Maschinelles Lernen sorgt für eine COVID-Überraschung

Ein Krankenhausbesuch kann auf ein anfängliches Leiden und ein Ergebnis reduziert werden. Aber Gesundheitsakten erzählen eine andere Geschichte: Sie sind voll von ärztlichen Aufzeichnungen und Patientengeschichten, Vitalfunktionen und Testergebnissen, die sich möglicherweise über Wochen eines Aufenthalts erstrecken. In Gesundheitsstudien werden all diese Daten mit Hunderten von Patienten multipliziert. Es ist daher kein Wunder, dass Ärzte die Gesundheit als KI- und Big-Data-Problem betrachten, da die Techniken der KI-Datenverarbeitung immer ausgefeilter werden.

In einem kürzlich durchgeführten Versuch haben Forscher der Northwestern University maschinelles Lernen auf elektronische Gesundheitsakten angewendet, um eine detailliertere, alltägliche Analyse von Lungenentzündungen auf einer Intensivstation (ICU) zu erstellen, wo Patienten Atemunterstützung durch mechanische Beatmungsgeräte erhielten. Die Analyse, die am 27. April im Journal of Clinical Investigation veröffentlicht wurde, umfasst die Clusterung von Patiententagen durch maschinelles Lernen, was darauf hindeutet, dass ein langfristiges Atemversagen und das Risiko einer Sekundärinfektion bei COVID-19-Patienten viel häufiger auftreten als das Thema vieler frühe COVID-Ängste – Zytokinstürme.

„Die meisten Methoden zur Datenanalyse auf der Intensivstation betrachten Daten von Patienten bei ihrer Aufnahme und dann Ergebnisse zu einem späteren Zeitpunkt“, sagte Benjamin D. Singer, Mitautor der Studie und außerordentlicher Professor an der Feinberg School of Medicine im Nordwesten. „Alles in der Mitte ist eine Blackbox.“

Die Hoffnung besteht darin, dass KI aus den täglichen Statusdaten von Intensivpatienten über die COVID-19-Fallstudie hinaus neue klinische Erkenntnisse gewinnen kann.

Die tagesweise Herangehensweise an die Daten führte die Forscher zu zwei verwandten Erkenntnissen: Sekundäre Atemwegsinfektionen stellen eine häufige Bedrohung für Intensivpatienten dar, auch für solche mit COVID-19; und ein starker Zusammenhang zwischen COVID-19 und Atemversagen, was als unerwarteter Mangel an Beweisen für Zytokinstürme bei COVID-19-Patienten interpretiert werden kann. Eine eventuelle Verschiebung zum Versagen mehrerer Organe wäre zu erwarten, wenn die Patienten eine entzündliche Zytokinreaktion zeigten, was die Forscher nicht fanden. Die gemeldeten Raten schwanken, aber Zytokinstürme gelten seit den ersten Tagen der Pandemie als gefährliche Möglichkeit bei schweren COVID-19-Fällen.

Bei etwa 35 Prozent der Patienten wurde während ihres Aufenthalts auf der Intensivstation eine Sekundärinfektion diagnostiziert, die auch als beatmungsassoziierte Pneumonie (VAP) bezeichnet wird. Mehr als 57 Prozent der COVID-19-Patienten entwickelten VAP, verglichen mit 25 Prozent der Nicht-COVID-Patienten. Bei fast 20 Prozent der COVID-19-Patienten wurden mehrere VAP-Episoden gemeldet.

Catherine Gao, Dozentin für Medizin an der Northwestern University und eine der Mitautorinnen der Studie, sagte, die von ihnen verwendeten maschinellen Lernalgorithmen hätten den Forschern geholfen, „klare Muster zu erkennen, die klinisch sinnvoll waren“. Das Team nannte seinen tagesfokussierten maschinellen Lernansatz CarpeDiem, nach dem lateinischen Ausdruck, der „den Tag nutzen“ bedeutet.

