An interpretable machine learning model for early sepsis prediction in patients with heart failure and type 2 diabetes: a retrospective cohort study

Auf der Intensivstation, wo der Einsatz am höchsten und die Zeit die kostbarste Ressource ist, wägen Ärzte ständig das empfindliche Gleichgewicht zwischen den chronischen Erkrankungen eines Patienten und neuen, akuten Bedrohungen ab. Zwei der häufigsten und anspruchsvollsten chronischen Erkrankungen sind Herzinsuffizienz, bei der das Herz Schwierigkeiten hat, Blut effektiv zu pumpen, und Typ-2-Diabetes, eine Erkrankung, bei der der Körper den Blutzuckerspiegel nicht richtig regulieren kann. Wenn diese beiden Bedingungen zusammen auftreten, erzeugen sie einen perfekten Sturm der Verwundbarkeit. Die Fähigkeit des Körpers, Infektionen zu bekämpfen, ist durch die Belastung des Herzens und das metabolische Chaos des Diabetes bereits beeinträchtigt, was diese Patienten wesentlich anfälliger für eine Sepsis macht. Eine Sepsis ist eine lebensbedrohliche Reaktion auf eine Infektion, die schnell Organe abschalten und zum Tod führen kann. Da das Zeitfenster zur Behandlung einer Sepsis eng ist, ist eine frühzeitige Identifizierung entscheidend, doch aktuelle Instrumente versagen oft dabei, die Warnzeichen bei dieser spezifischen Patientengruppe zu erkennen, bevor es zu spät ist.

Ein Forscherteam setzte sich zum Ziel, ein neues Sicherheitsnetz für diese Patienten zu bauen – eines, das in der Lage ist, den subtilen Signalen zu lauschen, die in den medizinischen Daten eines Patienten verborgen liegen. Sie wandten sich dem maschinellen Lernen zu, einem Zweig der künstlichen Intelligenz, bei dem Computer lernen, Muster zu erkennen, indem sie riesige Mengen vergangener Beispiele studieren, anstatt einem starren, von Menschen geschriebenen Regelsatz zu folgen. Das Ziel war es, ein System zu entwickeln, das in der Lage ist, die Routine-Daten, die bei der Aufnahme eines Patienten mit Herzinsuffizienz und Diabetes auf die Intensivstation erhoben werden, zu analysieren und mit angemessener Genauigkeit vorherzusagen, ob dieser eine Sepsis entwickeln wird. Im Gegensatz zu vielen komplexen Computermodellen, die wie „Black Boxes“ agieren – also eine Antwort liefern, ohne zu erklären, warum –, wollte dieses Team ein System schaffen, das auch seine Arbeit offenlegt und genau aufzeigt, welche Faktoren das Pendel in Richtung Gefahr ausschlagen ließen.

Die Forscher begannen damit, Daten aus zwei massiven, öffentlich zugänglichen Datenbanken zu sammeln, die Aufzeichnungen von Tausenden von Intensivpatienten in den Vereinigten Staaten enthalten. Sie konzentrierten sich speziell auf Erwachsene, die mit sowohl Herzinsuffizienz als auch Typ-2-Diabetes aufgenommen worden waren. Aus einem Pool von über 9.000 potenziellen Kandidaten grenzten sie ihren Fokus auf 7.806 Patienten aus einer Datenbank ein, um ihr Modell zu erstellen, und testeten es anschließend an einer separaten Gruppe von 633 Patienten aus einem anderen Satz von Krankenhäusern, um zu sehen, ob es unter realen Bedingungen standhalten würde. Sie untersuchten eine breite Palette von Informationen, die während der ersten 24 Stunden des Aufenthalts eines Patienten aufgezeichnet wurden, einschließlich Vitalparametern wie Herzfrequenz und Körpertemperatur, Blutergebnissen und der Frage, ob der Patient an einem Beatmungsgerät angeschlossen war.

