MultiDiseasePred: An Interpretable Multi-Disease Risk Prediction Framework and Its Application for Early Risk Stratification in the Emergency Department

In der chaotischen, hochriskanten Umgebung einer Krankenhaus-Notaufnahme sind die ersten Minuten oft die kritischsten. Wenn ein Patient eintrifft, ist er nicht nur ein einzelnes Problem; er ist eine komplexe Mischung aus Symptomen, die alles von einem Herzinfarkt bis hin zu einer schweren Infektion oder einer Lungenarterienblockade signalisieren könnten. Traditionell haben sich Ärzte auf separate Checklisten und Bewertungssysteme verlassen, um jede dieser Möglichkeiten einzeln zu untersuchen. Eine Pflegekraft verwendet vielleicht ein Werkzeug, um nach Sepsis zu suchen, ein anderes für Herzprobleme und ein drittes für Atembeschwerden. Obwohl diese Werkzeuge hilfreich sind, sind sie darauf ausgelegt, nur eine Krankheit zur Zeit zu betrachten. Dies erzeugt ein fragmentiertes Bild und zwingt die Kliniker dazu, verschiedene Risiko-Scores mental zusammenzufügen, während sie gegen die Uhr rennen – oft ohne den Vorteil von Laborergebnissen oder bildgebenden Verfahren, die erst später eintreffen. Die Herausforderung besteht darin, den gesamten Patienten sofort zu erfassen und zu verstehen, wie verschiedene Risiken überlappen und um Aufmerksamkeit konkurrieren, bevor die vollständige medizinische Geschichte bekannt ist.

Um dies zu adressieren, entwickelte ein Team von Forschern der University of Minnesota und anderer Institutionen einen neuen Ansatz namens MultiDiseasePred. Anstatt separate Modelle für jede Krankheit zu erstellen, kreierten sie ein einziges, vereinheitlichtes System, das darauf ausgeert ist, einen Patienten zu betrachten und gleichzeitig das Risiko von sieben verschiedenen akuten Zuständen sowie zwei kritischen Ergebnissen, wie etwa der Notwendigkeit eines Krankenhausaufenthalts, einzuschätzen. Das System konzentriert sich auf die sieben Zustände, die oft mit verwirrend ähnlichen frühen Symptomen einhergehen: Sepsis, akutes Atemnotsyndrom, Exazerbationen chronischer Lungenerkrankungen wie Asthma oder COPD, akutes Koronarsyndrom (Herzprobleme), virale Pneumonie, Lungenembolie und akutes Nierenversagen. Es sagt zudem die Wahrscheinlichkeit einer Hospitalisierung und ein zusammengesetztes „kritisches Ergebnis“ voraus, das die Aufnahme auf die Intensivstation oder den Tod umfasst. Das Ziel war nicht nur, diese Risiken vorherzusagen, sondern dies unter Verwendung der Informationen zu tun, die in dem Moment verfügbar sind, in dem der Patient durch die Tür tritt, wie etwa Vitalparameter, Alter und die Hauptbeschwerden, ohne auf Bluttests oder Röntgenaufnahmen zu warten.

Die Forscher trainierten dieses System mit einem massiven Datensatz, der fast 1,7 Millionen Notaufnahmebesuche aus einem großen Gesundheitssystem in Minnesota umfasst und die Jahre 2019 bis 2025 abdeckt. Sie testeten anschließend, wie gut das System bei völlig anderen Patientengruppen aus zwei anderen großen medizinischen Zentren funktionierte: einem in Boston und einem in Kalifornien. Dieses externe Testen war entscheidend, um sicherzustellen, dass das System nicht nur die lokalen Daten auswendig lernt, sondern tatsächlich die universellen Anzeichen von Krankheit versteht. Das System lernte, Muster über Millionen von Besuchen hinweg zu identifizieren, und entdeckte dabei, dass zwar jede Krankheit einzigartig ist, sie aber oft gemeinsame physiologische Signale teilen. Beispielsweise kann ein Abfall des Blutdrucks oder eine Veränderung der Atemfrequenz ein Warnsignal für mehrere verschiedene Zustände gleichzeitig sein. Durch die Analyse dieser gemeinsamen Signale neben spezifischen Hinweisen lernte das Modell, die Beweise für jeden Zustand separat zu gewichten und dennoch die Verbindungen zwischen ihnen zu sehen.

Ein Schlüsselmerkmal dieses neuen Frameworks ist seine Fähigkeit, für den realen Einsatz einfach und praktisch zu bleiben. Die Forscher fanden heraus, dass sie keine lange Liste von Dutzenden von Variablen benötigten, um genaue Vorhersagen zu treffen. Durch einen sorgfältigen Auswahlprozess reduzierten sie die Eingaben auf nur zwölf Variablen, die routinemäßig von Triage-Pflegekräften erfasst werden, wie Herzfrequenz, Blutdruck, Sauerstoffgehalt, Alter und spezifische medizinische Vorgeschichte. Dieser „sparsame“ Satz an Eingabevariablen bedeutet, dass das System sofort genutzt werden kann, ohne dass eine komplexe Dateneingabe oder das Warten auf Laborergebnisse erforderlich ist. Das Modell enthält zudem ein integriertes Erklärungssystem. Wenn es einen Patienten als hohes Risiko für eine bestimmte Erkrankung einstuft, liefert es nicht nur eine Zahl, sondern hebt genau die Faktoren hervor, die zu dieser Entscheidung beigetragen haben. Wenn das System beispielsweise ein hohes Risiko für eine Lungenembolie vorhersagt, könnte es aufzeigen, dass die Vorgeschichte einer pulmonalen Hypertonie der primäre Treiber dieser Vorhersage war, was dem Kliniker ermöglicht, die Logik hinter der Warnmeldung nachzuvollziehen.

