Ein Vorhersagemodell für PICC-assoziierte Thrombosen bei Sepsispatienten mithilfe des XGBoost-Algorithmus

Warum das für Patienten und Angehörige wichtig ist

Viele Menschen mit lebensbedrohlichen Infektionen wie Sepsis sind auf lange, flexible Katheter angewiesen, die in ihre Venen gelegt werden, um Medikamente und Ernährung zu erhalten. Diese Leitungen, sogenannte PICC-Leitungen, sind unverzichtbar, können aber manchmal gefährliche Blutgerinnsel auslösen. Diese Studie zeigt, wie Ärztinnen und Ärzte eine moderne Rechenmethode nutzten, um vorherzusagen, welche Sepsispatienten am ehesten Gerinnsel um diese Katheter entwickeln, mit dem Ziel, Komplikationen zu verhindern, bevor sie auftreten.

Katheter, die helfen und manchmal schaden

Bei Sepsispatienten sind oft wochenlange intravenöse Antibiotika, Infusionen und Ernährung nötig. Peripher eingeführte zentrale Katheter, kurz PICC-Leitungen, werden von einer Vene am Arm bis in die Nähe des Herzens vorgeschoben, um dies zu ermöglichen. Trotz ihrer Praktikabilität können PICC-Leitungen den Blutfluss stören und die Gefäßwand reizen, wodurch Gerinnsel entstehen können. Diese Gerinnsel können Venen verlegen, die Intensivpflege verlängern und in schweren Fällen abbrechen und in die Lunge wandern. Bisher ist es für Kliniker schwer zu wissen, welche Patienten im Voraus am stärksten gefährdet sind, weil viele unterschiedliche Gesundheits- und Blutparameter gleichzeitig eine Rolle spielen.

Große Datenmengen und intelligente Algorithmen

Die Forschenden nutzten eine große, offene Intensivdatenbank eines bedeutenden US-Krankenhauses mit detaillierten Aufzeichnungen von mehr als 94.000 Intensivaufenthalten zwischen 2008 und 2022. Aus dieser Ressource identifizierten sie 8.128 erwachsene Sepsispatienten, bei denen eine PICC-Leitung mindestens zwei Tage lang gelegt war und die nicht an bestimmten komplizierenden Erkrankungen wie Blutkrebs litten. Unter diesen Patienten entwickelten 538 ein katheterassoziiertes Gerinnsel, die meisten innerhalb des ersten Monats nach Einlage. Das Team teilte die Patienten in zwei Gruppen auf: eine zum Trainieren des Modells und eine andere, um zu testen, wie gut es bei neuen Fällen funktioniert.

Was das Modell über das Gerinnselrisiko lernte

Um Muster zu erkennen, die zu komplex für einfache Regeln sind, verwendete das Team einen Ansatz namens XGBoost, eine Form des maschinellen Lernens, die viele kleine Entscheidungsbäume zu einem starken Prädiktor kombiniert. Sie fütterten das Modell mit Informationen, die Kliniker routinemäßig erfassen, darunter Alter, Geschlecht, Blutwerte, Begleiterkrankungen und die Verweildauer des PICC. Das Modell gab eine Wahrscheinlichkeit dafür aus, dass ein bestimmter Patient ein Gerinnsel entwickelt. Die Genauigkeit wurde anhand der Fläche unter der Receiver-Operating-Characteristic-Kurve bewertet, einem üblichen Maß für Vorhersageinstrumente. Werte um 0,76 sowohl in der Trainings- als auch in der Testgruppe zeigten, dass das Modell höheres von niedrigerem Risiko klar unterscheiden konnte.

Ein Blick in die Blackbox

Eine häufige Sorge beim maschinellen Lernen ist, dass es wie eine Blackbox wirken kann. Um dem zu begegnen, nutzten die Forschenden eine Interpretationsmethode namens SHAP, um abzuschätzen, wie stark jeder Faktor eine Vorhersage in Richtung höheres oder niedrigeres Risiko trieb. Zu den einflussreichsten Merkmalen gehörten die Leukozytenzahl, Thrombozytenzahl, vorheriger Herzinfarkt, Hämoglobin, Nierenfunktion, die Verweildauer des PICC, Alter, leichte Lebererkrankung, ein Gerinnungsparameter namens Prothrombinzeit und Diabetes ohne schwere Komplikationen. Zusammen zeichnen diese Merkmale ein Bild steigenden Gerinnselrisikos bei hoher Entzündung, gestörtem Blut- und Gerinnungsbild und längerer Verweildauer des Katheters in der Vene. Eine Entscheidungsanalyse deutete außerdem an, dass die Verwendung des Modells zur Steuerung präventiver Maßnahmen mehr Patienten nützen würde als eine Strategie, alle oder niemanden zu behandeln.

Was das an der Patientenbettenseite bedeuten könnte

Für die tägliche Versorgung legt diese Arbeit nahe, dass Ärztinnen und Ärzte mit routinemäßig verfügbaren Informationen die Wahrscheinlichkeit abschätzen könnten, dass ein Sepsispatient ein PICC-assoziiertes Gerinnsel entwickelt, noch bevor Probleme auftreten. Als Hochrisiko eingestufte Patienten könnten engmaschiger überwacht werden, kürzere Katheternutzungszeiten, spezielle Kathetertypen oder frühzeitige vorbeugende Antikoagulation erhalten, während Niedrigrisiko-Patienten unnötige Behandlung vermeiden könnten. Die Studie hat Einschränkungen — sie stammt aus einem einzelnen Krankenhausverbund und basiert auf retrospektiven Daten statt auf einer prospektiven klinischen Studie — bietet aber einen konkreten Schritt hin zu einer personalisierteren und sichereren Nutzung lebensrettender intravenöser Leitungen bei einigen der schwerstkranken Patienten.

Zitation: Hao, W., She, Ty., Yuan, Zn. et al. A predictive model for PICC-related thrombosis in sepsis patients using XGBoost algorithm. Sci Rep 16, 14378 (2026). https://doi.org/10.1038/s41598-026-44999-z

Schlüsselwörter: Sepsis, PICC-Leitungen, Blutgerinnsel, Maschinelles Lernen, Intensivmedizin