Um die wichtigsten Hinweise zu finden, haben die Experten nicht einfach geraten, welche Faktoren wichtig sind. Sie nutzten einen strengen Prozess, um die Daten zu sieben, wobei sie verschiedene statistische Methoden verglichen, um zu sehen, welche Variablen konsistent auf eine Sepsis hindeuteten. Dieser Prozess schmälerte eine lange Liste von Möglichkeiten auf nur sieben Schlüsselindikatoren ein. Dazu gehörten, ob der Patient eine akute Nierenschädigung hatte, ob er ein mechanisches Beatmungsgerät zur Unterstützung der Atmung benötigte, seine Leukozytenzahl (weiße Blutkörperchen), seine Körpertemperatur, sein Bewusstseinszustand gemessen nach einer Standardskala, ein Maß für den Säure-Basen-Haushalt im Blut und der Lactatwert – eine Substanz, die sich ansammelt, wenn das Gewebe nicht ausreichend mit Sauerstoff versorgt wird.

Das Team trainierte daraufhin sieben verschiedene Algorithmen, um aus diesen sieben Indikatoren zu lernen. Sie testeten jeden davon, um zu sehen, welcher die Patienten, die eine Sepsis entwickeln würden, am besten von denen unterscheiden konnte, die dies nicht tun würden. Ein Algorithmus, bekannt als XGBoost, erwies sich als der zuverlässigste. In der initialen Testphase identifizierte er das Risiko in etwa 71 Prozent der Fälle korrekt. Als die Forscher denselben Modells auf die separate Gruppe von Patienten aus den anderen Krankenhäusern anwandten, behielt er eine respektable Leistung bei und identifizierte das Risiko in etwa 66 Prozent der Fälle korrekt. Obwohl dies nicht perfekt ist, stellt es einen bedeutenden Fortschritt für eine Patientengruppe dar, die zuvor über kein spezialisiertes Werkzeug verfügte, um Ärzte bei der Früherkennung der Gefahr zu unterstützen.

Was diese Arbeit besonders wertvoll macht, ist, dass die Forscher nicht bei der Vorhersage stehen blieben. Sie nutzten eine Technik namens SHAP, um die „Black Box“ zu öffnen und genau zu sehen, wie das Modell seine Entscheidungen trifft. Sie fanden heraus, dass der Computer nicht wahllos rät, sondern mit mathematischer Präzision dieselben Dinge priorisiert, auf die auch ein erfahrener Arzt achten würde. Das Modell stellte fest, dass eine akute Nierenschädigung, ein vermindertes Bewusstseinsniveau und hohe Leukozytenwerte die stärksten Signale für eine drohende Sepsis waren. Es lernte auch, dass die Körpertemperatur in einer spezifischen Weise von Bedeutung war: Sowohl eine hohe Fiebertemperatur als auch eine gefährlich niedrige Temperatur waren Warnsignale, während eine normale Temperatur beruhigend wirkte. Ähnlich erkannte es, dass hohe Lactatwerte und die Notwendigkeit eines Beatmungsgeräts das Risiko signifikant erhöhten.

Die Forscher waren sorgfältig darauf bedacht, festzuhalten, dass ihr Modell zwar gut funktionierte, aber noch nicht bereit ist, das Urteil eines Arztes zu ersetzen oder eigenständig Behandlungsentscheidungen zu treffen. Die externe Testung zeigte, dass das Modell zwar nützlich ist, aber nicht unfehlbar ist und in verschiedenen Krankenhäusern sowie bei unterschiedlichen Patientenpopulationen weiter getestet werden muss, bevor es im klinischen Alltag eingesetzt werden kann. Die Studie dient als Proof of Concept und demonstriert, dass es möglich ist, ein interpretierbares Werkzeug zu entwickeln, das alltägliche medizinische Daten nutzt, um Hochrisikopatienten mit Herzinsuffizienz und Diabetes zu identifizieren. Durch das Hervorheben der spezifischen Kombination aus Nierenversagen, Atembeschwerden und Veränderungen der Blutchemie, die auf Probleme hindeuten, bietet diese Arbeit eine neue Möglichkeit, Klinikern zu helfen, einem Zustand einen Schritt voraus zu sein, der zu schnell verläuft, um ihn zu ignorieren.