Maschinelle Lernmodelle, gestützt auf Daten des Rettungsdiensts, verbessern die Schlaganfall-Triage im prähospitalen Bereich

Warum schnellere Entscheidungen bei Schlaganfall wichtig sind

Jede Minute zählt, wenn jemand einen Schlaganfall erleidet. Gehirnzellen sterben schnell, und die Wahrscheinlichkeit, wieder laufen, sprechen und unabhängig leben zu können, sinkt mit jeder Verzögerung. Viele Schlaganfälle werden jedoch nicht zuerst von Ärztinnen und Ärzten, sondern von Rettungsfachkräften im Krankenwagen entdeckt. Diese Studie untersucht, ob Computersysteme, die aus früheren Fällen lernen, dem Rettungsdienst helfen können, Schlaganfälle früher zu erkennen und Patienten schneller zum richtigen Krankenhaus zu bringen – womöglich Gehirngewebe und die langfristige Lebensqualität zu retten.

Was vor dem Krankenhaus passiert

Die Reise eines Schlaganfallpatienten beginnt meist mit einem Notruf. Disponentinnen und Disponenten entscheiden, welche Hilfe geschickt wird, und Rettungsteams untersuchen die Patientinnen und Patienten dann zu Hause oder im Einsatz. Sie erfassen Basisdaten wie Alter und Gewicht sowie Vitalwerte wie Herzfrequenz, Blutdruck, Atemfrequenz, Sauerstoffsättigung und Bewusstseinsniveau. Diese Werte liegen oft vor, bevor das Krankenhaus die Patientinnen und Patienten sieht. Die Forschenden stellten eine einfache Frage: Sind diese frühen Messungen zuverlässig und vollständig genug, damit ein Computer sie in Echtzeit nutzen kann, um mögliche Schlaganfälle zu markieren?

Wie die Studie durchgeführt wurde

Das Team wertete rückblickend 8.221 Rettungsfahrten mit 4.333 Erwachsenen aus, die zwischen 2015 und 2020 in ein großes Krankenhaus in der Nähe von Chicago gebracht wurden. Nur etwa 2 Prozent dieser Einsätze erwiesen sich als bestätigte Schlaganfälle, und fast zwei Drittel davon waren schwerwiegend – Patientinnen und Patienten, die auf der Intensivstation landeten oder beatmet werden mussten. Die Forschenden verglichen, was der Rettungsdienst vor Ort aufzeichnete, mit den Messungen des Krankenhauses kurz nach der Ankunft. Herzfrequenz, Blutdruck, Blutzucker, Sauerstoffwerte und ein einfacher Bewusstseinswert lagen für die meisten Patientinnen und Patienten vor und stimmten im Allgemeinen mit den Krankenhauswerten überein, was zeigt, dass die Daten aus dem Krankenwagen den Zustand der Patientinnen und Patienten gut widerspiegelten.

Computern beibringen, Gefahr zu erkennen

Mit diesen prähospitalen Messwerten sowie grundlegenden Details zum Notruf und zum Einsatzort trainierten die Forschenden mehrere Typen von maschinellen Lernmodellen für zwei Aufgaben: Schlaganfälle von Nicht-Schlaganfällen zu unterscheiden und schwere Schlaganfälle von allen anderen Fällen abzugrenzen. Sie testeten drei gängige Ansätze – Random Forests, XGBoost und ein einfaches neuronales Netzwerk – an getrennten Datensätzen, damit die Modelle fair bewertet werden konnten. Da Schlaganfälle selten waren, wurden die Modelle so angepasst, dass sie den wenigen Schlagfall-Fällen stärkeres Gewicht geben, und sorgfältig kalibriert, sodass ihre Risikowerte möglichst gut mit realen Wahrscheinlichkeiten übereinstimmen.

Wie gut die Werkzeuge funktionierten

Über die gesamte Gruppe der Rettungsfahrten erzielte ein XGBoost-Modell die beste Leistung bei der Erkennung beliebiger Schlaganfälle, während ein Random-Forest-Modell am besten darin war, schwere Schlaganfälle zu kennzeichnen. Diese Werkzeuge waren gut darin, Patientinnen und Patienten nach Wahrscheinlichkeit eines Schlaganfalls zu ordnen, und bei einer vernünftigen Schwellenwahl erfassten sie mehr Schlaganfälle als die derzeitigen Screening-Methoden des Rettungsdiensts, ohne die meisten Fehlalarme zu verursachen. Beispielsweise identifizierte das Schlaganfallmodell an einem Betriebs-punkt etwa zwei Drittel der Schlaganfälle korrekt und schloss fast neun von zehn Nicht-Schlagfall-Fällen korrekt aus. Die einflussreichsten Hinweise waren vertraute klinische Zeichen: höherer Blutdruck, Bewusstseinsänderungen, abnormer Puls, höheres Alter und Notruf-Codes, die auf schlaganfallähnliche Probleme wie plötzliche Schwäche oder Sprechstörungen hindeuteten.

Was das für Patientinnen und Patienten bedeuten könnte

Weil Schlaganfälle unter allen RettungsfalIen selten sind, wird selbst ein gut funktionierendes Modell einige Fehlalarme erzeugen. In der Praxis bedeutet das, dass eine Reihe von Patientinnen und Patienten als «möglicher Schlaganfall» markiert werden, die sich später als keine Schlaganfälle herausstellen. Die Autorinnen und Autoren argumentieren, dass dieses Abwägen bei einem zeitkritischen Notfall gerechtfertigt sein kann, sofern die Alarmmeldung eher zu einer schnelleren Bewertung führt als die menschliche Beurteilung zu ersetzen. Ihre Ergebnisse deuten darauf hin, dass Werkzeuge des maschinellen Lernens als zusätzliches Augenpaar für die bereits vom Rettungsdienst gesammelten Daten dienen könnten und Rettungskräfte sowie Krankenhäuser auf höher-risiko Patienten hinweisen, die sonst übersehen werden könnten.

Wohin die Arbeit führt

Einfach gesagt zeigt die Studie, dass die im Krankenwagen erfassten Zahlen intelligente Computersysteme antreiben können, die helfen zu entscheiden, wer möglicherweise einen Schlaganfall hat und wie dringend er fortgeschrittene Versorgung benötigt. Diese Systeme sollen nicht eigenständig diagnostizieren, sondern Rettungsfachkräfte und Notfallärztinnen und -ärzte bei schnellen Entscheidungen unterstützen, wohin Patientinnen und Patienten gebracht werden sollten und wie schnell Schlaganfall-Teams mobilisiert werden müssen. Mit besserem Datenaustausch, vollständigerer Dokumentation und Tests in verschiedenen Regionen könnten solche Werkzeuge dazu beitragen, dass mehr Menschen schneller ins richtige Krankenhaus gelangen und einen Schlaganfall mit weniger dauerhaften Schäden überstehen.

Zitation: Saban, M., Hiura, G., de la Peña, P. et al. Machine learning models powered by emergency medical services data enhance stroke triage in prehospital settings. Sci Rep 16, 7139 (2026). https://doi.org/10.1038/s41598-026-37069-x

Schlüsselwörter: Schlaganfall-Triage, Rettungsdienst, maschinelles Lernen, prähospitale Versorgung, künstliche Intelligenz in der Medizin