Keine Angst vor der Heterogenität der Sepsis?

Ein bisschen sperrig erscheint der Titel schon: „Derivation, Validation, and Potential Treatment Implications of Novel Clinical Phenotypes for Sepsis“. Im Mai 2019 erschien diese Arbeit von der renommierten Arbeitsgruppe um Christopher Seymour und Derek Angus in der amerikanischen Zeitschrift JAMA (Seymour CW; JAMA 2019; 321:2003). Blättert man sie durch, wird man mit einigen ungewohnten Abbildungen konfrontiert, die auf manchen Leser abschreckend wirken dürften, da man irgendwie nicht so richtig etwas damit anfangen kann. Und dann noch „machine learning“ – also einmal mehr ein Beitrag zum gegenwärtigen „Hype“ von künstlicher Intelligenz in der Intensivmedizin, was zumindest in der Gegenwart (noch) weit weg von der gelebten Praxis erscheint?

Zugegeben, die methodischen Ansätze sind hoch professionell und vielen Medizinern fremd; wenn man sich jedoch ein bisschen mehr damit beschäftigt, ist es gar nicht so schwer, lässt man die mathematischen Techniken mal außen vor. Die Gruppe analysierte zunächst eine elektronische Datenquelle von mehr als 20.000 Sepsis-Patienten unmittelbar nach Aufnahme in Rettungsstellen, die an der Erfassung in den USA beteiligt waren.

Ansatz war ein „unsupervised learning“ – klingt fremd, ist von der Bedeutung her aber eigentlich ganz einfach; man könnte es auch mit „Schauen wir mal!“ übersetzen. Es wurden 29 Variablen von routinemäßigen Werten sowohl der klinischen Untersuchung als auch der gängigen Labordiagnostik innerhalb der ersten 6 Stunden genommen, also kein Schnickschnack wie seltene Biomarker, Zytokine oder ähnliches.