Atmungsphysiologie nach Rücklagerung nach Bauchlagerung zur Vorhersage der 28-Tage-Sterblichkeit bei mechanisch beatmeten Patienten: eine Machine-Learning-Analyse

Warum das Umdrehen von Patienten wichtig ist

Während der COVID-19-Krise legten Ärztinnen und Ärzte die schwersten Patienten an Beatmungsgeräten häufig auf den Bauch – eine Maßnahme, die als Bauchlagerung bezeichnet wird. Diese einfache Haltungsänderung kann verbessern, wie Luft und Blut durch geschädigte Lungen verteilt werden. Sie ist jedoch personell aufwändig und nicht ohne Risiken. Diese Studie stellt eine praktische Frage mit lebenswichtigen Konsequenzen: Können die Verhaltensweisen der Lungen, nachdem ein Patient wieder auf den Rücken gedreht wurde, Ärzten helfen vorherzusagen, wer im nächsten Monat überleben wird — und somit entscheiden, ob man die Maßnahme weiterführt oder auf andere Therapien umsteigt?

Wie Ärzte eine Lagerungssitzung derzeit beurteilen

Auf Intensivstationen wird der Erfolg, einen Patienten auf den Bauch zu legen, meist an einer einzigen Kennzahl gemessen, die widerspiegelt, wie gut Sauerstoff aus der Luft ins Blut gelangt. Steigt dieser Wert rasch an, gilt die Sitzung oft als erfolgreich; bleibt er aus, brechen einige Teams weitere Sitzungen ab. Diese Konzentration auf den Sauerstoff allein kann jedoch andere wichtige Hinweise auf Lungenbelastung oder versteckte Schäden übersehen. Die Autoren dieser Arbeit vermuteten, dass das, was einige Stunden nachdem der Patient wieder auf den Rücken gedreht wurde geschieht, mehr darüber verraten könnte, ob die Lungen tatsächlich genesen sind oder nur eine kurzzeitige Verbesserung zeigten.

Auswertung realer Intensivdaten

Um dies zu untersuchen, nutzten die Forscher eine große niederländische Datenbank von Erwachsenen mit schwerem COVID-19, die auf der Intensivstation mechanisch beatmet werden mussten. Sie wählten 522 Patienten aus, die eine klare Abfolge durchliefen: Rückenlage, dann Bauchlage, dann erneut Rückenlage, alles innerhalb der ersten Beatmungsperiode und mit der Bauchlage auf unter 24 Stunden begrenzt. Für jede Person sammelten sie Messwerte der Blutgase und der Steifigkeit bzw. Elastizität der Lunge in den vier Stunden vor dem Umlagern in die Bauchlage und in den vier Stunden nach dem Zurückdrehen. Dann verwendeten sie moderne Computermethoden, einschließlich eines Verfahrens namens Machine Learning, um zu prüfen, ob Muster in diesen Zahlen den Tod innerhalb von 28 Tagen nach Beginn der Beatmung vorhersagen können.

Was die Zahlen über die Lunge offenbarten

Beim Vergleich von Überlebenden und Nichtüberlebenden zeigten sich vor dem Umdrehen in die Bauchlage weitgehend ähnliche traditionelle Messwerte zwischen den Gruppen. Unterschiede traten erst nach dem Zurückdrehen in die Rückenlage zutage. Diejenigen, die innerhalb von 28 Tagen starben, benötigten tendenziell weiter höhere Sauerstoffeinstellungen am Beatmungsgerät, wiesen eine schlechtere Sauerstoffaufnahme vom Luft- ins Blut und Anzeichen dafür auf, dass ein größerer Anteil des Atemzugs nicht am Gasaustausch teilnahm — ein Hinweis auf erkrankte oder nicht rekrutierte Lungenregionen. Ihre Lungen wirkten auch steifer, sodass das Beatmungsgerät bei jedem Atemzug stärker arbeiten musste. Im Gegensatz dazu zeigten Überlebende häufiger anhaltende Verbesserungen der Sauerstoffaufnahme und ließen sich mit weniger zusätzlichem Sauerstoff unterstützen, was auf eine erfolgreichere Rekrutierung zuvor kollabierter Lungenbereiche hindeutet.

Computergestützte Suche nach Überlebensmustern

Da viele dieser Lungenmesswerte auf komplexe Weise miteinander verknüpft sind, nutzte das Team Machine-Learning-Modelle, um sie zu kombinieren. Zuerst reduzierten sie die Messungen auf die informativsten Merkmale und trainierten dann mehrere Modelltypen mit einem Teil der Patientengruppe und testeten sie am Rest. Kein Modell war perfekt, aber alle unterschieden Überlebende besser von Nichtüberlebenden als reiner Zufall. Ein Modell namens XGBoost zeigte insgesamt die beste Leistung, da es einen Ausgleich fand zwischen dem Erfassen der meisten Patienten, die sterben würden, und dem Vermeiden zu vieler Fehlalarme. Bestimmte Merkmale — insbesondere das Verhältnis von Sauerstoff im Blut zur verabreichten Sauerstoffmenge, der Anteil verschwendeter Belüftung ohne Gasaustausch, die Dehnbarkeit der Lunge und die verbleibende Sauerstoffzufuhr des Beatmungsgeräts — trugen am meisten zur Vorhersage bei.

Folgerungen für Entscheidungen am Krankenbett

Für Patienten und Angehörige ist die Kernbotschaft, dass das Verhalten der Lunge nach einer Umlagerung den Ärzten mehr über die wahrscheinliche Überlebenswahrscheinlichkeit verraten kann als der unmittelbare, oft bejubelte Sauerstoffanstieg, der während der Bauchlage beobachtet wird. Die Studie legt nahe, dass eine kurze Reihe routinemäßiger Messungen — einige Stunden nach dem Zurückdrehen — helfen kann, Patienten in höheres und niedrigeres Risiko einzuordnen, auch wenn die Vorhersage nicht perfekt ist. Während die Computermodelle größere und vielfältigere Datensätze benötigen, um wirklich verlässlich und einfach anwendbar zu werden, deuten sie auf eine Zukunft hin, in der Entscheidungen über das Fortführen der Bauchlagerung, den Einsatz anderer Rettungstherapien oder die Anpassung der Beatmungseinstellungen von einem reicheren Bild der Lungenfunktion geleitet werden statt von einer einzigen Sauerstoffkennzahl.

Zitation: Lijović, L., Dam, T.A., Baek, M.S. et al. Respiratory physiology after resupination following prone ventilation to predict 28-day mortality in mechanically ventilated patients: a machine learning analysis. Sci Rep 16, 8188 (2026). https://doi.org/10.1038/s41598-026-39336-3

Schlüsselwörter: akutes Atemnotsyndrom, Bauchlage, mechanische Beatmung, COVID-19-Intensivstation, Machine-Learning-Vorhersage