Development and Validation of a Predictive Model of Major Adverse Kidney Events within 30 Days in Patients with Sepsis-Associated Acute Kidney Injury： Retrospective Cohort Study

Auf der Intensivstation kämpft der Körper oft an zwei Fronten gleichzeitig. Ein Feind ist die Sepsis, eine lebensbedrohliche Reaktion auf eine Infektion, die das Immunsystem in einen Überzustand versetzt und dadurch Organe und Gewebe schädigt. Der andere ist das akute Nierenversagen, ein plötzlicher Ausfall der Nieren bei der Filterung von Abfallstoffen aus dem Blut. Wenn diese beiden Zustände zusammen auftreten, wird die Situation besonders gefährlich. Die Nieren gehören zu den ersten Organen, die leiden, wenn der Körper von einer Sepsis überwältigt wird, und wenn sie versagen, steigt das Risiko für Tod oder langfristige Behinderungen drastisch an. Jahrzehntelang haben sich Ärzte auf allgemeine Leitlinien verlassen, um diese Zustände zu diagnostizieren und zu behandeln, aber diese Regeln sind für breite Bevölkerungsgruppen konzipiert, nicht für die einzigartige, komplexe Realität eines einzelnen Patienten in einem Krankenhausbett. Die Herausforderung bestand darin, von allgemeinen Regeln zu präzisen Vorhersagen überzugehen: frühzeitig zu wissen, welche spezifischen Patienten am wahrscheinlichsten unter schweren Nierenergebnissen innerhalb eines Monats leiden werden, damit die Behandlung individuell auf sie zugeschnitten werden kann, um sie zu retten.

Ein Forscherteam setzte sich zum Ziel, ein Werkzeug zu entwickeln, das diese Vorhersage mit größerer Genauigkeit treffen kann. Sie wandten sich an eine riesige Sammlung digitaler Krankenakten von Tausenden von Patienten, die in den Vereinigten Staaten auf Intensivstationen aufgenommen worden waren. Konkret konzentrierten sie sich auf eine Gruppe von 10.906 Erwachsenen, die innerhalb von zwei Tagen nach der Diagnose Sepsis ein akutes Nierenversagen entwickelt hatten. Die Forscher wollten sehen, ob sie ein Muster in den Daten identifizieren konnten, das auf ein hohes Risiko für „schwere unerwünschte Nierenergebnisse“ innerhalb von 30 Tagen hindeutet. Ein solches Ergebnis ist eine schwerwiegende Kombination aus drei Dingen: dem Tod im Krankenhaus, der Notwendigkeit einer Maschine zur Blutfilterung (Dialyse) oder einer dauerhaft geschädigten Nierenfunktion nach der Entlassung. Um die Antwort zu finden, verließ sich das Team nicht auf eine einzige Formel oder eine einfache Checkliste. Stattdessen nutzten sie eine hochentwickelte Art des maschinellen Lernens, oft als Machine Learning bezeichnet, die es einem Computer ermöglicht, komplexe, verborgene Beziehungen in massiven Datenmengen zu finden, die dem menschlichen Auge entgehen könnten.

Die Forscher speisten den Computer mit einer breiten Palette von Informationen über jeden Patienten ein, die während der ersten 24 Stunden ihres Aufenthalts auf der Intensivstation erhoben wurden. Dies umfasste grundlegende Details wie Alter und Geschlecht, eine Vorgeschichte anderer Erkrankungen wie Herzkrankheiten oder Diabetes sowie eine Momentaufnahme ihres aktuellen körperlichen Zustands. Der Computer analysierte Vitalparameter wie Herzfrequenz und Atemfrequenz sowie detaillierte Bluttestergebnisse, die die Funktion von Leber und Nieren, den Sauerstoffgehalt im Blut und die Reaktion des Körpers auf die Infektion maßen. Sie notierten auch, ob Patienten Medikamente erhalten hatten, die die Nieren belasten könnten oder Medikamente zur Unterstützung des Blutdrucks. Das Team testete acht verschiedene Arten von Machine-Learning-Algorithmen, von denen jeder einen leicht unterschiedlichen mathematischen Ansatz verwendete, um aus den Daten zu lernen. Sie trainierten diese Modelle an einer großen Patientengruppe und testeten sie dann an einer separaten Gruppe, um zu sehen, ob die Modelle das Ergebnis für Menschen korrekt vorhersagen konnten, die sie zuvor noch nie gesehen hatten.

