Vorhersage antibiotikaassoziierter kutaner Nebenwirkungen mithilfe von Foundation-Modellen für elektronische Patientenakten

Warum die Vorhersage von Arzneimittelausschlägen wichtig ist

Wer schon einmal nach der Einnahme eines Medikaments einen Ausschlag bekommen hat, kennt die beunruhigende Wirkung. Meist sind diese Hautreaktionen mild und klingen von selbst ab. In seltenen Fällen können sie jedoch in lebensbedrohliche Zustände übergehen, die große Hautareale schädigen und eine Intensivbehandlung erfordern. Antibiotika gehören zu den Wirkstoffklassen, die am häufigsten mit solchen Reaktionen in Verbindung gebracht werden, doch Ärzten fehlt derzeit eine verlässliche Methode, um im Vorhinein zu erkennen, welche Patienten besonders gefährdet sind. Diese Studie untersucht, ob sich in routinemäßig erfassten Krankenhausdaten Muster verbergen, die vorhersagen können, wer wahrscheinlich eine antibiotikaassoziierte Hautreaktion entwickeln wird.

Hautreaktionen durch Medikamente

Hautprobleme sind die sichtbarsten und häufigsten Nebenwirkungen von Medikamenten. Sie reichen von juckenden roten Flecken bis hin zu gefährlichen Erkrankungen wie dem Stevens-Johnson-Syndrom und der toxischen epidermalen Nekrolyse, die tödlich verlaufen können. Antibiotika, insbesondere weit verbreitete Klassen wie Penicilline und verwandte Wirkstoffe, sind häufige Auslöser. Obwohl schwere Reaktionen selten sind, kann jede ernsthafte Arzneimittelreaktion die Aufenthaltsdauer im Krankenhaus verlängern, die Kosten erhöhen und im schlimmsten Fall zum Tod führen. Trotz dieser Belastung gibt es keinen standardisierten Screening-Test, den Krankenhäuser für alle Patienten anwenden könnten, um kutane Nebenwirkungen von Medikamenten – insbesondere solche im Zusammenhang mit Antibiotika – vorherzusagen.

Krankenhausakten als Informationsquelle

Moderne Krankenhäuser speichern enorme Datenmengen in elektronischen Patientenakten: Diagnosen, Blutwerte, verordnete Medikamente und durchgeführte Verfahren, oft über viele Jahre hinweg. In dieser Studie behandelten die Forscher diese langen Abfolgen medizinischer Codes wie Textzeilen in einem Dokument. Sie verwendeten „Foundation-Modelle“, die aus der Sprachtechnologie stammen — Systeme, die allgemeine Muster aus großen Datensätzen lernen und dann für spezifische Aufgaben feinjustiert werden können. Das Team analysierte Akten von mehr als 800.000 erwachsenen stationären Patienten in drei großen südkoreanischen Krankenhäusern, die mindestens drei Tage lagen und Antibiotika erhalten hatten. Um Hautreaktionen zuverlässig zu erfassen, stützten sie sich nicht allein auf Diagnoseschlüssel, sondern werteten auch Pflegenotizen und strukturierte Pflegeeinträge aus, die Beobachtungen wie das Vorhandensein von Ausschlag oder Nesselsucht dokumentierten.

Aufbau und Test des Vorhersagemodells

Die Forscher verglichen mehrere Ansätze, von klassischen Machine-Learning-Verfahren wie Random Forests über tiefe neuronale Netze bis hin zu drei verschiedenen Foundation-Modellen für Gesundheitsdaten. Für jeden Patienten sollten die Modelle zum Zeitpunkt der letzten Antibiotikaverschreibung entscheiden, ob innerhalb kurzer Zeit eine Hautreaktion auftreten würde. Unter allen Methoden zeigte ein Modell namens CDM-BERT, das speziell an das gebräuchliche Datenformat der Krankenhäuser angepasst wurde, die beste Leistung. Es unterschied zukünftige Ausschlagfälle von Nicht-Fällen mit sehr hoher Genauigkeit in dem Krankenhaus, in dem es trainiert worden war, und behielt eine starke Performance bei, als es ohne weitere Anpassung auf die beiden anderen Krankenhäuser angewendet wurde, deren Daten sich etwas unterschieden.

