Latente Übergangsanalyse für Längsschnittstudien zu postakuten Infektionssyndromen

Warum Langzeitfolgen von Infektionen wichtig sind

Viele Menschen erholen sich scheinbar von einer Infektion, stellen jedoch Monate später fest, dass sie weiterhin nicht vollständig fit sind. Dieser Artikel geht diesem Rätsel nach — sowohl für die Post-COVID-Condition, oft Long COVID genannt, als auch für ähnliche Erkrankungen, die nach Infektionen andauern. Indem Tausende von Patientinnen und Patienten über zwei Jahre verfolgt und eine leistungsfähige Mustererkennung eingesetzt wurden, zeigen die Forschenden, wie sich unterschiedliche langfristige Gesundheitsverläufe herausbilden, wer am stärksten gefährdet ist, und wie Ärzte eines Tages den individuellen Erholungsweg vorhersagen könnten.

Patienten über die Zeit verfolgen

Die Studie konzentriert sich auf postakute Infektionssyndrome, bei denen Symptome lange nach der akuten Erkrankung anhalten. Ein zentrales Beispiel ist Long COVID, das weltweit mehr als 65 Millionen Menschen betreffen könnte. Um diese Zustände zu verstehen, nutzte das Team Daten aus dem ORCHESTRA-Projekt, einer großen europäischen Studie, die über 5000 Menschen mit bestätigter COVID-19-Infektion bis zu 24 Monate beobachtete. Zum Zeitpunkt der Infektion und erneut nach 6, 12, 18 und 24 Monaten berichteten die Teilnehmenden über neun häufige Symptome wie Müdigkeit, Atembeschwerden, Geruchs- oder Geschmacksverlust und Gedächtnisprobleme. Außerdem füllten sie Fragebögen zur Lebensqualität aus, die erfassten, wie gut sie tägliche Aktivitäten bewältigen konnten und wie sie sich physisch und psychisch fühlten.

Verborgene Gesundheitsmuster entdecken

Anstatt Patientinnen und Patienten vordefinierten Gruppen zuzuordnen, verwendeten die Autorinnen und Autoren eine Technik namens Latente Übergangsanalyse, eine Form der Hidden-State-Modellierung. Dieser Ansatz geht davon aus, dass jede Person bei jedem Besuch in einem nicht sichtbaren „Gesundheitszustand“ ist, der bestimmt, welche Symptome sie angibt und wie ihre Lebensqualität bewertet wird. Das Modell betrachtet alle Personen und Zeitpunkte gemeinsam, um herauszufinden, welche Zustände die Daten am besten erklären und wie Menschen im Lauf der Zeit zwischen ihnen wechseln. Wichtig ist, dass es verschiedene Messdatentypen (Ja/Nein-Symptome und numerische Scores), fehlende Besuchstermine und viele Patientenmerkmale wie Alter, Geschlecht und Behandlung verarbeiten kann, ohne starke a priori-Annahmen darüber zu treffen, wie Long COVID auszusehen hat.

Sieben unterschiedliche Langzeitverläufe

Das Modell, das die Daten am besten erklärte, identifizierte sieben Gesundheitszustände. Zwei traten nur während der akuten Infektion auf und spiegelten unterschiedliche Schweregrade der Erstkrankheit wider. Fünf weitere beschrieben längerfristige Verläufe. Am einen Ende stand ein Zustand „Gesund“, gekennzeichnet durch sehr geringe Wahrscheinlichkeiten für Symptome und eine überdurchschnittliche Lebensqualität. Am anderen Ende stand ein Zustand „Schwere Symptome“, in dem die meisten Symptome häufig vorkamen und das tägliche Leben deutlich beeinträchtigt war. Dazwischen lagen drei zentrale Long-COVID-Muster: ein respiratorischer Zustand mit mehr Atemproblemen und verringerter Ausdauer; ein Fatigue-Zustand, in dem Erschöpfung sehr verbreitet war und oft von weiteren Symptomen begleitet wurde; und ein sensorischer Zustand, geprägt von anhaltendem Verlust von Geruch und Geschmack bei relativ gut erhaltenem Stimmungslage und mentalem Wohlbefinden. Im Zeitverlauf wechselten mehr Menschen in den Gesund-Zustand, doch eine beträchtliche Minderheit verblieb auch nach zwei Jahren in einem der Long-COVID-Zustände.

