Machine learning in der Früherkennung des septischen Schocks

Sepsis und der septische Schock sind nach wie vor die dritthäufigste Todesursache weltweit. In der multizentrischen INSEP-Studie, bei der prospektiv an fast 12.000 Patientenaufnahmen die Inzidenz- und Prävalenzrate der Sepsis auf Intensivstationen ermittelt wurde, konnte zudem eine sehr hohe Krankenhaussterblichkeitsrate von 50,9% nachgewiesen werden (SepNet Critical Care Trials Group; Intensive Care Med 2016; 42:1980). Dieses Ergebnis weist auf den Unterschied zwischen Sepsissterblichkeitsraten in RCT’s und „real world evidence“ hin.

Trotz bestehender Leitlinien, die vor allem die in den letzten Jahren zunehmenden Kenntnisse über pathophysiologische Mechanismen zu adressieren versuchen, gibt es bisher keine patientenindividualisierte, kausale Therapie der Erkrankung. Die aktuellen Leitlinien empfehlen neben der frühen Diagnose seit 2018 ein sogenanntes „Stunde 1 Bündel“, in dem die rasche Durchführung von therapeutischen Maßnahmen fokussiert wird (Levy MM; Intensive Care Med 2018; 44:925). Dies ist in vielen Fällen ein äußerst herausforderndes Ziel, insbesondere in komorbiden Patientengruppen, die möglicherweise aufgrund von anderen Entitäten oder Syndromen bereits behandelt werden.

Intensivmedizinische Scores wie beispielsweise der SOFA-Score können helfen, die Outcome-relevante Organdysfunktion zu beschreiben, sind im klinischen Alltag aber schwierig anzuwenden und erfordern die regelmäßige Kontrolle von Laborparametern (Vincent JL; Intensive Care Med 1996; 707). Die Vorhersagewahrscheinlichkeit für das Risiko von Patienten, eine Sepsis zu erleiden, ist zudem nur eingeschränkt möglich. Einfacher verfügbar sind hingegen automatisiert erfasste, klinische Parameter aus Patientendaten-Dokumentationssystemen (PDMS).