Maschinelles Lernen zur Vorhersage der Thrombozytenkonzentration aus ROTEM-Messungen

Warum schnelle Kontrollen der Blutplättchen wichtig sind

Wenn eine Person während einer Operation oder auf der Intensivstation blutet, müssen Ärzte schnell entscheiden, ob Thrombozytentransfusionen verabreicht werden sollen, um die Blutgerinnung zu unterstützen. Standard-Labortests können Thrombozyten genau zählen, benötigen aber oft eine Stunde oder länger, was dringende Entscheidungen verzögert. Bettennahe Geräte, die in Echtzeit verfolgen, wie sich ein Gerinnsel bildet, sind deutlich schneller, zeigen jedoch nicht direkt, wie viele Thrombozyten im Blut vorhanden sind. Diese Studie untersucht, ob Computermodelle jene schnellen bettseitigen Messungen in verlässliche Informationen über gefährlich niedrige Thrombozytenwerte übersetzen können.

Ein kurzer Blick auf die Gerinnung in Echtzeit

Moderne Point-of-Care-Tests wie die rotierende Thromboelastometrie (ROTEM) beobachten, wie eine Blutprobe vom ersten Gerinnungsansatz bis zu dem Punkt gerinnt, an dem das Gerinnsel fest wird und später wieder abgebaut wird. Diese Tests liefern Kurven und Kennzahlen, die widerspiegeln, wie stark und stabil das Gerinnsel wird, aber nicht die tatsächliche Thrombozytenzahl. Frühere Untersuchungen zeigten, dass einige ROTEM-Werte mit Thrombozytenleveln zusammenhängen, doch einfache Formeln, die auf einem einzelnen ROTEM-Wert basieren, sagten die Thrombozytenzahl nicht zuverlässig genug vorher, um die Behandlung zu steuern. Die Autoren fragten, ob fortgeschrittenere Computertechniken, die viele ROTEM-Merkmale gleichzeitig berücksichtigen, besser abschneiden könnten.

Aufbau von Computermodellen aus Krankenhausdaten

Das Team sammelte 2.333 gepaarte Bluttests aus vier Universitätskliniken, alle entnommen bei chirurgischen oder intensivmedizinischen Patienten zwischen 2014 und 2023. Für jeden Fall lagen vollständige ROTEM-Messungen und eine Labor-Thrombozytenzahl vor, die innerhalb von drei Stunden genommen wurde. Nach sorgfältiger Datenbereinigung und Auffüllen fehlender Werte fütterten sie 29 ROTEM-bezogene Variablen in mehrere Methoden des maschinellen Lernens. Einige Modelle versuchten, die genaue Thrombozytenkonzentration vorherzusagen, während andere einfachere Fragen bearbeiteten: Liegt die Thrombozytenzahl unter 100 Milliarden pro Liter oder unter 50 Milliarden pro Liter, Schwellenwerte, die in der Chirurgie und bei kritischen Blutungen weit verbreitet als Sicherheitsgrenzen gelten.

Wie gut die Modelle Thrombozyten zählen konnten

Bei dem Versuch, die genaue Thrombozytenzahl zu schätzen, übertrafen alle maschinellen Lernmodelle ältere Einzeilformeln, die auf einem einzigen ROTEM-basierten Wert beruhten. Der beste Ansatz, ein gestapeltes Ensemble-Modell, das mehrere Methoden kombiniert, zeigte jedoch nur mäßige Genauigkeit. Seine Vorhersagen unterschieden sich im Mittel um etwa 40 Milliarden Thrombozyten pro Liter vom wahren Wert, was die Autoren als zu unpräzise für verlässliche Dosierungsentscheidungen bewerten. Grafiken, die prognostizierte und reale Werte gegenüberstellen, sowie statistische Prüfungen auf Verzerrung und Streuung bestätigten, dass die Modelle bei einzelnen Patienten oft daneben lagen, auch wenn sie allgemeine Trends erfassten.

Das Erkennen gefährlich niedriger Werte funktioniert besser

Viel besser schnitten die Modelle bei einer einfacheren und klinisch wichtigen Aufgabe ab: Patienten mit eindeutig niedrigen Thrombozytenzahlen zu identifizieren. Zur Erkennung von Werten unter 100 Milliarden pro Liter erreichten Random-Forest- und Ensemble-Modelle hohe Werte für eine gängige Messgröße der Testqualität, die Fläche unter der Kurve. Sie waren besonders stark darin, niedrige Thrombozyten sicher auszuschließen, mit sehr hoher Wahrscheinlichkeit, dass ein als „sicher“ eingestuftes Ergebnis tatsächlich bedeutet, dass der Patient über dem Schwellenwert liegt. Die Leistung war bei der Erkennung von Werten unter 50 Milliarden pro Liter noch besser, wobei das Ensemble-Modell erneut hervortrat. Diese Ergebnisse hielten über verschiedene Bewertungsmaßstäbe hinweg und waren deutlich überlegen gegenüber der alleinigen Nutzung des einzelnen ROTEM-abgeleiteten Werts.

Was das am Krankenbett bedeuten könnte

Die Autoren kommen zu dem Schluss, dass aktuelle Modelle des maschinellen Lernens noch nicht genau genug sind, um eine Labor-Thrombozytenzählung zu ersetzen, da ihre Schätzungen der exakten Zahl für einzelne Patienten zu stark streuen. Dieselben Modelle beantworten jedoch sehr zuverlässig die Ja/Nein-Frage, ob die Thrombozyten unter wichtige Sicherheitsgrenzen gefallen sind. In Situationen mit akuten Blutungen könnten solche schnellen bettseitigen Hinweise Ärzten helfen, Thrombozytentransfusionen sicher zu verschieben oder zu vermeiden, während sie auf Laborergebnisse warten, was sowohl Verzögerungen in der Versorgung als auch unnötige Exposition gegenüber Blutprodukten reduzieren könnte.

Zitation: Brooks, R., Noitz, M., Mahečić, T.T. et al. Machine learning based prediction of platelet concentration from ROTEM measurements. Sci Rep 16, 15854 (2026). https://doi.org/10.1038/s41598-026-45743-3

Schlüsselwörter: Thrombozytenzahl, Thrombozytopenie, ROTEM, maschinelles Lernen, Thrombozytentransfusion