Development of a predictive model for sepsis‑induced immunosuppression using neural networks

Technische Zusammenfassung: Entwicklung eines prädiktiven Modells für sepsisinduzierte Immunsuppression mittels neuronaler Netze

Problemstellung
Sepsis ist gekennzeichnet durch eine dysregulierte Wirtsreaktion auf Infektionen, die zu einem dualen Zustand von Hyperimmunität und Hypoimmunität führt. Wenn der Zustand der Hypoimmunität dominiert, resultiert dies in einer sepsisinduzierten Immunsuppression – einem Zustand, der mit Sekundärinfektionen, Multiorganversagen und erhöhter Mortalität assoziiert ist. Während die klinische Gemeinschaft die Bedeutung der Immunhomöostase anerkennt, verbleibt die genaue Vorhersage des Beginns einer Immunsuppression noch in einem explorativen Stadium. Derzeitige Marker, wie etwa das monozytäre HLA-DR (mHLA-DR), sind oft zu komplex oder zu teuer für die großflächige Datenbankanalyse. Im Gegensatz dazu sind Lymphozytenzahlen leichter zugänglich, lassen jedoch in der bestehenden Literatur keine klar definierte Schwelle zur Überwachung erkennen. Die vorliegende Studie zielt darauf ab, das Bedürfnis nach einer frühen, präzisen Vorhersage der Immunsuppression bei Sepsispatienten zu adressieren, um eine Präzisionsbehandlung und eine dynamische Prognosebewertung zu ermöglichen.

Methodik
Die Studie verwendete ein retrospektives Kohortendesign unter Nutzung von Daten aus der MIMIC-IV-Datenbank.

• Datenquelle & Kohorte: Die Analyse umfasste 6.954 erwachsene Patienten (≥18 Jahre), die erstmals mit einer Sepsis-3.0-Diagnose auf die Intensivstation aufgenommen wurden.
• Definition des Outcomes: Immunsuppression wurde als eine Lymphozytenzahl < 1,0 × 10⁹/L definiert.
• Prädiktive Variablen: Die Studie erfasste 14 Variablen, darunter demografische Daten (Alter, Geschlecht, Ethnizität), klinische Metriken (BMI, SOFA-Score, Charlson-Komorbiditätsindex, maximaler Laktatwert) sowie Behandlungsfaktoren (Notaufnahme, Anwendung/Dauer von Vasopressoren, mechanische Ventilation/Dauer, Kortikoidgebrauch, Pilzinfektion und Malignom-Anamnese).
• Datenverarbeitung: Fehlende Daten wurden mittels multipler Imputation behandelt (speziell für Laktatdaten, die eine Fehlquote von 22,16 % aufwiesen). Die Variable BMI wurde aufgrund einer Fehlquote von 51,13 % ausgeschlossen. Die Daten wurden in Trainings- (80 %) und Validierungssets (20 %) aufgeteilt.
• Modellierungsansätze: Es wurden drei Algorithmen des maschinellen Lernens konstruiert und verglichen:
  1. Multilayer Perceptron (MLP): Ein Ansatz basierend auf neuronalen Netzen.
  2. Logistische Regression (LR): Ein traditioneller statistischer Baseline-Ansatz.
  3. XGBoost: Ein Gradient-Boosting-Entscheidungsbaum-Modell.
• Evaluationsmetriken: Die Modellleistung wurde mittels AUC (Area Under the Curve), Precision, Recall, F1-Score, Kalibrierungskurven (Hosmer-Lemeshow-Test) und Decision Curve Analysis (DCA) bewertet.

Wesentliche Ergebnisse

• Kohortencharakteristika: Die Inzidenz von Immunsuppression in der Kohorte betrug 28,5 % (1.983 von 6.954 Patienten).
• Univariante Analyse: Es wurden signifikante Assoziationen zwischen Immunsuppression und Alter, Geschlecht, Notaufnahme, SOFA-Score, Charlson-Komorbiditätsindex, Pilzinfektion, Anwendung von Vasopressoren, Dauer der Vasopressorgabe, mechanischer Ventilation und Laktatwerten gefunden.
• Multivariate Analyse: Das finale logistische Regressionsmodell identifizierte acht unabhängige Prädiktoren: Alter, Notaufnahme, Charlson-Komorbiditätsindex, Pilzinfektion, Anwendung von Vasopressoren, gesamte Vasopressordauer, mechanische Ventilation und Laktatwerte. Bemerkenswerterweise waren Geschlecht, SOFA-Score, maligne Tumore und die Dauer der mechanischen Ventilation in der multivariaten logistischen Modellierung nicht statistisch signifikant, blieben jedoch im Kontext des maschinellen Lernens relevant.
• Modellleistung:
  • MLP-Modell: Zeigte eine überlegene Leistung mit einer AUC von 0,82, einer Precision von 0,7208, einem Recall von 0,8441 und einem F1-Score von 0,7776.
  • XGBoost-Modell: Performte schlecht mit einer AUC von 0,602, einem Recall von 0,113 und einem F1-Score von 0,177.
  • Logistische Regression: Zeigte eine moderate Leistung mit einer AUC von 0,686.
• Merkmalsrelevanz (Feature Importance): Im MLP-Modell waren die einflussreichsten Faktoren für die Vorhersage der Immunsuppression in dieser Reihenfolge: Notaufnahme, SOFA-Score, Alter, maximaler Laktatwert, Dauer der mechanischen Ventilation, gesamte Vasopressordauer, Charlson-Komorbiditätsindex, Geschlecht, Malignom, Ethnie, Kortikoidgebrauch und Pilzinfektion.

Bedeutung und Ansprüche
Die Autoren behaupten, dass das entwickelte MLP-Modell als zuverlässiges Instrument zur frühzeitigen Identifizierung des Risikos einer sepsisinduzierten Immunsuppression dient. Die Studie postuliert, dass die Fähigkeit des Modells, diverse klinische Variablen zu integrieren, Folgendes ermöglicht:

1. Frühzeitige Intervention: Identifizierung von Hochrisikopatienten, um rechtzeitige Anpassungen der Behandlung zu ermöglichen, wie etwa den Einsatz von Immunverstärkern (z. B. Thymosin-Peptide, Granulozyten-Kolonie-stimulierende Faktoren).
2. Präzisionsmedizin: Erleichterung individualisierter Behandlungspläne, wie etwa die Vermeidung des übermäßigen Einsatzes von Immunsuppressiva oder die Optimierung des Zeitpunkts der Hormonabsetzung.
3. Ressourcenoptimierung: Verbesserung der Beurteilung der Patientenprognose, um intensivmedizinische Ressourcen besser zu allokieren.

Die Arbeit kommt zu dem Schluss, dass das Modell zwar Potenzial für den klinischen Nutzen aufweist, jedoch weitere Validierungen in Multi-Center-Studien und mit größeren Datensätzen erfordert, um die Genauigkeit und Universalität vor einer breiten klinischen Implementierung zu verbessern. Die Autoren räumen die inhärenten Einschränkungen retrospektiver Studien ein, einschließlich Selektionsbias und dem Ausschluss von Variablen wie dem BMI aufgrund von Datenverlust, und merken an, dass kausale Zusammenhänge weiterer Verifizierung bedürfen.