Eine randomisierte kontrollierte Studie zu KI-basierter Analytik für klinische Verschlechterung

Warum es so schwer ist, Krankenhauspatienten sicher zu halten

Wenn Menschen ins Krankenhaus eingeliefert werden, bemühen sich Ärztinnen, Ärzte und Pflegekräfte, frühe Warnzeichen dafür zu erkennen, dass jemand deutlich schwerer erkranken könnte. Menschliche Augen können jedoch subtile Veränderungen von Herzfrequenz, Atmung oder Blutdruck übersehen, besonders auf vollen Stationen. Diese Studie stellte eine zentrale Frage: Kann ein künstliches Intelligenz (KI)-System, das im Hintergrund kontinuierlich die Vitaldaten der Patienten beobachtet, tatsächlich helfen, schwere Notfälle wie Herzstillstand, Atemversagen oder eilige Verlegungen auf die Intensivstation zu verhindern?

Eine neue Art „Wetterradar“ für Patienten

Das Forschungsteam prüfte ein System namens CoMET, das Datenströme von Bettenmonitoren, Laborergebnissen und von Pflegekräften erfassten Vitalzeichen in eine leicht verständliche visuelle Risikoübersicht verwandelt. Jeder Patient erscheint auf einem großen Bildschirm als helles Kometensymbol, dessen „Kopf“ das aktuelle Risiko und dessen „Schweif“ zeigt, wie sich dieses Risiko in den letzten drei Stunden verändert hat. Ein Score von 1 entspricht der durchschnittlichen Wahrscheinlichkeit eines schweren Ereignisses innerhalb des nächsten Tages; höhere Werte bedeuten höheres Risiko. Anders als laute Alarme zeigt dieses System die Informationen kontinuierlich an. Die Idee war, dass eine stille, stets sichtbare Risikoansicht dem Personal hilft, besorgniserregende Trends früh zu bemerken und Patienten zu überprüfen, bevor sie zusammenbrechen.

KI auf echten Krankenhausstationen getestet

Um zu prüfen, ob diese Anzeige tatsächlich einen Unterschied macht, führten die Forschenden eine große randomisierte kontrollierte Studie auf einer 85-Betten-Station für Kardiologie und Herzchirurgie an einem Universitätsklinikum durch. Über fast zwei Jahre wurden mehr als zehntausend Krankenhausaufenthalte eingeschlossen, in der COVID-19-Ära. Statt einzelne Patientinnen und Patienten zu randomisieren, randomisierten die Forschenden Cluster von Zimmern. In einigen Zimmergruppen war die CoMET-Anzeige eingeschaltet; andere erhielten die übliche Versorgung ohne Anzeige. Alle erhielten die standardmäßige medizinische Betreuung; der einzige Unterschied war, ob das Personal die Risikoverläufe auf großen Monitoren und in der elektronischen Akte sehen konnte. Es wurden keine spezifischen Handlungsvorgaben erzwungen – Kliniker wurden ermutigt, aber nicht verpflichtet, zu reagieren, wenn die Scores anstiegen.

Was mit den Patientenergebnissen geschah

Als Hauptmaß galt, wie viele Stunden innerhalb der ersten 21 Tage eines Krankenhausaufenthalts die Patienten ohne schwere Verschlechterung blieben – Ereignisse wie Tod, Notverlegung auf die Intensivstation, notfallmäßige Beatmung, Herzstillstand oder eilige Operation. Die meisten Patienten erlebten kein derartiges Ereignis und erhielten daher die Maximalpunktzahl von 21 ereignisfreien Tagen. Insgesamt erlebten etwa 5 % der Patienten ein schweres Ereignis. Die zugrundeliegenden Vorhersagemodelle des KI-Systems funktionierten gut und übertrafen sogar einen gebräuchlichen Early-Warning-Score; trotzdem fanden die Forschenden beim Vergleich der Anzeige-an- und Anzeige-aus-Gruppen keinen bedeutsamen Unterschied bei ereignisfreien Stunden oder Sterblichkeit. Unter der kleineren Gruppe von Patienten, die doch ein Ereignis hatten, zeigten diejenigen in der Anzeige-an-Gruppe tendenziell stabilere Stunden zuvor, aber dieses Muster war nicht stark genug, um statistisch überzeugend zu sein.

Wie menschliche Entscheidungen das Experiment verwischten

Eines der auffälligsten Ergebnisse hing weniger mit der Mathematik als mit menschlichem Verhalten zusammen. Während der Studie verlegten Kliniker häufig Patientinnen und Patienten zwischen Betten: Hunderte wurden von Üblichen-Versorgungs-Betten in Anzeige-an-Betten und umgekehrt verlegt. Ein genauerer Blick zeigte, dass kränkere Patienten eher in Räume mit KI-Anzeige verlegt wurden. Anders gesagt: Das Personal schien CoMET als hilfreich zu betrachten und versuchte, Patienten mit höherem Risiko den Vorteil zusätzlicher Überwachung zu geben, obwohl das Studiendesign Randomisierung anstrebte. Diese Bettwechsel mussten in der Analyse als Zensierungsereignisse behandelt werden und haben wahrscheinlich jede echte Wirkung des Systems verwässert. Die Studie fand zudem während der Belastungen durch die COVID-19-Pandemie statt, was die Ereignisraten senkte und zusätzliche Komplexität einbrachte.

Was das für die Zukunft der KI in Krankenhäusern bedeutet

Für Patientinnen, Patienten und Angehörige ist die Quintessenz sowohl vorsichtig als auch hoffnungsvoll. Diese gut konzipierte Real-World-Studie zeigte, dass das bloße Hinzufügen einer passiven KI-Risikoanzeige ohne Alarme oder strikte Reaktionsregeln die Ergebnisse wie Tod oder Notverlegungen auf diesen Stationen nicht klar verbesserte. Dennoch deutet die Tendenz der Kliniker, kränkere Patienten in mit KI ausgestattete Betten zu verlegen, darauf hin, dass sie die Informationen als wertvoll einschätzten. Die Autorinnen und Autoren schließen, dass künftige Studien zu Krankenhaus-KI-Werkzeugen über Genauigkeit und Stichprobengröße hinausgehen müssen: Sie sollten nachverfolgen, wie Kliniker Risiko-Scores interpretieren, wie Teams darüber kommunizieren und darauf reagieren und wie Bettzuweisungen, Arbeitslasten und seltene Ereignisse die Resultate prägen. KI kann weiterhin helfen, Probleme früh zu erkennen, aber um Patienten wirklich sicherer zu machen, müssen Entwickler und Forschende genauso bedacht menschliches Urteilsvermögen, Arbeitsabläufe und Krankenhauskultur einbeziehen.»

Zitation: Keim-Malpass, J., Ratcliffe, S.J., Clark, M.T. et al. A randomized controlled trial of artificial intelligence-based analytics for clinical deterioration. Sci Rep 16, 7345 (2026). https://doi.org/10.1038/s41598-026-39051-z

Schlüsselwörter: klinische Verschlechterung, prädiktives Monitoring, Krankenhaus-KI, Früherkennungssysteme, Kardiologie-Station