Modell für maschinelles Lernen kann 28-Tage-Mortalität bei Sepsis-Patienten vorhersagen

Sepsis ist eines der häufigsten und tödlichsten Syndrome, die auf Intensivstationen auftreten, und akutes Atemversagen (ARF) stellt eine der schwerwiegendsten Komplikationen dar. Sobald sich ein Atemversagen entwickelt, kommt es bei den Patienten häufig innerhalb kurzer Zeit zu einer schweren Hypoxämie und Funktionsstörungen mehrerer Organe, was zu einem deutlich erhöhten Sterberisiko führt. Trotz der Fortschritte in der Intensivpflege bleibt die genaue Beurteilung der kurzfristigen Prognose früh nach der Aufnahme auf die Intensivstation eine große Herausforderung in der klinischen Praxis.

In einer kürzlich durchgeführten Studie entwickelten und validierten Forscher, an denen unter anderem Dr. Die Ergebnisse dieser Studie wurden online im veröffentlicht Zeitschrift für Intensivmedizin am 10. Januar 2026.

Über die Studie sagt Dr. Liu: „Das Modell wurde entwickelt, um klinische Informationen zu nutzen, die in der frühesten Phase der Aufnahme auf die Intensivstation verfügbar sind, und es Ärzten zu ermöglichen, Hochrisikopatienten umgehend zu identifizieren und dadurch Behandlungsstrategien und die Zuweisung von Überwachungsressourcen zu optimieren.“

Als Entwicklungs- und Trainingskohorte wurde die Datenbank Medical Information Mart for Intensive Care IV (MIMIC-IV, Version 3.1) verwendet, einschließlich erwachsener Intensivpatienten, die die diagnostischen Kriterien sowohl für Sepsis als auch für ARF erfüllten. Um die Anwendbarkeit des Modells in verschiedenen Krankenhäusern und Patientengruppen zu bewerten, wurde eine unabhängige externe Validierung unter Verwendung von Daten aus der eICU Collaborative Research Database (eICU-CRD, Version 2.0) durchgeführt. Dieses kombinierte Design aus „Schulung und externer Validierung“ erhöht die Relevanz der Ergebnisse für den klinischen Alltag.

Bei der Variablenauswahl wurden zunächst Kandidaten-Prädiktoren auf der Grundlage der internationalen sepsisbezogenen Leitlinien und des klinischen Expertenkonsenses identifiziert, um eine starke klinische Relevanz sicherzustellen. Anschließend wurde der Boruta-Merkmalsauswahlalgorithmus zusammen mit der Multikollinearitätsanalyse angewendet, um einen endgültigen Satz von 20 wichtigen Vorhersagemerkmalen zu identifizieren. Alle ausgewählten Variablen waren routinemäßig innerhalb der ersten 24 Stunden nach der Aufnahme auf die Intensivstation erhältlich und spiegelten mehrere klinische Dimensionen wider, darunter Sauerstoffstatus, Organfunktion, Stoffwechselparameter und Schwere der Erkrankung.

Sieben Algorithmen für maschinelles Lernen, darunter logistische Regression, Random Forests, Gradient-Boosting und neuronale Netze, wurden systematisch verglichen. Unter ihnen zeigte das XGBoost-Modell die beste Gesamtleistung. In der Trainingskohorte zeigte das Modell eine starke Unterscheidungsfähigkeit bei der Vorhersage der 28-Tage-Mortalität und seine Leistung blieb in der unabhängigen externen Validierungskohorte stabil, was auf eine gute Generalisierbarkeit hinweist. Im Gegensatz zu herkömmlichen „Black-Box“-Vorhersagemodellen legte diese Studie besonderen Wert auf die Interpretierbarkeit. Die Forscher verwendeten SHapley Additive ExPlanations (SHAP), um den Beitrag einzelner klinischer Variablen zur Vorhersage des Mortalitätsrisikos zu quantifizieren.

„Unsere Analyse verdeutlichte die Bedeutung von Oxygenierungsindizes, Serumalbuminspiegeln, leberfunktionsbezogenen Indikatoren und Schweregradwerten der Erkrankung für die kurzfristige Prognose. Dieser transparente Interpretierbarkeitsrahmen kann das Verständnis des Klinikers erleichtern und die Verwendung des Modells als Entscheidungsunterstützungsinstrument und nicht als Ersatz für die klinische Beurteilung fördern„, erklären Ingenieur Zi Yang und Dr. Hong Guo.

Dem Forschungsteam zufolge könnte das Modell weiter in bettseitige oder webbasierte Risikobewertungstools integriert werden, um eine frühe Risikostratifizierung bei Patienten mit durch ARF komplizierter Sepsis zu unterstützen. Insgesamt zeigt die Studie das Potenzial interpretierbarer maschineller Lernansätze in der Intensivmedizin und bietet einen neuen technischen Weg für die individuelle Behandlung von Hochrisikopatienten mit Sepsis.

Quellen: