Maschinelles Lernen zur Analyse von s-EASIX zur Vorhersage der 30-Tage-Sterblichkeit bei Sepsispatienten aus MIMIC-IV

Warum das für Patienten mit schweren Infektionen wichtig ist

Sepsis, eine lebensbedrohliche Reaktion auf eine Infektion, tötet weltweit jedes Jahr Millionen von Menschen, oft bereits wenige Tage nach der Aufnahme auf die Intensivstation (ICU). Ärztinnen und Ärzte benötigen dringend bessere Werkzeuge, um frühzeitig zu erkennen, welche Patienten stillschweigend auf ein Organversagen zusteuern, selbst wenn Standardlaborwerte nur leicht verändert erscheinen. Diese Studie stellt einen einfachen, blutbasierten Index vor, der im Zeitverlauf verfolgt wird statt nur einmalig gemessen, und zeigt, dass deren Veränderungsmuster vorhersagen kann, wer am ehesten innerhalb von 30 Tagen verstirbt. Durch die Kombination moderner Datenwissenschaft mit routinemäßigen Laborergebnissen weist die Arbeit auf Möglichkeiten für frühere und stärker individualisierte Behandlungen bei Sepsis hin.

Ein einfacher Score aus alltäglichen Bluttests

Im Mittelpunkt der Forschung steht ein Maß namens vereinfachter Endothelaktivierungs- und Stressindex, kurz s-EASIX. Er wird mit nur zwei routinemäßigen Blutwerten berechnet: Lactatdehydrogenase (LDH), ein Hinweis auf Zellschädigung und metabolischen Stress, und Thrombozyten, die kleinen Zellfragmente, die die Blutgerinnung unterstützen. Zusammengenommen spiegeln diese Werte wider, wie stark die Innenauskleidung der Blutgefäße – das Endothel – während einer Sepsis geschädigt wird. Scheitert diese Schicht, bricht der Blutfluss in den kleinsten Gefäßen zusammen, Organe schwellen an oder bluten, und das Sterberisiko steigt deutlich. Anders als viele experimentelle Biomarker, die teure Labormethoden erfordern, lässt sich s-EASIX aus Tests berechnen, die Krankenhäuser für nahezu jeden Intensivpatienten ohnehin durchführen.

Den Verlauf des Scores im Zeitverlauf verfolgen

Anstatt nur zu fragen, wie hoch s-EASIX am Aufnahmetag auf die ICU ist, untersuchten die Autoren, wie sich der Wert im ersten Krankheitsmonat verändert. Mithilfe der umfangreichen öffentlichen MIMIC-IV-Datenbank mit Intensivdaten identifizierten sie 8.113 erwachsene Sepsispatienten, bei denen mindestens drei Messungen von LDH und Thrombozyten vorlagen. Mit einer statistischen Methode, die Patienten nach ähnlichen zeitlichen Mustern gruppiert, fanden sie fünf unterschiedliche s-EASIX‑„Trajektorien“: eine niedrig‑stabile Gruppe, eine mittel‑stabile Gruppe, eine hohe aber schnell fallende Gruppe, eine mittlere aber kontinuierlich ansteigende Gruppe und eine sehr hohe Gruppe, die nur langsam abnahm. Diese Muster spiegeln das andauernde Tauziehen zwischen Infektion, Entzündung, Gefäßschädigung und der Fähigkeit des Körpers zur Erholung wider.

Welche Muster gefährlich sind

Verknüpften die Forschenden diese fünf Muster mit dem Überleben, zeigten sich deutliche Unterschiede. Patienten, deren s-EASIX zunächst hoch war, dann aber in den folgenden Tagen schnell sank, hatten 30‑Tage-Sterblichkeitsraten, die denen von Patienten mit stets niedrigen oder moderaten Werten ähnelten. Im Gegensatz dazu erwiesen sich zwei Trajektorien als besonders ungünstig: ein mittleres Niveau, das kontinuierlich anstieg, und ein sehr hoher Wert, der nur geringfügig zurückging. Nach Adjustierung für Alter, Schwere der Erkrankung, Organersatzverfahren und viele weitere Faktoren wiesen diese beiden Gruppen ein etwa zwei- bis dreifach erhöhtes Risiko auf, innerhalb von 30 Tagen zu sterben, verglichen mit der niedrig‑stabilen Gruppe. Der Zusammenhang galt für Männer und Frauen, für Patienten mit und ohne mechanische Beatmung sowie unabhängig davon, ob gerinnungshemmende Medikamente eingesetzt wurden. Jüngere Erwachsene mit diesen „schlechten“ Trajektorien hatten ein besonders erhöhtes Risiko, was darauf hindeutet, dass eine kraftvolle, aber fehlgeleitete Immunantwort ihre Gefäße überfordern könnte.

Mashinen beibringen, riskante Muster zu erkennen

Um zu prüfen, ob Computer die s-EASIX‑Trajektorien zur Verbesserung der Vorhersage nutzen können, entwickelte das Team mehrere Modelle des maschinellen Lernens, die die Trajektorieklasse mit weiteren klinischen Daten kombinierten. Sie trainierten und evaluierten sechs verschiedene Ansätze und fanden, dass eine Methode namens LightGBM die beste Leistung erzielte. In der Validierungsgruppe der Patientinnen und Patienten unterschied dieses Modell Überlebende von Nicht‑Überlebenden mit hoher Genauigkeit und verlässlicher Kalibrierung, das heißt die geschätzten Wahrscheinlichkeiten stimmten gut mit den beobachteten Ergebnissen überein. Eine zusätzliche Methode, die SHAP-Analyse, wurde verwendet, um diese „Blackbox“ zu öffnen und aufzuzeigen, welche Eingaben die Entscheidungen des Modells am stärksten beeinflussten. Die s-EASIX‑Trajektorie tauchte dabei als eines der einflussreichsten Merkmale neben dem Alter und einem allgemeinen Organfunktionsscore auf und unterstrich so ihre zentrale Rolle bei der Beurteilung des Sepsisrisikos.

Was das für die Versorgung am Krankenbett bedeutet

Für Nicht‑Spezialisten lautet die Botschaft: Wie sich ein einfacher, blutbasierter Stressscore über die Zeit entwickelt, erzählt eine eindringlichere Geschichte als eine Einzelmessung. Ein dauerhaft hoher oder stetig ansteigender s-EASIX weist darauf hin, dass die Blutgefäße weiterhin angegriffen werden, die Mikrozirkulation zusammenbricht und Organe sich dem Versagen nähern – lange bevor dies in den routinemäßigen Vitalparametern erkennbar ist. Prinzipiell könnte das Verfolgen dieser Trajektorie ICU‑Teams helfen, Hochrisikopatienten früher zu identifizieren, Überwachung und Therapie besser zu individualisieren und gegebenenfalls Behandlungen anzupassen, die Gerinnung und Gefäßgesundheit beeinflussen. Obwohl die Studie retrospektiv ist, auf Daten eines einzelnen Kliniksystems basiert und noch externe Validierung benötigt, hebt sie ein vielversprechendes, leicht zugängliches Instrument hervor, mit dem rohe Laborwerte zu einem Frühwarnsystem für Sepsis werden können.

Zitation: Kong, Z., Liu, Y., Chen, H. et al. Machine learning analysis of s-EASIX for predicting 30-day mortality in sepsis patients from MIMIC-IV. Sci Rep 16, 8842 (2026). https://doi.org/10.1038/s41598-026-40400-1

Schlüsselwörter: Sepsis, endotheliale Dysfunktion, Risikovorhersage, maschinelles Lernen, Intensivmedizin