CarpeDiem wurde auf der Jupyter-Notebook-Plattform erstellt und das Team hat sowohl den Code als auch anonymisierte Daten zur Verfügung gestellt. Der Datensatz umfasste 44 verschiedene klinische Parameter für jeden Patiententag, und der Clustering-Ansatz ergab 14 Gruppen mit unterschiedlichen Signaturen von sechs Arten von Organfunktionsstörungen: respiratorische, Beatmungsinstabilität, entzündliche, renale, neurologische und Schockfunktion.

„Das Fachgebiet hat sich auf die Idee konzentriert, dass wir uns frühe Daten ansehen und sehen können, ob diese vorhersagen, wie es den [Patienten] Tage, Wochen oder Monate später ergehen wird“, sagte Singer. Die Hoffnung sei, sagte er, dass die Forschung, die den täglichen Status von Intensivpatienten und nicht nur einige Zeitpunkte nutzt, den Forschern – und den von ihnen verwendeten KI- und maschinellen Lernalgorithmen – mehr über die Wirksamkeit verschiedener Behandlungen oder Reaktionen auf Veränderungen bei einem Patienten sagen kann Zustand. Eine zukünftige Forschungsrichtung bestünde darin, die Dynamik von Krankheiten zu untersuchen, sagte Singer.

Die von den Forschern entwickelte Technik (die sie „Patiententag-Ansatz“ nannten) könnte andere Veränderungen im klinischen Zustand mit kürzerer Zeit zwischen Datenpunkten erfassen, sagte Sayon Dutta, ein Notarzt am Massachusetts General Hospital, der bei der Entwicklung von Vorhersagemodellen für die klinische Praxis hilft nutzte maschinelles Lernen und war nicht an der Studie beteiligt. Stündliche Daten könnten für einen Clustering-Ansatz eigene Probleme darstellen, sagte er, wodurch Muster schwer zu erkennen seien. „Ich denke, dass die Aufteilung des Tages in 8-Stunden-Blöcke stattdessen ein guter Kompromiss zwischen Granularität und Dimensionalität sein könnte“, sagte er.

Fordert die Einführung neuer Techniken zur Analyse der großen Mengen an Gesundheitsdaten auf der Intensivstation aus der Zeit vor der COVID-19-Pandemie. Maschinelles Lernen oder Computeransätze im weiteren Sinne könnten auf der Intensivstation auf vielfältige Weise eingesetzt werden, nicht nur in Beobachtungsstudien. Mögliche Anwendungen könnten tägliche Gesundheitsakten sowie von Gesundheitsgeräten aufgezeichnete Echtzeitdaten nutzen oder die Entwicklung reaktionsfähiger Maschinen beinhalten, die eine Reihe verfügbarer Informationen integrieren.

Die Gesamtsterblichkeitsrate lag sowohl bei den Patienten, die eine Sekundärinfektion entwickelten, als auch bei denen, bei denen keine Sekundärinfektion auftrat, bei etwa 40 Prozent. Aber von den Studienpatienten mit einem diagnostizierten Fall von VAP starben schließlich 76,5 Prozent oder wurden in ein Hospiz eingewiesen, wenn ihre sekundäre Lungenentzündung nicht innerhalb von 14 Tagen erfolgreich behandelt wurde. Bei denjenigen, deren sekundäre Lungenentzündung als geheilt galt, lag die Rate bei 17,6 Prozent. Beide Gruppen umfassten etwa 50 Patienten.

Singer betont, dass das Risiko einer sekundären Lungenentzündung typischerweise ein notwendiges Risiko sei. „Das Beatmungsgerät ist in diesen Fällen absolut lebensrettend. Es liegt an uns, herauszufinden, wie wir die daraus resultierenden Komplikationen am besten bewältigen können“, sagte er. „Man muss am Leben sein, um eine Komplikation zu erleben.“