Infektionen mit Clostridiodes difficile: Algorithmen Maschinellen Lernens können Auftreten bei Krankenhauspatienten mit hoher Genauigkeit vorhersagen

Neue veröffentlichte Daten deuten darauf hin, dass mehrere häufig verwendete Algorithmen für maschinelles Lernen (MLAs) effektiv vorhersagen können, welche Krankenhauspatientinnen und -patienten sich mit Clostridiodes difficile infizieren werden.

Die Ergebnisse, die im „American Journal of Infection Control“ erschienen sind, könnten die Infektionsprävention und Früherkennung sowie die zeitnahe Umsetzung von Maßnahmen zur Infektionskontrolle unterstützen, um so die Verbreitung von C. difficile zu minimieren.

„Unsere Studienergebnisse deuten darauf hin, dass MLAs eine bedeutende Rolle bei der Reduzierung der klinischen und wirtschaftlichen Auswirkungen von therapieassoziierten Infektionen mit Erregern wie C. difficile spielen könnten, indem sie frühzeitige Vorhersagen über Risikopatientinnen und -patienten liefern, bevor diese ernsthafte Komplikationen entwickeln“, berichtet Jana Hoffman, von Dascena, Inc in Houston (USA). Das Unternehmen entwickelt MLAs für die Medizin. „Diese Daten stimmen mit einer wachsenden Zahl von Beweisen überein, die künstliche Intelligenz und MLAs als integrale Bestandteile des Gesundheitsmanagements validieren, die die Patienten-Outcomes verbessern und Ärztinnen und Ärzte mit Zeitmangel dabei helfen können, die beste Patientenversorgung bereitzustellen.“

Eine C. difficile-Infektion (CDI) stellt die Hauptursache für im Krankenhaus erworbene Diarrhoe dar und ist mit erheblicher Morbidität, Mortalität und Gesundheitskosten verbunden. Derzeit gibt es kein Goldstandard-Tool, um das Risiko des Erwerbs einer CDI bei einzelnen Personen einzuschätzen. Hoffman und ihre Kollegen hatten bereits zuvor Daten veröffentlicht, die zeigen, dass MLAs bereits im Vorfeld Patientinnen und Patienten erkennen können, bei denen das Risiko besteht, andere schwerwiegende, mit der Gesundheitsversorgung in Zusammenhang stehende Infektionen (HAIs) zu entwickeln.

Für die aktuelle Studie nutzten die Forschenden eine Datenbank mit elektronischen Patientenakten (EHR) von mehr als 700 Krankenhäusern bundesweit, um drei verschiedene, klassische Machine-Learning- und Deep-Learning-Methoden zu trainieren und anschließend systematisch zu evaluieren. Sie bewerteten zunächst verschiedene Modelle jeder dieser Methoden, um festzustellen, ob sie eine CDI bei Krankenhauspatientinnen und -patienten unter Verwendung früh erhobener stationärer Daten effektiv vorhersagen können. Anschließend verwendeten die Wissenschaftlerinnen und Wissenschaftler einen separaten, externen Datensatz, um die Generalisierbarkeit der leistungsstärksten MLA-Modelle zu bewerten.

Die Ergebnisse deuten den Forschenden zufolge darauf hin, dass MLAs eine CDI mit ausgezeichneter Diskriminierung vorhersagen können, indem nur die ersten sechs Stunden stationärer Daten verwendet werden. Unter den drei untersuchten Methoden lieferte eine maschinelle Lernmethode namens XGBoost die höchste Gesamtgenauigkeit bei der Vorhersage von CDI, obwohl es das am wenigsten komplexe Modell war. XGBoost demonstrierte auch die Verallgemeinerbarkeit, indem es seine Vorhersageleistung in einem externen Datensatz beibehielt. Die anderen beiden von den Forschern evaluierten Methoden, neuronale Netze, bekannt als Deep Long Short Term Memory (D-LSTM) und eindimensionales Convolutional Neural Network (1D-CNN), zeigten ebenfalls ein hohes Maß an Vorhersagegenauigkeit, waren jedoch weniger verallgemeinerbar.

Die leistungsstärksten XGBoost-, D-LSTM- und 1D-CNN-Modelle verwendeten ähnliche Merkmale zur Vorhersage von CDI bei Patienten, die alle zuvor als Risikofaktoren identifiziert wurden. In dieser Studie war das Alter der führende CDI-Risikofaktor, gefolgt von klinischen Messwerten wie Natrium, Body-Mass-Index, Anzahl der weißen Blutkörperchen und Herzfrequenz sowie eine aktive Behandlung mit Antibiotika oder Protonenpumpenhemmern. Auch glykiertes Hämoglobin und die ethnische Zugehörigkeit beziehungsweise Abstammung stellten Risikofaktoren dar.

„Diese Studie unterstützt frühere Forschungsergebnisse, die darauf hindeuten, dass MLAs eine zuverlässige Vorhersage des Infektionsrisikos liefern, die klinische Teams in die Lage versetzen können, geeignete Maßnahmen zur Infektionskontrolle zu früheren Zeitpunkten umzusetzen und dadurch die Ergebnisse der Gesundheitsversorgung zu verbessern“, sagt Linda Dickey, aktuelle Präsidentin der Association for Professionals in Infection Control and Epidemiology.