Entwicklung und multizentrische Validierung eines erklärbaren maschinellen Lern‑Diagnosekriteriums für pädiatrische abdominelle Sepsis

Warum das für kranke Kinder wichtig ist

Wenn ein Kind mit starken Bauchschmerzen und einer Infektion in die Klinik kommt, müssen Ärztinnen und Ärzte sehr schnell entscheiden, wer tatsächlich in Gefahr ist. Wird eine abdominelle Sepsis – eine lebensbedrohliche Infektion im Bauchraum – übersehen oder zu spät erkannt, können Kinder in Organversagen abrutschen und die Therapie versagt. Diese Studie beschreibt ein neues computerbasiertes Werkzeug, das auf realen Krankenhausdaten beruht und Ärztinnen und Ärzten hilft, abdominelle Sepsis bei Kindern früher und zuverlässiger zu erkennen, mithilfe von Blutwerten und Vitalparametern, die ohnehin täglich erhoben werden.

Die verborgene Gefahr im Bauch

Sepsis gehört weltweit zu den Haupttodesursachen bei Kindern, und Infektionen, die im Bauch beginnen, zählen zu den gefährlichsten Formen. Viele bestehende Sepsis‑Regeln und Scores wurden weitgehend für Erwachsene entwickelt und konzentrieren sich stark auf Lungen‑ und Herzprobleme. Bei Kindern sind diese Zeichen oft erst sichtbar, wenn schon erhebliche Schäden im Bauchraum, in der Leber oder im Darm vorhanden sind. Bestehende pädiatrische Instrumente haben zudem Schwierigkeiten, abdominelle Sepsis früh genug zu erfassen, um rechtzeitig eine Operation oder eine aggressive Behandlung zu steuern. Die Autorinnen und Autoren argumentieren, dass Kinder mit Verdacht auf abdominale Erkrankung ein speziell auf diese Infektionsform zugeschnittenes Diagnosetool benötigen.

Routinewerte als intelligenter Alarm

Das Forschungsteam sammelte elektronische Krankendaten von mehr als 22.000 Kindern, die zwischen 2019 und 2023 in einem großen Kinderkrankenhaus in China behandelt wurden, und konzentrierte sich auf 6.566 Patienten mit abdominellen Problemen wie Blinddarmentzündung oder Darmverschluss. Innerhalb dieser Gruppe überprüften Spezialistinnen und Spezialisten Akten, Bildgebung, Operationen, Medikamente und Nachsorgen sorgfältig, um zu entscheiden, welche Kinder tatsächlich eine pädiatrische abdominelle Sepsis (PAS) hatten. Sie nutzten einen „Active‑Learning“‑Ansatz: Eine kleine Stichprobe wurde von drei erfahrenen Ärztinnen/Ärzten etikettiert, ein vorläufiges Modell wurde trainiert, und dieses Modell schlug dann neue, unsichere Fälle zur erneuten Begutachtung vor, wodurch das Datenset schrittweise verfeinert und Meinungsverschiedenheiten reduziert wurden.

Neun einfache Signale mit starker Aussagekraft

Aus Dutzenden von Laborwerten und Vitalparametern, die in den ersten 24 Stunden der Aufnahme gemessen wurden, suchten die Forschenden die Kombination, die am besten Sepsis von anderen abdominellen Erkrankungen trennt. Sie kamen auf neun alltägliche Messgrößen: Herzfrequenz; Leukozytenzahl; absolute Neutrophilenzahl; ein leberbezogenes Enzym namens γ‑Glutamyltransferase; ein weiteres Leberenzym (AST); das Verhältnis zweier Blutproteine (Albumin zu Globulin); Präalbumin; Calciumspiegel; und ein empfindlicher Entzündungsmarker, das hochsensitive C‑reaktive Protein. Keiner dieser Tests ist exotisch – sie gehören zur Routineversorgung – aber kombiniert bilden sie ein starkes Muster. Mit diesen neun Markern verglichen die Forschenden mehrere Methoden des maschinellen Lernens, wobei ein Random‑Forest‑Modell die zuverlässigsten Ergebnisse lieferte.

Ein Werkzeug, das in vielen Krankenhäusern funktioniert

Das endgültige Modell mit dem Namen ABSeD (Abdominal Sepsis Diagnosis) unterschied PAS von anderen abdominellen Erkrankungen mit hoher Genauigkeit. In den Daten des ursprünglichen Krankenhauses war die Leistung exzellent und hielt in internen Validierungen stand. Um zu prüfen, ob das Modell über ein Zentrum hinaus generalisierbar ist, bauten die Forschenden eine Onlineplattform und sammelten prospektiv Daten aus sieben weiteren Krankenhäusern in der Provinz Zhejiang Anfang 2025. Unter 308 Kindern, bei denen eine eindeutige Nachverfolgung oder chirurgische Bestätigung vorlag, zeigte ABSeD erneut starke Ergebnisse, erkannte die meisten Kinder mit abdomineller Sepsis zuverlässig und bewahrte eine hohe Präzision – das heißt, wenn es vor Sepsis warnte, lag es meist richtig. Das System zeigt außerdem, wie jeder der neun Marker das Modellurteil beeinflusst, sodass Ärztinnen und Ärzte eine transparente Einsicht bekommen und keine mysteriöse „Black Box“ vor sich haben.

Vom Forschungsmodell zum Bettseitenhelfer

Um die Arbeit in der täglichen Praxis nutzbar zu machen, entwickelten die Autorinnen und Autoren eine webbasierte Oberfläche, in die Klinikpersonal Alter, Basisdaten und die neun Laborwerte eingibt. Das Werkzeug liefert eine Risikobewertung und eine klare visuelle Aufschlüsselung, welche Messgrößen das Ergebnis maßgeblich bestimmt haben, und unterstützt so Entscheidungen, ob die Behandlung eskaliert, Bildgebung veranlasst oder eine Operation eingeleitet werden sollte. Die Studie betont sowohl das Potenzial als auch die Grenzen des Modells: Es ist für Kinder mit bereits begründetem Verdacht auf abdominelle Erkrankung gedacht, nicht für ein universelles Screening, und bisher nur in einer Region und einem ethnischen Hintergrund getestet worden. Dennoch zeigt das ABSeD‑Tool, wie sorgfältig entwickelte und erklärbare künstliche Intelligenz gewöhnliche Laborwerte in ein Frühwarnsystem verwandeln kann, das möglicherweise Leben rettet, indem es tödliche abdominelle Sepsis erkennt, bevor es zu spät ist.

Zitation: Cao, S., Cai, D., Zhang, S. et al. Development and multicenter validation of an explainable machine learning diagnostic criteria for pediatric abdominal sepsis. npj Digit. Med. 9, 312 (2026). https://doi.org/10.1038/s41746-026-02500-0

Schlüsselwörter: pädiatrische Sepsis, abdominelle Infektion, maschinelles Lernen, Frühdiagnose, klinische Entscheidungsunterstützung