85.000 Tote pro Jahr: KI soll Sepsis früher erkennen

Künstliche Intelligenz (KI) könnte bald dazu beitragen, eine Sepsis früher zu erkennen und damit lebensrettende Behandlungen schneller einzuleiten. Anlässlich des Welt-Sepsis-Tages am 13. September spricht sich die Deutsche Gesellschaft für Chirurgie dafür aus, entsprechende Frühwarnsysteme stärker im Klinikalltag einzusetzen. Mindestens 230.000 Menschen in Deutschland erkranken pro Jahr an einer Sepsis – etwa 85.000 von ihnen sterben.

KI erkennt die entsprechenden Muster

Erste Anwendungen werden bereits erprobt. Die Programme durchsuchen Vitalwerte, Laborbefunde und weitere Patientendaten fortlaufend nach Veränderungen, die auf eine beginnende Sepsis hindeuten. Das sei eine Aufgabe, für die sich KI besonders eigne, erklärt DGCH-Präsident Jens Werner: Letztlich gehe es um Mustererkennung. Ein digitales System könnte im Hintergrund mitlaufen und das Behandlungsteam warnen, sobald sich ein verdächtiges Bild ergibt.

Wenn die Reaktion des Körpers außer Kontrolle gerät

Eine Sepsis, umgangssprachlich häufig als Blutvergiftung bezeichnet, ist eine lebensbedrohliche Fehlreaktion des Körpers auf eine Infektion. Nicht die bloße Anwesenheit von Krankheitserregern im Blut ist entscheidend. Vielmehr gerät die Immunantwort aus dem Gleichgewicht und schädigt körpereigene Organe. Ausgangspunkt können beispielsweise eine Lungenentzündung, ein Harnwegsinfekt oder eine Infektion im Bauchraum sein. Auch Viren und Pilze können eine Sepsis auslösen. Mitunter sind sogar vermeintliche harmlose Verletzungen wie ein Dorn im Finger oder ein aufgekratzter Insektenstich die Auslöser.

Die Früherkennung ist schwierig, weil Beschwerden wie Fieber, Schüttelfrost oder starke Abgeschlagenheit zunächst auch bei weniger gefährlichen Infektionen auftreten. Benommenheit, Verwirrtheit, Atemnot, Herzrasen und ein starkes allgemeines Krankheitsgefühl können weitere Warnzeichen sein. Verschlechtert sich der Zustand, drohen Kreislaufversagen und Schäden an mehreren Organen.

Leitlinie: Akut Erkrankte auf Sepsis testen

Die aktuelle S3-Leitlinie empfiehlt deshalb, akut erkrankte Risikopatienten systematisch auf eine Sepsis zu untersuchen. Bei einem septischen Schock sollen intravenöse Antiinfektiva möglichst innerhalb einer Stunde gegeben werden.

Bei Verdacht auf eine Sepsis ohne Schocksymptomatik empfiehlt die Leitlinie zunächst eine zeitnahe weitere Diagnostik. Besteht der Verdacht auf eine Infektion fort, soll die antiinfektive Therapie innerhalb von drei Stunden beginnen.

Viele Werte ergeben ein Warnsignal

Übliche Warnsysteme beurteilen unter anderem Blutdruck, Atemfrequenz, Körpertemperatur und Bewusstseinszustand. Einzelne Werte sind jedoch selten eindeutig. Zudem entstehen im Krankenhaus täglich große Mengen an Informationen, deren Veränderungen über Stunden oder Tage hinweg kaum lückenlos von einem Menschen verfolgt werden können.

Training anhand von Patientendaten

An diesem Punkt setzt die KI an. Mit Verfahren des maschinellen Lernens werden Modelle anhand großer Mengen historischer Patientendaten darauf trainiert, typische Zusammenhänge zu erkennen. Dabei kann beispielsweise erst die Kombination mehrerer leicht veränderter Laborwerte auf eine Gefahr hindeuten.

Das System stellt jedoch keine eigenständige Diagnose. Es berechnet eine Wahrscheinlichkeit und macht Ärzte, Ärztinnen und Pflegekräfte auf Patientinnen und Patienten aufmerksam, die genauer untersucht werden sollten. Ob tatsächlich eine Sepsis vorliegt und welche Behandlung notwendig ist, müssen weiterhin die behandelnden Mediziner und Medizinerinnen entscheiden.

Sepsis-Risiko aus dem kleinen Blutbild

Ein Beispiel ist das Analyse- und Meldesystem zur Verbesserung der Patientensicherheit durch Echtzeitintegration von Laborbefunden, kurz AMPEL, am Universitätsklinikum Leipzig. Die digitale Infrastruktur überwacht Laborwerte und kann bei kritischen Konstellationen automatisch einen Hinweis ausgeben. Für die Sepsis-Früherkennung entwickelten die Forschenden ein Modell, das mit wenigen Routinedaten auskommt: Alter und Geschlecht sowie Hämoglobin, Blutplättchen, mittleres Volumen der roten Blutkörperchen und die Anzahl weißer und roter Blutkörperchen.

Trainiert wurde das Modell mit rund 1,38 Millionen Laboranforderungen aus Leipzig, darunter gut 2.000 Sepsisfälle. Anschließend prüften die Forscherteams es mit weiteren Daten aus Leipzig sowie mit unabhängigen Datensätzen aus Greifswald und den USA.

