Multimodale KI‑basierte 28‑Tage‑Sterblichkeitsvorhersage von Pneumoniepatienten bei Entlassung aus der Notaufnahme: eine multizentrische Studie

Warum diese Studie für Alltagspatienten wichtig ist

Pneumonie gehört zu den tödlichsten Infektionen weltweit. In einer hektischen Notaufnahme müssen Ärztinnen und Ärzte jedoch oft innerhalb von Minuten entscheiden, ob ein Patient sicher nach Hause kann oder stationäre Intensivversorgung benötigt. Diese Studie untersucht, ob künstliche Intelligenz (KI) Röntgenbilder des Thorax mit routinemäßig erhobenen medizinischen Daten kombinieren kann, um genauer vorherzusagen, wer ein hohes Risiko hat, innerhalb von 28 Tagen zu versterben, und so Clinicians zu helfen, fragile Patienten nicht fälschlich nach Hause zu entlassen oder niedrig‑riskante Patienten unnötig aufzunehmen.

Wie die Pneumonieversorgung heute funktioniert

Kommt jemand mit Verdacht auf Pneumonie in die Notaufnahme, stützen sich Klinikteams auf Symptome, Vitalparameter, Blutwerte und ein Thoraxröntgen, um das Ausmaß der Erkrankung einzuschätzen. Seit Jahren werden einfache Punktwertsysteme wie CURB‑65 genutzt, die Faktoren wie Alter, Blutdruck und Verwirrtheit aufsummieren, um die Sterblichkeitswahrscheinlichkeit innerhalb eines Monats abzuschätzen. Diese Scores sind leicht zu berechnen, lassen aber viele heute routinemäßig erhobene Informationen außer Acht und nutzen nicht die Fülle an Details, die in Thoraxröntgenbildern verborgen sind. Daher können einige Patienten, die später verschlechtern, initial auf dem Papier als „geringes Risiko“ erscheinen.

Bilder und Daten zusammenführen

Jüngste Fortschritte im Deep Learning erlauben es Computern, Thoraxröntgen zu lesen und Befunde wie Flüssigkeit in der Lunge oder verdächtige Herde zu quantifizieren. Die Forschenden dieser Studie fragten, ob das Einspeisen solcher computergenerierter Bildbefunde in ein anspruchsvolleres Vorhersagemodell zusammen mit normalen Notfalldaten kurzfristige Risikoabschätzungen verbessern kann. Sie nutzten Datensätze von fast 2.900 Notfallvorstellungen wegen Pneumonie an einem großen Krankenhaus in Südkorea sowie die umfangreiche MIMIC‑IV‑Datenbank in den USA. Für jeden Fall sammelten sie drei Hauptinformationstypen: die traditionellen CURB‑65‑Elemente, die numerische Interpretation des Thoraxröntgens durch die KI und automatisch erfasste klinische Daten wie Vitalparameter, Sauerstoffbedarf und routinemäßige Laborwerte, die vor Verlassen der Notaufnahme erhoben wurden.

Aufbau und Test des KI‑Modells

Das Team verglich mehrere Ansätze, darunter ein konventionelles statistisches Modell und moderne Machine‑Learning‑Methoden, die für Zeit‑bis‑Ereignis‑Ausgänge ausgelegt sind. Ihr stärkster Ansatz, ein Random Survival Forest, wurde darauf trainiert, komplexe Muster zu erkennen, die die kombinierten Daten mit der Sterbewahrscheinlichkeit innerhalb von 28 Tagen verknüpfen. Sie erstellten Varianten dieses Modells mit unterschiedlichen Eingabesätzen: nur der traditionelle Score, nur Bildbefunde, nur klinische Variablen, Mischungen aus Score plus klinischen Daten und schließlich ein „All‑Features“‑Modell, das alles enthielt. Die Leistung wurde hauptsächlich danach beurteilt, wie gut jedes Modell Patienten vom niedrigsten bis zum höchsten Risiko korrekt einordnen konnte, gemessen am Konkordanzindex.

