Development and preliminary external validation of a machine learning-based model for predicting 28-day mortality in non-HIV patients with Pneumocystis jirovecii pneumonia: a two-centre retrospective study

In der komplexen Landschaft der menschlichen Gesundheit treffen einige Infektionen Menschen, deren Immunsystem geschwächt ist, mit einer besonderen Heftigkeit. Eine solche Infektion wird durch einen mikroskopisch kleinen Organismus namens Pneumocystis jirovecii verursacht, der still und leise in der Luft lebt, aber zu einer schweren Pneumonie werden kann, wenn die Abwehrkräfte eines Menschen nachlassen. Während diese Erkrankung einst fast ausschließlich als Bedrohung für Menschen mit HIV galt, haben Ärzte eine besorgniserregende Verschiebung beobachtet: Sie betrifft zunehmend Patienten mit anderen schwerwiegenden gesundheitlichen Herausforderungen, wie etwa Krebs, Organtransplantationen oder Autoimmunerkrankungen. Für diese Nicht-HIV-Patienten schreitet die Krankheit oft mit erschreckender Geschwindigkeit voran und verursacht schnelle Atembeschwerden sowie einen plötzlichen Abfall der körperlichen Leistungsfähigkeit. Die zentrale Herausforderung für medizinische Teams besteht darin, zu wissen, welche Patienten wahrscheinlich überleben werden und welche unmittelbar innerhalb von Wochen in Lebensgefahr schweben, damit sie schnell handeln können. Dennoch ist die Vorhersage dieses Ausgangs schwierig, da die Reaktion des Körpers ein verwobenes Netz von Faktoren beinhaltet, von der Funktionsweise der Lunge über die Blutgerinnung bis hin zur Art und Weise, wie die Organe mit Stress umgehen.

Um diese Ungewissheit zu adressieren, setzte sich ein Team von Forschern in China das Ziel, ein digitales Werkzeug zu entwickeln, das in der Lage ist, die Warnsignale eines tödlichen Ausgangs zu erkennen, bevor es zu spät ist. Sie konzentrierten sich auf eine spezifische Gruppe von Erwachsenen, bei denen diese Pneumonie bestätigt wurde, die jedoch nicht an HIV litten. Durch die Auswertung der Krankenakten von 165 Patienten, die zwischen 2020 und 2025 in zwei großen Krankenhäusern behandelt wurden, sammelte das Team eine enorme Menge an Informationen über den Zustand jedes Einzelnen zum Zeitpunkt der Diagnose. Diese Daten umfassten grundlegende Details wie Alter und Geschlecht, den Schweregrad ihrer Erkrankung gemessen an Standard-Scoring-Systemen, die erhaltenen Behandlungen sowie eine breite Palette von Bluttestergebnissen. Das Ziel war es zu sehen, ob ein Computerprogramm lernen kann, die spezifischen Muster in diesen Daten zu erkennen, die die Patienten unterschieden, die 28 Tage überlebten, von jenen, die es nicht taten.

Die Forscher testeten verschiedene mathematische Ansätze, bekannt als Machine-Learning-Algorithmen, um herauszufinden, welcher die Informationen am besten sortieren konnte. Sie verglichen Methoden, die die menschliche Entscheidungsfindung nachahmen, solche, die komplexe Entscheidungsbäume aufbauen, und andere, die nach subtilen Verbindungen zwischen Variablen suchen. Nachdem sie diese verschiedenen Modelle gegen die Daten des ersten Krankenhauses getestet hatten, stellten sie fest, dass ein spezifischer Ansatz, der eine Technik zur Filterung weniger wichtiger Informationen nutzt, am besten abschnitt. Dieses Modell identifizierte dreizehn Schlüsselfaktoren, die am engsten mit dem Sterberisiko verknüpft waren. Zu diesen Faktoren gehörten der allgemeine Schweregrad der Erkrankung des Patienten, die Verwendung von Medikamenten zur Unterstützung des Blutdrucks, die Konzentration bestimmter Proteine im Blut, die auf Entzündungen oder Gerinnung hindeuten, sowie die Effizienz des Gasaustausches in der Lunge.

Als das Team dieses leistungsstärkste Modell nahm und es an einer separaten Gruppe von 23 Patienten aus einem anderen Krankenhaus testete, waren die Ergebnisse bemerkenswert. Das Modell identifizierte die Patienten, die überleben würden, mit einem hohen Maß an Genauigkeit, und während es eine perfekte Spezifität bei der Identifizierung der Nicht-Überlebenden erreichte, war seine Fähigkeit, alle Nicht-Überlebenden zu entdecken, begrenzt, da es nur etwa zwei Drittel von ihnen korrekt identifizierte; die geringe Größe dieser zweiten Gruppe bedeutet jedoch, dass die Ergebnisse eher als vielversprechender Anfang denn als endgültiger Beweis zu werten sind. Die Analyse zeigte auch auf, welche Informationen für die Entscheidung des Computers am wichtigsten waren. Es stellte sich heraus, dass der Gehalt einer Substanz namens Laktat im Blut, die signalisiert, dass das Gewebe des Körpers nicht ausreichend mit Sauerstoff versorgt wird, der Spiegel eines Gerinnungsmarkers namens D-Dimer und die Verwendung von Medikamenten zur Unterstützung des Blutdrucks die drei einflussreichsten Faktoren waren. Diese Variablen signalisierten dem Modell im Wesentlichen, dass der Körper des Patienten unter schwerer Belastung stand und damit kämpfte, das Blut zu zirkulieren und grundlegende Funktionen aufrechtzuerhalten.

Die Studie kommt zu dem Schluss, dass ein solches Werkzeug, das auf routinemäßigen medizinischen Tests und Beobachtungen basiert, großes Potenzial bietet, um Ärzten dabei zu helfen, das Risiko frühzeitig im Verlauf der Krankheit einzuschätzen. Die Autoren weisen jedoch vorsichtig darauf hin, dass diese Arbeit vorläufiger Natur ist. Da die Studie auf vergangenen Aufzeichnungen basierte und eine relativ kleine Anzahl von Patienten umfasste, sind die Ergebnisse am besten als eine Hypothese zu verstehen, die weiterer Tests bedarf. Es wurde noch nicht bewiesen, dass dieses Werkzeug die Behandlung der Patienten durch Ärzte verändert oder die Überlebensraten in einem realen Umfeld verbessert. Bevor dieses Werkzeug eingesetzt werden kann, um lebenswichtige Entscheidungen zu leiten, muss es in wesentlich größeren Gruppen von Menschen über verschiedene Regionen und Gesundheitssysteme hinweg validiert werden. Vorerst steht es als ein klares Zeugnis dafür, dass die komplexen, chaotischen Signale einer schweren Infektion in eine kohärente Vorhersage gebracht werden können, was einen potenziellen neuen Weg eröffnet, um die Zukunft der Genesung eines Patienten zu sehen.