Nach Durchführung der Tests stach ein Modell als das zuverlässigste hervor. Es war ein System namens CatBoost, das sich besser als die anderen sieben verglichenen Modelle zwischen Patienten, die einen guten Verlauf nehmen würden, und jenen, die ein schweres Nierenerlebnis erleiden würden, unterscheiden konnte. Als die Forscher dieses leistungsstärkste Modell auf einen völlig anderen Satz von Patienten aus einer anderen Datenbank anwandten, behielt es seine Genauigkeit bei, was darauf hindeutet, dass die gelernten Muster real waren und nicht nur ein Zufallsprodukt der ersten Datengruppe. Das Modell erreichte ein Genauigkeitsniveau, das in der medizinischen Vorhersage als stark gilt, und identifizierte das Risiko für die überwiegende Mehrheit der Patienten korrekt. Das bedeutet, dass das Modell bei einem neuen Patienten mit Sepsis und Nierenverletzung in die Lage wäre, dessen Anfangsdaten zu betrachten und eine klare Schätzung seines Risikos für ein schweres Nierenergebnis innerhalb eines Monats abzugeben.

Um sicherzustellen, dass Ärzte den Entscheidungen des Modells vertrauen und sie verstehen können, behandelten die Forscher es nicht als eine „Black Box“, die einfach eine Antwort liefert, ohne eine Erklärung zu geben. Sie verwendeten eine Methode, um die Vorhersage aufzuschlüsseln und genau aufzuzeigen, welche Faktoren das Risiko nach oben oder unten trieben. Die Analyse ergab, dass der stärkste Prädiktor für einen schlechten Ausgang schlicht die Schwere der Nierenverletzung selbst zum Zeitpunkt der Aufnahme war. Patienten mit fortgeschritteneren Stadien der Nierenschädigung hatten mit Abstand eine höhere Wahrscheinlichkeit für einen schlechten Verlauf. Über die Nieren hinaus hob das Modell die Bedeutung der allgemeinen Krankengeschichte des Patienten, der Schwere des Organversagens und der Atemfrequenz hervor. Es zeigte auch, dass die Exposition gegenüber bestimmten Medikamenten, die die Nieren schädigen können, das Risiko erhöhte. Indem das Modell aufzeigte, wie diese Faktoren kombiniert ein spezifisches Risikoprofil für eine einzelne Person erstellten, geht es über eine generische Statistik hinaus und bietet eine personalisierte Sicht auf die Situation des Patienten.

Die Studie bestätigt, dass es möglich ist, Daten aus dem ersten Tag eines Intensivaufenthalts zu nutzen, um schwerwiegende Komplikationen der Nieren bei Patienten mit Sepsis vorherzusagen. Die Ergebnisse legen nahe, dass durch die Kombination der unmittelbaren Vitalparameter, der Blutwerte und der Krankengeschichte eines Patienten ein Computermodell eine transparente und genaue Einschätzung seines zukünftigen Risikos liefern kann. Dieser Ansatz ersetzt nicht das Urteilsvermögen eines Arztes, bietet aber ein leistungsstarkes Werkzeug, um dieses zu unterstützen. Er ermöglicht es medizinischen Teams, die verletzlichsten Patienten frühzeitig zu identifizieren, was potenziell eine frühere Intervention oder eine engmaschigere Überwachung ermöglicht. Während das Modell mit Daten aus amerikanischen Krankenhäusern getestet wurde und möglicherweise in anderen Teilen der Welt weiter validiert werden muss, ist die Kernbotschaft, dass die Signale für ein schlechtes Nierenergebnis bereits zu Beginn einer kritischen Erkrankung vorhanden und messbar sind. Diese Arbeit stellt einen Schritt in eine Zukunft dar, in der die Versorgung auf der Intensivstation durch präzise, individualisierte Vorhersagen statt durch breite Durchschnittswerte geleitet wird, um sicherzustellen, dass die am stärksten gefährdeten Patienten die Aufmerksamkeit erhalten, die sie benötigen.