Was das Modell über Risiko gelernt hat

Das Modell, das alle verfügbaren Informationen nutzte — Komponenten des traditionellen Scores, KI‑interpretierte Thoraxröntgenbefunde und detaillierte klinische Daten — schnitt am besten ab. Es ordnete Patienten deutlich häufiger korrekt nach Risiko ein als der CURB‑65‑Score allein. Selbst im Vergleich zu einem Modell, das reiche klinische Daten, aber keine Bildinformationen nutzte, brachte die Ergänzung durch die Thoraxröntgen‑Ausgabe einen messbaren Gewinn. Alter und Triage‑Schweregrad erwiesen sich als die stärksten Prädiktoren, was mit klinischer Erfahrung übereinstimmt, dass ältere und schwerere Patienten schlechtere Prognosen haben. Doch auch Bildmerkmale wie die Wahrscheinlichkeit von Flüssigkeit um die Lunge und kleine Knoten gehörten zu den einflussreichsten Faktoren, was zeigt, dass die KI aus Röntgenbildern nützliche Signale gewinnt, die Standard‑Scores nicht erfassen. Als die Forschenden Patienten in „hoch“ und „niedrig“es Risiko gruppierten, identifizierte ihr Vollmodell nahezu alle Patienten, die innerhalb von 28 Tagen verstarben, während die Zahl der Fehlalarme ähnlich blieb wie beim traditionellen Score.

Für reale Krankenhausabläufe konzipiert

Wichtig ist, dass das System so aufgebaut wurde, dass es mit Informationen arbeitet, die Krankenhäuser bereits automatisch erfassen. Es nutzte demografische Daten, Vitalwerte, die Art der Sauerstoffunterstützung und Laborwerte aus der elektronischen Patientenakte sowie die Ausgabe eines Thoraxröntgen‑KI‑Tools, das bereits routinemäßig eingesetzt wurde. Die Forschenden schlossen bewusst Elemente aus, die zusätzliche menschliche Beurteilung oder manuelle Dateneingabe erfordern, wie etwa die klinische Einschätzung von Verwirrtheit am Bett, um die Arbeitsbelastung des Personals nicht zu erhöhen. Sie verwendeten außerdem Erklärmethoden, um zu prüfen, ob das Modellverhalten klinisch plausibel war, und verfeinerten iterativ die Auswahl der Variablen basierend auf mathematischer Relevanz und Expertenbewertung. Diese Mischung aus maschinellem Erkenntnisgewinn und menschlicher Aufsicht soll Vertrauen schaffen und die Einführung am Patientenbett erleichtern.

Was das für Patienten und Krankenhäuser bedeuten könnte

Die Studie legt nahe, dass ein KI‑Modell, das Thoraxröntgeninterpretationen mit routinemäßigen Notfalldaten verbindet, Pneumoniepatienten mit hohem Sterberisiko innerhalb eines Monats genauer identifizieren kann als langjährig verwendete Scores. In der Praxis könnte ein solches System Notfallteams dabei unterstützen, knappe Krankenhausbetten jenen zuzuteilen, die sie am dringendsten benötigen, rechtzeitige Behandlungen für gefährdete Patienten sicherzustellen, die sonst möglicherweise entlassen würden, und zugleich Aufnahmen für wirklich niedrig‑riskante Patienten sicher zu reduzieren. Obwohl die Methode noch breitere Tests in anderen Kliniken und mit unterschiedlichen Bildsoftwarelösungen benötigt, weist sie in Richtung einer Zukunft, in der im Hintergrund laufende Algorithmen Kliniker unterstützen — nicht ersetzen — indem sie alltägliche Daten in präzisere, individuellere Risikoabschätzungen verwandeln.

Zitation: Hwang, S., Heo, S., Hong, S. et al. Multimodal AI-based 28-day mortality prediction of pneumonia patients at ED discharge: a multicenter study. Sci Rep 16, 11761 (2026). https://doi.org/10.1038/s41598-026-42378-2

Schlüsselwörter: Pneumonie, Notaufnahme, künstliche Intelligenz, Thoraxröntgen, Risikovorhersage