Die Ergebnisse der Studie waren vielversprechend. In der internen Testung erreichte das System eine hohe Genauigkeit bei der Unterscheidung zwischen Patienten, die diese Zustände entwickeln würden, und solchen, die dies nicht würden, wobei es so gut oder sogar besser als bestehende Single-Disease-Machine-Learning-Modelle abschnitt.ت Noch wichtiger war, dass das System bei den externen Daten aus Boston und Kalifornien eine starke Leistung beibehielt, ohne für die neuen Standorte neu trainiert oder angepasst werden zu müssen. Dies deutet darauf an, dass die vom Modell gelernten Muster robust sind und über verschiedene Krankenhausumgebungen hinweg Bestand haben. Für die sieben akuten Zustände identifizierte das System die Risiken mit einem hohen Maß an Zuverlässigkeit, und auch für die zwei Dispositionspunkte (Entlassungs-Endpunkte) schnitt es gut ab. Die Forscher merkten an, dass das System zwar exzellent darin war, Patienten nach Risiko zu ordnen, seine Fähigkeit, sehr seltene Ereignisse mit perfekter Präzision vorherzusagen, jedoch etwas geringer war – eine häufige Herausforderung in der medizinischen Vorhersage. Dennoch lieferte das System erfolgreich ein koordiniertes, multikriterielles Risikoprofil, das Kliniker unmittelbar interpretieren konnten.

Die Studie untersuchte auch, wie das System mit der Realität der Notfallversorgung umgeht, in der Daten oft unvollständig oder lückenhaft sind. Die Forscher gestalteten das System so, dass es mit fehlenden Informationen durch die Verwendung standardisierter, vordefinierter Werte basierend auf den Trainingsdaten umgehen kann, wodurch sichergestellt wird, dass das Modell konsistent reagiert, unabhängig davon, ob ein bestimmter Vitalwert aufgezeichnet wurde oder nicht. Sie stellten zudem sicher, dass das System nicht auf den Emergency Severity Index zurückgreift – einen Score, der oft von Pflegekräften vergeben wird –, um eine kreisförmige Argumentation zu vermeiden, bei der das Modell lediglich die ursprüngliche Einschätzung der Pflegekraft wiederholt. Stattdessen erstellt es eine eigene, unabhängige Bewertung basierend auf den rohen klinischen Daten. Die Forscher betonten, dass dieses Werkzeug als Entscheidungshilfe gedacht ist und kein Ersatz für das klinische Urteilsvermögen sein soll. Es ist darauf ausgelegt, Kliniker dabei zu unterstützen, ihre Gedanken zu strukturieren und zu priorisieren, welche Zustände zuerst untersucht werden sollten, was potenziell die Zeit bis zu kritischen Behandlungen wie der Gabe von Antibiotika bei Sepsis oder Blutverdünnern bei Blutgerinnseln verkürzen kann.

Trotz der starken Leistung weisen die Autoren vorsichtig darauf hin, dass es sich um eine retrospektive Studie handelt, was bedeutet, dass sie vergangene Daten betrachtete, anstatt das System in einer lebendigen, Echtzeit-Umgebung zu testen. Sie räumten ein, dass vor einer breiten Anwendung eines solchen Werkzeugs prospektive Tests durchgeführt werden müssen, um zu sehen, wie es sich tatsächlich auf die Patientenergebnisse und den Arbeitsablauf auswirkt und ob es die Entscheidungsfindung unterstützt oder behindert. Es gibt auch Einschränkungen hinsichtlich der spezifischen Datenquellen; zum Beispiel stützt sich das System auf strukturierte Daten und bezieht noch keine unstrukturierten Notizen oder Bildgebungsresultate ein. Darüber hinaus enthielt die Studie keine detaillierte Analyse darüber, wie das System bei verschiedenen rassischen oder ethnischen Gruppen abschneidet, da diese Daten in den untersuchten Krankenhäusern nicht durchgehend verfügbar waren. Dies sind wichtige Bereiche für die zukünftige Forschung, um sicherzustellen, dass das Werkzeug für alle sicher und effektiv ist.

Letztlich stellt diese Arbeit eine Verschiebung dar, wie die Risikobewertung in der Notaufnahme angegangen werden könnte. Indem sie sich von einer Sammlung isolierter Einzelkrankheits-Werkzeuge hin zu einem vereinheitlichten, interpretierbaren Rahmen bewegt, haben die Forscher demonstriert, dass es möglich ist, das volle Spektrum der potenziellen Risiken eines Patienten bereits zu Beginn seiner Versorgung zu erfassen. Das System liefert eine klare, kalibrierte Wahrscheinlichkeit für mehrere Zustände gleichzeitig, begleitet von einer Erklärung, warum diese Risiken markiert wurden. Dieser Ansatz respektiert die Komplexität der Notaufnahme, in der Patienten oft überlappende Symptome und mehrere potenzielle Diagnosen aufweisen. Obwohl das System noch kein fertiges Produkt ist, das bereit für den sofortigen Einsatz in jedem Krankenhaus ist, bietet es einen überzeugenden Proof-of-Concept dafür, dass ein einzener, intelligenter Rahmen Klinikern helfen kann, die Ungewissheit der ersten Minuten einer Notfallsituation zu navigieren und potenziell wertvolle Zeit zu gewinnen sowie die Versorgung von Patienten mit lebensbedrohlichen Zuständen zu verbessern.