Quanten-gestütztes maschinelles Lernen zur Vorhersage von Anastomoseninsuffizienz: eine klinische Studie

Warum diese Studie für Patienten und Ärztinnen wichtig ist

Eine Anastomoseninsuffizienz ist eine gefährliche Komplikation, die auftreten kann, nachdem Chirurgen den Darm eines Patienten wieder verbunden haben; sie kann zu Infektionen, weiteren Operationen oder sogar zum Tod führen. Diese Studie stellt eine aktuelle Frage: Können neue, von Quantencomputern inspirierte Werkzeuge Ärztinnen und Ärzten helfen, gefährdete Patienten besser zu erkennen als die heute üblichen statistischen und maschinellen Lernverfahren, und das mit denselben kleinen, aber sorgfältig erhobenen Krankenhausdaten?

Ein ernstes chirurgisches Problem verstehen

Wenn ein Darmabschnitt entfernt wird, verbinden Chirurgen die verbleibenden Enden in einer sogenannten Anastomose. Gelingt diese Verbindung nicht, können Darminhalte in die Bauchhöhle austreten, Entzündungen, Sepsis und einen langen, riskanten Heilungsverlauf verursachen. Im untersuchten Krankenhaus traten Leckagen bei etwa 14 Prozent der Patienten auf und standen in Zusammenhang mit bis zu 40 Prozent der operationsbedingten Todesfälle; selbst kleine Verbesserungen in der Vorhersage könnten also Leben retten. Frühere Untersuchungen haben Risikofaktoren wie Diabetes und Rauchen hervorgehoben und gezeigt, dass bestimmte chirurgische Techniken und Überwachungsinstrumente das Leckagerisiko senken können.

Was die Forschenden bei echten Patienten gemessen haben

Das Team analysierte die Akten von 200 Patienten, die zwischen 2015 und 2016 kolorektale Chirurgie erhielten; 28 davon entwickelten eine Leckage. Ausgangspunkt waren 76 Informationen pro Patient zu OP-Entscheidungen und Krankengeschichte. Durch detaillierte statistische Tests und Rücksprache mit Chirurgen reduzierten sie diese Menge auf eine kleinere Auswahl klinisch relevanter Faktoren. Vier Faktoren hoben sich hervor: ob ein weicher Rektalschlauch (NoCoil) zur Druckentlastung verwendet wurde, ob eine wichtige den Darm versorgende Arterie (ACSP) erhalten blieb, sowie Vorliegen von Diabetes (DM) und Raucherstatus. Mit diesen Faktoren bauten sie sowohl traditionelle prädiktive Modelle als auch Quanten-Neuronale-Netzwerke auf dem unveränderten, natürlich unausgeglichenen Datensatz auf, um reale Krankenhausbedingungen nachzuahmen.

Wie die quanteninspirierten Modelle konstruiert und getestet wurden

Quanten-Neuronale-Netzwerke sind Modelle des maschinellen Lernens, die statt rein klassischer Algorithmen auf Quanten-Schaltkreisen basieren. In dieser Arbeit wurden sie auf einem konventionellen Rechner simuliert, aber mit realistischen Quanten-Hardware-Rauscheffekten versehen, wie zufälligen Gatterfehlern und begrenzter Messpräzision. Patienteninformationen wurden zunächst in Quantenzustände kodiert und dann durch trainierbare Schichten geleitet, die einen kleinen Quanten-Schaltkreis nachahmen. Die Forschenden testeten zwei Hauptschaltkreisdesigns und kombinierten diese mit verschiedenen Optimierungsstrategien, teils gradientenbasiert, teils mit evolutionären Suchverfahren, um zu prüfen, welche Kombinationen unter verrauschten Bedingungen am besten aus den Daten lernen.

Vergleich von Quanten- und klassischen Vorhersagen

Der zentrale Vergleich erfolgte bei einer Sensitivität von 83 Prozent, einem Niveau, das eine klinische Priorität widerspiegelt: Vermeidung des Übersehens von Patienten, die eine Leckage entwickeln, selbst wenn dies mehr Fehlalarme bedeutet. Bei festgelegter Sensitivität erreichten einige Quanten-Neuronale-Netzwerk-Kombinationen, insbesondere mit dem EfficientSU2-Schaltkreis und dem BFGS-Optimizer oder dem RealAmplitudes-Schaltkreis mit CMA-ES, Spezifitäten von bis zu 66 Prozent und negative prädiktive Werte bis zu 96 Prozent. Klassische Modelle, einschließlich logistischer Regression und eines abgestimmten Multilayer-Perzeptrons, kamen bei gleicher Sensitivität auf etwa 44 Prozent Spezifität und 94 Prozent negativen prädiktiven Wert. Das bedeutet: Die quantenbasierten Modelle erzeugten weniger falsch positive Ergebnisse, fingen aber denselben Anteil realer Leckagen ein.

Stärken, Grenzen und die nächsten Schritte

Während Quanten-Neuronale-Netzwerke besser darin waren, eine klare Trennung zwischen Hoch- und Niedrigrisiko-Patienten zu ziehen, waren die klassischen Modelle besser in der Wahrscheinlichkeitskalibrierung: Ihre vorhergesagten Risikoprozentwerte entsprachen den beobachteten Ergebnissen genauer. Das macht klassische Ansätze geeigneter für fein abgestufte Risikoabschätzungen, etwa bei der Abwägung verschiedener Behandlungspläne. Die Studie ist außerdem durch ihre moderate Stichprobengröße und Daten aus einem einzigen Zentrum begrenzt, was jedes Modell auf neuen Patienten besser erscheinen lassen kann, als es tatsächlich ist. Die Autoren betonen, dass größere, multizentrische Studien und Tests auf echter Quantenhardware nötig sind, bevor solche Werkzeuge in der Routinemedizin eingesetzt werden können.

Was das in einfachen Worten bedeutet

Einfach ausgedrückt zeigt die Studie, dass quantenartige maschinelle Lernverfahren zumindest in Simulation Ärzten helfen können, eine gefährliche Komplikation nach Darmoperationen zu screenen, dabei weniger Fehlalarme zu erzeugen als Standardverfahren. Traditionelle Modelle liefern jedoch weiterhin verlässlichere Risikoangaben in Prozent. Vorläufig erscheinen Quanten-Neuronale-Netzwerke vielversprechend als zusätzliche Sicherheitsmaßnahme für Frühwarnsysteme, müssen aber in größeren Patientengruppen bestätigt und mit klaren, gut kalibrierten Risikoabschätzungen kombiniert werden, bevor sie direkte Behandlungsentscheidungen leiten können.

Zitation: Novák, V., Zelinka, I., Přibylová, L. et al. Quantum machine learning for predicting anastomotic leak: a clinical study. Sci Rep 16, 15518 (2026). https://doi.org/10.1038/s41598-026-44402-x

Schlüsselwörter: Anastomoseninsuffizienz, Quanten-Maschinelles Lernen, kolorektale Chirurgie, klinische Risikovorhersage, medizinische KI