Keine zusätzliche Blutabnahme erforderlich

In der internen Prüfung erreichte es einen AUROC-Wert von 0,872, bei der externen Validierung Werte von 0,805 und 0,845. Dieser Kennwert beschreibt, wie gut ein Verfahren Betroffene mit und ohne das gesuchte Ereignis voneinander unterscheiden kann. Ein Wert von 0,5 entspräche dem Zufall, ein Wert von 1 einer perfekten Unterscheidung.

Die Stärke des Ansatzes liegt vor allem darin, dass die benötigten Werte bei den meisten Klinikpatienten ohnehin erhoben werden. Zusätzliche Blutabnahmen oder teure Spezialtests wären für das laufende Screening nicht erforderlich. In Kombination mit dem Sepsismarker Procalcitonin schnitt das Modell zudem besser ab als Procalcitonin allein. Ob die automatischen Warnungen die Behandlung tatsächlich beschleunigen und die Überlebenschancen verbessern, muss allerdings im klinischen Einsatz untersucht werden.

Eine Kamera blickt unter die Haut

Einen anderen Weg verfolgen das Deutsche Krebsforschungszentrum und das Universitätsklinikum Heidelberg. Ihr System benötigt weder Blutwerte noch eine zusätzliche Blutabnahme. Eine hyperspektrale Kamera erfasst innerhalb weniger Sekunden, wie die Haut an Handflächen und Fingern Licht reflektiert. Dabei nimmt sie auch Wellenlängen außerhalb des für Menschen sichtbaren Bereichs auf. Aus diesen Daten lassen sich Rückschlüsse auf die Konzentration von Wasser, Blut und Sauerstoff im Gewebe ziehen.

Das ist bei einer Sepsis relevant, weil sich die Durchblutung der kleinsten Blutgefäße früh verändert. Zugleich werden die Gefäßwände durchlässiger, sodass Flüssigkeit in das umliegende Gewebe gelangt. Die dabei entstehenden Daten sind so komplex, dass sie sich nicht unmittelbar mit dem Auge beurteilen lassen. Ein neuronales Netz übernimmt deshalb die Auswertung.

Erste Studien mit positiven Ergebnissen

In einer prospektiven Beobachtungsstudie untersuchten die Forschenden mehr als 480 schwer kranke Patientinnen und Patienten einer operativen Intensivstation. Allein anhand der Hautaufnahmen erreichte das Modell bei der Unterscheidung von Erkrankten mit und ohne Sepsis einen AUROC-Wert von 0,80. Kamen klinische Angaben wie Vitalparameter hinzu, stieg der Wert auf 0,94. Denkbar wäre ein solches mobiles und berührungsloses Verfahren künftig nicht nur auf Intensivstationen, sondern auch in Notaufnahmen oder im Rettungsdienst.

Gute Testwerte reichen nicht aus

Bis dahin ist allerdings noch einiges zu klären. Die Heidelberger Untersuchung fand an einem einzigen Zentrum und bei bereits schwer kranken Erwachsenen statt. Ob das Modell in anderen Kliniken, bei weniger schwer Erkrankten oder bei Kindern ebenso zuverlässig arbeitet, ist offen. Auch bei datenbasierten Frühwarnsystemen können andere Patientengruppen, Untersuchungsverfahren oder Abläufe dazu führen, dass die Vorhersagequalität sinkt.

Hinzu kommt ein grundsätzliches Problem: Ein hoher AUROC-Wert belegt noch nicht, dass ein System im Klinikalltag Leben rettet. Entscheidend ist, ob die Warnung rechtzeitig erfolgt, vom Personal ernst genommen wird und tatsächlich eine schnellere Diagnostik und Behandlung auslöst.

Vorsicht vor Fehlalarm

Zu viele Fehlalarme können wiederum dazu führen, dass Warnhinweise zunehmend ignoriert werden. Eine aktuelle Übersichtsarbeit zu KI-Modellen für die Sepsisprognose fand zwar häufig bessere Ergebnisse als bei herkömmlichen Scores. Prospektive Prüfungen waren jedoch selten, und 45 der 75 untersuchten Studien wiesen ein hohes Verzerrungsrisiko auf.

Wertvolle Zeit gewinnen

KI kann eine Sepsis weder zweifelsfrei feststellen noch über die Behandlung entscheiden. Ihre Stärke liegt darin, große Datenmengen ununterbrochen zu beobachten und Veränderungen sichtbar zu machen, die im Klinikalltag leicht untergehen. Richtig eingebunden wäre sie damit ein zusätzlicher, niemals müder Blick auf Patientinnen und Patienten. Sie könnte das Behandlungsteam früher auf eine mögliche Sepsis aufmerksam machen und so genau das gewinnen, was bei diesem medizinischen Notfall besonders knapp ist: Zeit.

Quellen

• Deutsche Gesellschaft für Chirurgie: Welt-Sepsis-Tag – Chirurgie plädiert für den Einsatz von KI zur Früherkennung
• AWMF: S3-Leitlinie Sepsis – Prävention, Diagnose, Therapie und Nachsorge, Version 4.0
• Steinbach et al.: Applying Machine Learning to Blood Count Data Predicts Sepsis with ICU Admission, Clinical Chemistry
• Seidlitz et al.: AI-powered skin spectral imaging enables instant sepsis diagnosis and outcome prediction in critically ill patients, Science Advances
• Deutsches Krebsforschungszentrum: Schnellere Sepsis-Diagnose durch hyperspektrale Bildgebung und künstliche Intelligenz
• Mazza et al.: Artificial Intelligence Models for Mortality and Outcome Prediction in Intensive Care Unit Sepsis – A Systematic Review
• Bundesinstitut für Öffentliche Gesundheit: Deutschland erkennt Sepsis – Fallzahlen, Todesfälle und Früherkennung