein, die nicht jeden Tag einen spezialisierten Augenarzt zur Verfügung haben. Durch die Nutzung der bereits vorhandenen Blutgasdaten könnten diese Krankenhäuser ihre begrenzten Screening-Ressourcen für die Säuglinge priorisieren, die sie am dringendsten benötigen. Das Modell funktionierte auch für Babys, die in einem etwas späteren Stadium geboren wurden als viele andere bestehende Werkzeuge, die oft nur für die winzigsten, extrem frühgeborenen Säuglinge gelten. Dies bedeutet, dass der Ansatz einer breiteren Palette von Babys helfen kann, einschließlich derer, die etwas reifer geboren wurden, aber dennoch einem Risiko ausgesetzt sind.

Die Ergebnisse deuten auf einen tieferen Zusammenhang zwischen der Art und Weise, wie der Körper eines Babys mit Sauerstoff umgeht, und der Entwicklung ihrer Augen hin. Die Bluttests zeigten, dass Babys, die die Augenerkrankung entwickelten, subtile Unterschiede darin aufwiesen, wie ihr Blut Sauerstoff transportierte und wie ihre Körper auf Stress reagierten. Beispielsweise unterschieden sich die Werte bestimmter Arten von Hämoglobin und das Gleichgewicht der Säuren im Blut in der Risikogruppe. Diese Unterschiede legen nahe, dass der Kampf des Körpers mit der Bewältigung von Sauerstoff und Energie in den ersten Lebenswochen mit den Problemen verknüpft ist, die später in der Retina auftreten. Indem das Computermodell diese Muster erfasst, übersetzt es komplexe biologische Signale in einen einfachen Risiko-Score.

Obwohl die Ergebnisse vielversprechend sind, weisen die Forscher vorsichtig darauf hin, dass es sich um eine retrospektive Studie handelt, was bedeutet, dass sie Daten untersucht haben, die bereits erhoben worden waren. Der nächste Schritt, den sie bereits planen, besteht darin, dieses Modell in Echtzeit zu testen, während die Babys behandelt werden. Sie beabsichtigen, das Werkzeug anderen Ärzten und Forschern zur Verfügung zu stellen, damit es in verschiedenen Teilen der Welt validiert werden kann. Sollten zukünftige Tests diese Ergebnisse bestätigen, könnte diese kostengünstige Methode zu einem Standardbestandteil der Versorgung Frühgeborener werden und dazu beitragen, Blindheit zu verhindern, indem sie sicherstellt, dass die richtigen Babys zur richtigen Zeit die richtigen Augenuntersuchungen erhalten. Die Arbeit zeigt, dass die mächtigsten Werkzeuge zur Rettung des Sehvermögens manchmal nicht neue Maschinen sind, sondern eine intelligentere Art, die Daten zu betrachten, die wir bereits haben.