Ein Machine-Learning-Modell zur Vorhersage postoperativer Sepsis bei akut chirurgischen Patienten: eine multizentrische, prospektive Studie

Warum das für Patienten und Familien wichtig ist

Sepsis ist eine lebensbedrohliche Reaktion auf eine Infektion, die nach Notoperationen auftreten kann, insbesondere bei älteren Menschen. Ärztinnen und Ärzte wissen, dass frühes Erkennen des Sepsisrisikos Leben retten kann, doch es ist schwer einzuschätzen, wer vor einer dringenden Operation am verwundbarsten ist. Diese Studie untersucht, ob computergestützte Mustererkennung, ein Zweig der künstlichen Intelligenz namens maschinelles Lernen, routinemäßige Krankenhausdaten durchsieben kann, um ältere Patienten zu identifizieren, die nach einer Notoperation wahrscheinlich eine Sepsis entwickeln, und so Teams mehr Zeit zum Handeln zu geben.

Sepsis und die Gefahren nach Notoperationen

Sepsis ist eine der häufigsten Todesursachen weltweit und steht im Zusammenhang mit Millionen von Fällen und mehreren Millionen Todesfällen pro Jahr. Notoperationen erhöhen die Belastung: Patienten sind oft älter, gebrechlicher und bereits schwer erkrankt, wenn sie in den Operationssaal kommen. Infektionen können sich nach dem Eingriff schnell entwickeln oder verschlechtern, und die Symptome können einer normalen postoperativen Erholung ähneln, bis sich der Zustand des Patienten plötzlich verschlechtert. Traditionelle Checklisten und Scoring-Systeme helfen zwar, sind aber nicht speziell für ältere Menschen bei dringenden Operationen entwickelt worden und können diejenigen mit dem höchsten Risiko übersehen.

Routinedaten aus dem Krankenhaus als Frühwarnsignale nutzen

Die Forschenden verwendeten Daten aus einer großen italienischen Studie mit Patienten im Alter von 65 Jahren und älter, die in 29 Krankenhäusern Notoperationen hatten. Von mehr als 150 erfassten Merkmalen konzentrierten sie sich nur auf Angaben, die vor der Operation verfügbar waren, wie Alter, bestehende Erkrankungen, funktioneller Status, Vitalzeichen, Basis-Bluttests und Maße der Gebrechlichkeit. Die Patienten wurden anhand eines am Krankenbett verwendeten Scores namens qSOFA als septisch oder nicht septisch eingestuft; dieser Score verwendet Atemfrequenz, Blutdruck und geistigen Zustand, um eine gefährliche Infektion zu melden. Insgesamt wurden 2563 Patienten analysiert, von denen 119 die Kriterien für eine postoperative Sepsis erfüllten.

Wie die Computermodelle gebaut und getestet wurden

Das Team verglich mehrere Arten von Machine-Learning-Modellen, darunter logistische Regression, k-Nearest Neighbors, Random Forests und Gradient-Boosted Trees. Um sich nicht selbst in die Irre zu führen, verwendeten sie eine strenge zweistufige Testmethode, bekannt als nested cross-validation: Bei jedem Durchlauf hielten sie einige Patienten als Testgruppe zurück und optimierten die Modelle nur an den verbleibenden Fällen. Sie gingen auch mit der Seltenheit der Sepsis sorgfältig um, indem sie die Daten ausbalancierten, kleinere Informationslücken auffüllten und Messwerte standardisierten. Die Leistung wurde mit vertrauten Kennzahlen beurteilt, wie Genauigkeit (wie oft das Modell insgesamt richtig lag) sowie Sensitivität und Spezifität, die zeigen, wie oft Sepsis korrekt erkannt oder ausgeschlossen wurde.

Was die Modelle über das Sepsisrisiko zeigten

Alle Machine-Learning-Modelle übertrafen deutlich eine einfache Strategie, die annimmt, dass niemand eine Sepsis entwickelt. Unter den Einzelmodellen boten Random Forests und Gradient-Boosted Trees die beste Kombination aus dem Erkennen von Sepsis und dem Minimieren von Fehlalarmen, mit einer Gesamtgenauigkeit über 95 Prozent und starker Fähigkeit, Hochrisiko- von Niedrigrisikopatienten zu unterscheiden. Die Forschenden kombinierten außerdem die vier Hauptmodelle zu einem Ensemble, das per Mehrheitsentscheidung aus ihren Vorhersagen Schlussfolgerungen zog. Dieser kombinierte Ansatz erreichte sehr hohe Genauigkeit, starke Sensitivität und eine hervorragende Beruhigung, wenn er einen Patienten als niedriges Risiko einstufte — das heißt, sehr wenige Personen, die später eine Sepsis entwickelten, wurden vom Frühwarnsystem übersehen.

Was das im Krankenhaus bedeuten könnte

Wenn dies in zukünftigen Studien bestätigt wird, könnte ein solches präoperatives Risikowerkzeug den OP-Teams eine praktische, datenbasierte Checkliste liefern. Bevor eine ältere Person den Operationssaal betritt, könnte das Modell leise ihre routinemäßigen Informationen scannen und vorschlagen, wer engmaschiger überwacht, früher Antibiotika erhält oder eine andere postoperative Versorgung braucht. Es könnte Entscheidungen darüber unterstützen, wo ein Patient sich erholt — auf einer Normalstation oder einer intensivierten Einheit — und Krankenhäusern helfen, begrenztes Personal und Ressourcen auf die zu konzentrieren, die am wahrscheinlichsten eine schwere Infektion entwickeln. Die Studie behauptet nicht, dass das Modell bereits für den Alltagsgebrauch bereit ist, zeigt aber, dass maschinelles Lernen Informationen nutzen kann, die ohnehin bei Notoperationen gesammelt werden, um aussagekräftige Frühwarnungen zum Sepsisrisiko zu liefern.

Zitation: Fransvea, P., Liuzzi, P., Costa, G. et al. A machine learning model for post-operative sepsis prediction in acute surgical patients: a multi-centre, prospective study. Sci Rep 16, 15651 (2026). https://doi.org/10.1038/s41598-026-46040-9

Schlüsselwörter: postoperative Sepsis, Notfalloperation, ältere Patienten, maschinelles Lernen, Risikovorhersage