Early detection of six-week post-discharge mortality and readmission among postpartum women and newborns in Uganda: development and temporal validation of multivariable prediction models

In vielen Teilen der Welt ist die gefährlichste Zeit für eine Mutter und ihr Neugeborenes nicht während der Geburt selbst, sondern in den Wochen danach. Während Krankenhäuser immer besser darin geworden sind, Babys sicher zu entbinden, bricht die Versorgung oft zusammen, sobald die Familie das Gebäude verlässt. Gesundheitssysteme sind häufig überlastet, und Familien verlassen das Krankenhaus möglicherweise, bevor sie eine vollständige Untersuchung erhalten haben, nur um Tage oder Wochen später zurückzukehren, wenn eine einfache Infektion zu einem lebensbedrohlichen Notfall geworden ist. Die Herausforderung für Ärzte besteht darin, zu wissen, welche Familien sicher nach Hause gehen können und welche zusätzliche Aufmerksamkeit, zusätzliche Besuche oder sofortige Hilfe benötigen. Ohne eine Möglichkeit, diese Risiken frühzeitig zu erkennen, müssen Gesundheitshelfer jede Familie gleich behandeln – eine Strategie, die knappe Ressourcen an Niedrigrisikofälle verschwendet, während sie diejenigen übersieht, die am meisten Hilfe benötigen.

Um dies zu lösen, setzte sich ein Team von Forschern in Uganda zum Ziel, ein praktisches Werkzeug zu entwickeln, das wie ein Triage-System im Moment der Entlassung fungieren kann. Sie wollten sehen, ob sie die bereits in einer Krankenakte verfügbaren Basisinformationen nutzen könnten – Dinge wie die Herzfrequenz der Mutter, die Art der Entbindung oder ob das Baby Hilfe bei der Atmung benötigte –, um vorherzusagen, wer innerhalb von sechs Wochen wieder erkranken würde. Durch die Analyse von Daten aus tausenden Müttern und Babys entwickelten sie einfache Computermodelle, die Familien in Risikokategorien einteilen konnten. Das Ziel war nicht, Ärzte zu ersetzen, sondern ihnen ein klares, evidenzbasiertes Signal zu geben, das ihnen hilft zu entscheiden, wer einen Nachsorgetermin benötigt und wer mit einem guten Gefühl nach Hause gehen kann.

Die Studie fand in zwei großen Regionalkrankenhäusern in Uganda statt, einem im Südwesten und einem im Osten, die eine kombinierte Bevölkerung von fast einer Million Menschen versorgen. Über einen Zeitraum von mehr als einem Jahr schloss das Forschungsteam tausende Frauen ein, die gerade entbunden hatten. Sie sammelten eine breite Palette von Informationen, von Blutdruck und Temperatur der Mutter bis hin zum Gewicht und dem Sauerstoffgehalt des Babys. Sie erfassten auch Details über die Schwangerschaft, wie etwa, ob die Mutter mit Malaria oder HIV diagnostiziert worden war und wie lange die Familie reisen musste, um das Krankenhaus zu erreichen. Nachdem die Mütter und Babys entlassen wurden, verfolgte das Team sie sechs Wochen später, entweder telefonisch oder persönlich. Sie erfassten, ob die Mütter aufgrund von Schwangerschafts-bezogenen Infektionen erneut ins Krankenhaus eingeliefert werden mussten und ob die Babys gestorben waren oder erneut wegen schwerer Erkrankungen stationär behandelt werden mussten.

Die Forscher fanden heraus, dass die meisten Familien gut durchkamen, aber eine signifikante Anzahl vor ernsten Komplikationen stand. Unter den fast siebentausend Müttern, die die Studie abschlossen, gab es keine Todesfälle, aber mehr als drei Prozent mussten erneut ins Krankenhaus, wobei über die Hälfte dieser Rückkehrer auf Infektionen wie Wundinfektionen oder Sepsis zurückzuführen war. Bei den Neugeborenen war die Situation etwas prekärer; etwa 3,8 Prozent der Neugeborenen wurden erneut stationär aufgenommen, und ein kleiner, aber tragischer Bruchteil verstarb innerhalb dieses sechs-Wochen-Fensters. Das Team nutzte diese Daten dann, um ihre Vorhersagemodelle zu trainieren. Sie testeten tausende verschiedene Kombinationen von Variablen, um den kleinsten Satz an Fakten zu finden, der immer noch in der Lage war, die gefährdeten Familien genau zu identifizieren. Sie entdeckten, dass sie keine komplexe Batterie von Tests benötigten; eine Handvoll routinemäßiger Beobachtungen reichte aus, um eine zuverlässige Vorhersage zu treffen.

