Ein Bayes’sches Netzwerk zur Identifizierung von Ursachen für Atemnot anhand einer nationalen elektronischen Krankenakte (EMR)-Datenbank

Warum es wichtig ist, die Ursache von Atemnot zu finden

Atemnot kann beängstigend sein, egal ob sie plötzlich auftritt oder sich über Monate hinweg einschleicht. Sie ist oft das erste Anzeichen dafür, dass mit Herz oder Lunge etwas nicht in Ordnung ist, doch Hausärzte im Alltag sehen sich einer langen Liste möglicher Ursachen gegenüber und haben nur begrenzte Zeit und Untersuchungsmöglichkeiten. Diese Studie beschreibt ein neues computerbasiertes Werkzeug, das Muster in Millionen anonymisierter Medikations- und Krankheitsdaten nutzt, um Hausärzten dabei zu helfen, schnell die wahrscheinlichsten Gründe für die Atemnot eines Patienten einzugrenzen, mit dem Ziel, die Diagnosestellung zu beschleunigen und unnötige Tests zu vermeiden.

Ein häufiges Symptom mit vielen möglichen Ursachen

Atemnot, manchmal auch Kurzatmigkeit oder Dyspnoe genannt, ist eine sehr häufige Beschwerde mit ernsten Folgen. Menschen, die sich atemlos fühlen, haben häufig eine schlechtere Lebensqualität, mehr Angstzustände und Depressionen sowie ein erhöhtes Risiko für Krankenhausaufenthalte und vorzeitigen Tod. Sie steht insbesondere im Zusammenhang mit chronischen Lungenerkrankungen wie Asthma und chronisch obstruktiver Lungenerkrankung (COPD) sowie mit Herzerkrankungen wie Herzinsuffizienz, kann aber auch durch Infektionen, Blutgerinnsel oder sogar Krebs verursacht werden. Da so viele Krankheiten dieses eine Symptom teilen, müssen Hausärzte oft mehrere Tests anordnen und Patienten an unterschiedliche Fachärzte überweisen, was die richtige Behandlung verzögern und die Gesundheitskosten in die Höhe treiben kann.

Routineaufzeichnungen als Lernwerkzeug nutzen

Die Forschenden griffen auf eine große britische Datenbank mit elektronischen Krankenakten aus 50 Hausarztpraxen zurück, die rund 136.000 Erwachsene erfasste, die zwischen 2002 und 2024 wegen Atemnot einen Hausarzt aufsuchten. Aus diesen Aufzeichnungen identifizierten sie fast 385.000 einzelne „Episoden“ von Atemnot und verknüpften diese, sofern möglich, mit zehn Schlüssel-Diagnosen, die bekanntermaßen Atemnot verursachen können, darunter Asthma, COPD, Herzinsuffizienz, Lungenkrebs, Pneumonie und Lungenembolien. Um das fair zu tun, definierten sie Zeitfenster um jede Episode: Bei einem schnell verlaufenden Problem wie einer Pneumonie betrachteten sie nur wenige Wochen vor und nach dem Arztbesuch, während sie bei langsameren Erkrankungen wie Lungenkrebs viele Monate um die Episode herum betrachteten. Außerdem extrahierten sie 34 einfache Informationen zu jedem Patienten — etwa Alter, Geschlecht, Rauchstatus, Symptome wie Husten oder Giemen, aktuelle Medikamente und frühere Diagnosen.

Wie das intelligente Netzwerk arbeitet

Mithilfe dieser Informationen bauten die Forschenden eine Art statistisches Modell, ein Bayes’sches Netzwerk, auf. Man kann es sich vorstellen wie ein Netz aus verbundenen Punkten, wobei jeder Punkt etwas über den Patienten repräsentiert (zum Beispiel „aktiver Raucher“ oder „Vorgeschichte mit COPD“) oder eine der zehn möglichen Ursachen der Atemnot. Die Verbindungen zwischen den Punkten zeigen, wie stark die Zusammenhänge sind. Wenn ein Hausarzt Angaben zu einem Patienten eingibt, aktualisiert das Netzwerk die Wahrscheinlichkeiten für jede Diagnose auf Basis der Muster, die aus allen vorherigen Patienten in der Datenbank gelernt wurden. Die Struktur des Netzwerks wurde zunächst aus den Daten gelernt und anschließend mit Fachleuten für Lunge und Herz verfeinert, um sicherzustellen, dass sie klinisch sinnvoll ist und nicht auf unmöglichen Ursache‑Wirkungs‑Beziehungen beruht.

Wie gut das Werkzeug funktioniert

Um das Modell zu testen, hielten die Forschenden 30 % der Atemnot‑Episoden zurück, die während der Entwicklung nicht verwendet wurden. In dieser separaten Gruppe reichte die Fähigkeit des Werkzeugs, zwischen Patientinnen und Patienten mit und ohne jede einzelne Erkrankung zu unterscheiden, von mäßig bis exzellent. Beispielsweise lag die Leistungskennzahl (bekannt als ROC‑AUC) bei 0,94 für Herzinsuffizienz und 0,90 für Asthma, was bedeutet, dass es sehr selten Patienten mit und ohne diese Erkrankungen verwechselte. Selbst bei schwieriger zu erkennenden Diagnosen wie nicht‑pneumonischen Brustkorb‑Infektionen war die Leistung besser als Zufall. Zusätzliche Prüfungen zeigten, dass die vom Modell ausgegebenen Wahrscheinlichkeiten nahe an dem lagen, was tatsächlich in den Daten beobachtet wurde. Wenig überraschend war die vorherige Krankengeschichte einer Person häufig der stärkste Hinweis darauf, dass eine neue Episode von derselben Erkrankung verursacht wurde.

Was das für Patienten und Ärztinnen bedeuten könnte

Die Autorinnen und Autoren haben dieses Netzwerk bereits in ein klinisches Entscheidungsunterstützungssystem integriert, das in die Software von Hausarztpraxen eingebunden werden kann, und testen es in einer Studie in australischen Praxen. Wenn es weiterhin gut funktioniert, könnte das Werkzeug Ärztinnen und Ärzten helfen, schnell zu erkennen, welche Diagnosen bei einer Person mit Atemnot am wahrscheinlichsten beziehungsweise am unwahrscheinlichsten sind, und sie so zu den aussagekräftigsten Tests führen. Dies ersetzt nicht das Urteil des Arztes und kann nicht jede mögliche Ursache abdecken, aber es kann eine evidenzbasierte „zweite Meinung“ liefern, die aus Hunderttausenden ähnlicher Fälle abgeleitet ist. Praktisch gesagt legt die Studie nahe, dass sorgfältig analysierte elektronische Aufzeichnungen zu einer Art leiser Hintergrundberatung werden können — einer, die hilft, die Zeitspanne vom ersten beängstigenden Gefühl der Atemnot bis zur klaren Diagnose und der passenden Behandlung zu verkürzen.

Zitation: Kabir, A., Devaux, A., Jenkins, C. et al. A Bayesian network for identifying causes of breathlessness using a national electronic medical records (EMR) database. Sci Rep 16, 4900 (2026). https://doi.org/10.1038/s41598-026-35250-w

Schlüsselwörter: Atemnot, Primärversorgung, Bayes’sches Netzwerk, elektronische Krankenakten, diagnostische Entscheidungsunterstützung