Wer erholt sich und wer bleibt krank

Indem Alter, Geschlecht und andere Merkmale kompakt ins Modell eingespeist wurden, konnten die Forschenden sehen, wie diese Faktoren Personen eher in Richtung Erholung oder in Richtung anhaltender Krankheit lenken. Weibliches Geschlecht, mittleres bis höheres Alter, eine chronische Lungenerkrankung oder eine Kortikosteroidbehandlung während der akuten Phase waren mit einer höheren Wahrscheinlichkeit verbunden, in den Fatigue- oder respiratorischen Long-COVID-Zuständen zu verbleiben, und mit einer geringeren Wahrscheinlichkeit, in die vollständige Gesundheit zurückzukehren. Im Gegensatz dazu waren Infektionen aus späteren Pandemiewellen mit besseren langfristigen Ergebnissen assoziiert. Die Studie zeigte außerdem, dass, sobald eine Person in einen Long-COVID-Zustand eintritt — insbesondere in die respiratorischen oder Fatigue-Typen — sie dazu neigt, über die Besuche hinweg dort zu bleiben, mit relativ wenigen Sprüngen zwischen den verschiedenen anhaltenden Symptommustern.

Personalisierte Prognosen aus fortlaufenden Daten

Dasselbe Modellierungsframework lässt sich nicht nur zur Beschreibung einer Population nutzen, sondern auch, um Vorhersagen für Einzelne zu treffen. Ausgehend von den Eigenschaften eines Patienten und seinen frühesten Symptomen prognostiziert das Modell den wahrscheinlichsten zukünftigen Zustand und das zugehörige Symptommuster. Mit Eintreffen neuer Informationen bei späteren Besuchen werden diese Prognosen aktualisiert, ohne das gesamte Modell neu aufbauen zu müssen. In Tests erfassten diese Vorhersagen sowohl häufige Symptome als auch Lebensqualitätswerte recht gut und verbesserten sich, je mehr Verlaufsdaten hinzukamen. Das deutet darauf hin, dass ähnliche Werkzeuge eines Tages Klinikerinnen und Kliniker dabei unterstützen könnten, gefährdete Patientinnen und Patienten zu überwachen, die voraussichtliche Dauer der Erholung abzuschätzen und diejenigen zu identifizieren, die am meisten von gezielter Unterstützung oder neuen Behandlungen profitieren könnten.

Was das für Patientinnen, Patienten und künftige Ausbrüche bedeutet

Alltagssprachlich zeigt die Studie, dass langfristige Probleme nach COVID-19 keine einheitliche Erkrankung sind, sondern eine Reihe wiederkehrender Muster, die entdeckt, verfolgt und teilweise vorhergesagt werden können. Die meisten Menschen erholen sich schließlich, doch einige — insbesondere ältere Frauen und Personen mit vorbestehender Lungenerkrankung — haben ein höheres Risiko für anhaltende Erschöpfung oder Atemprobleme, die Jahre andauern können. Indem die Methode diese unsichtbaren Gesundheitszustände und die typischen Übergänge zwischen ihnen aufdeckt, bietet sie einen Weg, komplexe und unordentliche Patientenakten in klare, handlungsfähige Erkenntnisse zu verwandeln. Da der Ansatz nicht auf Vorwissen über eine Krankheit angewiesen ist, lässt er sich für künftige Ausbrüche und andere Infektionen wiederverwenden, die lange Nachwirkungen hinterlassen, und kann Gesundheitssysteme dabei unterstützen, vorzubereiten, zu überwachen und die Versorgung jener zu verbessern, die nicht schnell wieder vollständig genesen.

Zitation: Gusinow, R., Górska, A., Canziani, L.M. et al. Latent transition analysis for longitudinal studies of post-acute infection syndromes. Nat Commun 17, 2557 (2026). https://doi.org/10.1038/s41467-026-68650-7

Schlüsselwörter: Long COVID, postakute Infektionssyndrome, Patientenverläufe, Krankheitsphänotypen, längsschnittliche Kohorte