Für die Mutter stützte sich das endgültige Modell auf acht Schlüsselinformationen. Dazu gehörten die Art der Geburt des Babys, die Herzfrequenz der Mutter zum Zeitpunkt der Entlassung, ob sie während der Schwangerschaft eine Harnwegsinfektion hatte und ob das Baby bei der Geburt Reanimation benötigt hatte. Andere Faktoren, wie etwa ob die Mutter während ihrer Schwangerschaft an HIV oder Malaria litt und ob sie das Krankenhaus gegen ärztlichen Rat verließ, spielten ebenfalls eine Rolle. Als die Forscher dieses Modell testeten, erwies es sich als recht effektiv darin, die Frauen aufzuspüren, die wieder erkranken würden. Es erreichte einen AUC-Wert von 0,8 bei der Identifizierung der Frauen, die schließlich wegen einer Infektion erneut stationär behandelt werden mussten, während es einen AUC-Wert von 0,7 bei der korrekten Identifizierung derer erreichte, die gesund bleiben würden. Dieses Gleichgewicht bedeutete, dass das Werkzeug die richtigen Personen für zusätzliche Betreuung markieren konnte, ohne das System mit Fehlalarmen zu überlasten.

Das Modell für die Neugeborenen war etwas anders, da es zwei Dinge vorhersagen musste: Tod und Wiederaufnahme. Das Team fand heraus, dass die besten Prädiktoren für das Risiko eines Babys unter anderem der HIV-Status der Mutter, eine mangelnde Milchproduktion der Mutter, das Gewicht des Babys und die Reisezeit der Familie zum Krankenhaus waren. Das Modell berücksichtigte auch, ob die Mutter während der Schwangerschaft Erkrankungen diagnostiziert bekommen hatte und ob während der Aufnahme Antibiotika eingesetzt wurden. Obwohl das Modell für die Neugeborenen gut darin war, Risiken zu identifizieren, war es weniger präzise als das mütterliche Modell; es erreichte einen AUC-Wert von 0,8 bei der Identifizierung der Babys, die sterben oder erneut stationär aufgenommen wurden, wies jedoch eine höhere Rate an Fehlalarmen auf. Dies liegt teilweise daran, dass die Anzahl der Todesfälle sehr gering war, was es statistisch schwieriger machte, einen perfekten Prädiktor für dieses spezifische Ergebnis zu erstellen.

Um sicherzustellen, dass ihre Ergebnisse kein glücklicher Zufall waren, der nur auf eine bestimmte Gruppe von Menschen zutraf, testeten die Forscher ihr mütterliches Modell an einem anderen Datensatz desselben Krankenhauses, der einige Jahre früher erhoben worden war. Das Modell schnitt bei diesen älteren Daten genauso gut ab wie bei den neuen Daten, was darauf hindeutet, dass die gelernten Regeln stabil und zuverlässig sind. Dies gab dem Team die Zuversicht, dass das Werkzeug in der realen Welt funktionieren kann, selbst wenn sich die Patientenpopulationen leicht verschieben. Die Studie hob auch hervor, dass die häufigsten Gründe für die Rückkehr der Mütter ins Krankenhaus Infektionen waren, die direkt mit der Entbindung zusammenhingen, wie etwa Infektionen der Operationswunde oder des Uterus, und nicht etwa unbezogene Erkrankungen wie Malaria. Dies bestätigte, dass die Konzentration auf diese spezifischen, vermeidbaren Komplikationen die richtige Strategie für ein Entlassungstool war.

Die Forscher waren sorgfältig darauf bedacht, die Grenzen ihrer Arbeit aufzuzeigen. Die Modelle wurden ausschließlich in Uganda erstellt und getestet, und obwohl die Krankenhäuser eine große und vielfältige Bevölkerung versorgten, könnten die Ergebnisse in anderen Ländern oder in kleineren ländlichen Kliniken nicht exakt so angewendet werden. Sie wiesen auch darauf hin, dass ihr Werkzeug speziell darauf ausgelegt war, geburtshilfliche Infektionen zu erfassen, und nicht andere Gründe berücksichtigte, warum eine Mutter erkranken könnte, wie etwa psychische Probleme oder Verletzungen. Zudem war, da die Zahl der Neugeborenensterbefälle sehr gering war, das Modell zur Vorhersage der Säuglingssterblichkeit weniger sicher als das Modell für die Wiederaufnahmen. Trotz dieser Einschränkungen zeigte die Studie, dass es möglich ist, ein einfaches, risikobasiertes System unter Verwendung von Daten zu erstellen, die bereits im Rahmen der Routineversorgung erhoben werden.

Der eigentliche Wert dieser Arbeit liegt in ihrem Potenzial, die Art und Weise der postnatalen Versorgung zu verändern. Anstatt eines Pauschalansatzes, bei dem jede Familie die gleiche Beratung erhält, könnten Gesundheitshelfer diese Modelle nutzen, um die spezifischen Dyaden (Mutter-Kind-Paare) zu identifizieren, die die meiste Unterstützung benötigen. Eine als Hochrisiko eingestufte Mutter könnte vorrangig für Hausbesuche, detaillierterer Beratung zu Warnsignalen oder die sofortige Überweisung an einen kommunalen Gesundheitshelfer vorgesehen werden. Dieser gezielte Ansatz respektiert die Realität überlasteter Gesundheitssysteme, indem er begrenzte Ressourcen an die Menschen lenkt, die sie am dringendsten benötigen. Indem sie routinemäßige klinische Beobachtungen in ein klares Signal für Handlungen verwandeln, bietet die Studie einen Weg zur Vermeidung des Vermeidbaren und stellt sicher, dass die Sicherheit einer Mutter und ihres Kindes weit über die Krankenhausgrenzen hinaus Bestand hat.