Sepsis, besser bekannt als Blutvergiftung, ist potenziell tödlich. Sie entsteht durch eine Infektion: Krankheitserreger wie Bakterien, Pilze oder Viren dringen in den Körper ein, vermehren sich und befallen die Organe. Entscheidend ist jedoch, wie die körpereigene Abwehr damit umgeht. Eine Sepsis tritt nur auf, wenn Krankheitserreger die Abwehrmechanismen des Immunsystems überwinden, sich über die Blutbahn ausbreiten, eine Überreaktion des Immunsystems auslösen und der Körper im Kampf gegen die Infektion seine eigenen Organe angreift.
In der Schweiz erkranken jedes Jahr schätzungsweise 15’000 Menschen an einer Sepsis; in gut einem Drittel der Fälle endet sie trotz Behandlung tödlich. Unbehandelt kann eine Sepsis innerhalb von Stunden tödlich sein. Viel wichtiger ist es, die ersten Symptome frühzeitig zu erkennen. Denn je früher Diagnose und Behandlung erfolgen, desto größer sind die Überlebenschancen.
Das Sterblichkeitsrisiko wurde um 20 Prozent gesenkt
Ein Forscherteam der Johns-Hopkins-Universität hat nun ein auf künstlicher Intelligenz basierendes Frühwarnsystem entwickelt, das Medizinern helfen soll, die Symptome einer Sepsis frühzeitig zu diagnostizieren. Die Forscher testeten dieses System in einer großangelegten Kohortenstudie. Mehr als 4.000 Klinikmitarbeiter in fünf Krankenhäusern und rund 590.000 Patienten nahmen daran teil.
Die zentrale Erkenntnis: Dank des KI-Systems konnten Sepsis-Symptome Stunden früher erkannt werden als mit bisherigen Methoden, wodurch die Wahrscheinlichkeit, dass betroffene Patienten an einer Sepsis versterben, um 20 Prozent gesenkt werden konnte.
„Dies ist der erste Fall, in dem künstliche Intelligenz am Krankenbett eingesetzt wird, von Tausenden von Pflegekräften verwendet wird und wo wir sehen können, dass Leben gerettet werden“, sagte Suchi Saria, Gründungsdirektor des Malone Center for Engineering in Healthcare von der Johns-Hopkins-Universität. und Erstautor der Studie. Dank dieses Systems können in Zukunft tausende Sepsispatienten gerettet werden. Mittlerweile wird der Ansatz auch in anderen Bereichen angewendet, um die medizinische Versorgung zu verbessern.
Der Medizininformatiker Suchi Saria leitet das Machine Learning and Healthcare Lab an der Johns Hopkins University. (Quelle: Will Kirk / Johns Hopkins University)
Vergleich von Anamnese und aktuellen Laborergebnissen
Das System heißt Targeted Real-Time Early Warning System (TREWS). Laut einer Erklärung der Johns Hopkins University kombiniert es medizinische Aufzeichnungen und klinische Aufzeichnungen, um Patienten zu identifizieren, bei denen das Risiko lebensbedrohlicher Komplikationen besteht.
Zusätzlich vergleicht ein Algorithmus die Krankengeschichte des Patienten mit aktuellen Symptomen und Laborergebnissen. Das System soll dann dem behandelnden medizinischen Personal anzeigen, ob und inwieweit eine Person sepsisgefährdet ist. TREWS schlägt auch geeignete Behandlungen vor, wie die Verabreichung von Antibiotika.
Eine Erfolgsquote von 82 Prozent
Insgesamt habe die KI 82 Prozent der Sepsis-Fälle korrekt identifiziert, schreiben die Studienautoren im Fachblatt „Nature Medicine“. Und in 38 Prozent der Fälle schlug die KI frühzeitig Alarm, was ein Arzt später bestätigen konnte. In besonders schweren Fällen konnte die Krankheit dank des Frühwarnsystems im Schnitt fast sechs Stunden früher erkannt werden als mit herkömmlichen Methoden.
Laut der Ankündigung ist das Ergebnis eine deutliche Verbesserung gegenüber früheren Versuchen, digitale Tools zur Erkennung von Sepsis einzusetzen. Bisher hätten vergleichbare Tools weniger als die Hälfte der Fälle korrekt erfassen können.
Empfehlungen müssen verständlich sein
TREWS hat gegenüber anderen Tools, die mit maschinellem Lernen arbeiten und der Medizin bei Entscheidungen helfen sollen, einen weiteren Vorteil: Im Gegensatz zu herkömmlichen Ansätzen können Ärzte mit diesem System laut der Johns Hopkins University nachvollziehen, warum die KI bestimmte Empfehlungen gibt.
„Das ist in vielerlei Hinsicht ein Durchbruch“, sagt Albert Wu, Professor an der Johns Hopkins University in Baltimore und Mitautor der Studie. „Bisher lagen die meisten dieser Systeme viel öfter falsch als richtig.“ Und diese Fehlalarme würden schließlich das Vertrauen in diese Systeme untergraben.
ETH-Informatik-Professorin Julia Vogt forscht übrigens auch in der Schweiz an neuen Machine-Learning-Methoden für die klinische Datenanalyse. In seinem Fachbeitrag beschreibt er, wie KI bei der Früherkennung von angeborenen Herzfehlern helfen kann.