Was das Modell über Risiko lernte

Um zu prüfen, ob das Modell medizinisch sinnvolle Informationen nutzte und nicht nur Zufallsrauschen, untersuchten die Forscher, welche Teile der Akte die Entscheidungen am stärksten beeinflussten. Höhere Wichtigkeit wurde Zuständen zugeschrieben, die mit Arzneimittelreaktionen bekanntlich verbunden sind — etwa Krebserkrankungen, chronische Nierenerkrankungen und chronische Lebererkrankungen — sowie bestimmten Medikamentengruppen, darunter Antibiotika und Antikonvulsiva. Interessanterweise funktionierte das Modell an einem Krankenhaus, dessen Medikamentencodes nicht mit denen der Trainingsstätte übereinstimmten, weiterhin gut, indem es stärker auf Laborwerte und Krankengeschichte setzte; das zeigt, dass es sich an unterschiedliche Datenumgebungen anpassen kann. Die Forscher unterteilten Reaktionen außerdem in „sofortige“ (kurz nach der Dosis auftretende) und „verzögerte“ (bei längerer Exposition erscheinende). Bei der Vorhersage verzögerter Reaktionen war das Modell zuversichtlicher und stabiler — und gerade diese Reaktionen sind mit herkömmlichen Tests am schwersten vorherzusagen.

Grenzen, Herausforderungen und nächste Schritte

Obwohl die Leistung des Modells vielversprechend ist, kann es derzeit nicht genau identifizieren, welches Antibiotikum die Reaktion verursacht hat, noch kann es milde Ausschläge von den seltenen, aber verheerenden schweren Hautreaktionen unterscheiden, die sofortige fachärztliche Versorgung erfordern. Die Studie bezog Krankenhäuser aus nur einem Land ein, und es gab technische Probleme wie Unterschiede in den Medikamentencodierungen und die Notwendigkeit regelbasierter Suchen in frei formulierten Pflegenotizen. Außerdem bleibt es schwierig, die internen "Attention"-Muster des Modells in einfache klinische Regeln zu übersetzen, und der Ansatz konzentrierte sich hauptsächlich auf vergleichsweise milde Hautprobleme statt auf das gesamte Spektrum schwerer Reaktionen.

Was das für Patienten und Klinikpersonal bedeutet

Die Arbeit zeigt, dass sich durch die sorgfältige Kombination routinemäßiger Krankenhausdaten mit Pflegebeobachtungen mithilfe fortgeschrittener Computermodelle das Risiko eines Patienten für eine antibiotikaassoziierte Hautreaktion abschätzen lässt — insbesondere für langsamer auftretende Reaktionen, für die es bisher zuverlässige Labortests nicht gibt. In der Praxis könnte ein solches Werkzeug Ärzten helfen, Risikopatienten für engmaschigere Überwachung, alternative Arzneiwahl oder vorsichtigere Dosierungen zu kennzeichnen, während die Mehrheit der Patienten weiterhin die übliche Versorgung erhält. Die Studie ist ein Schritt in Richtung der Nutzung des „digitalen Abfalls“ des medizinischen Alltags als Sicherheitsnetz, das schwere Arzneimittelreaktionen früher erkennt und so potenziell Schaden verhindert, bevor er sich an der Haut zeigt.

Zitation: Kim, J., Kim, K., Yun, JE. et al. Prediction of antibiotic-associated cutaneous adverse drug reactions using electronic health record foundation models. npj Digit. Med. 9, 311 (2026). https://doi.org/10.1038/s41746-026-02503-x

Schlüsselwörter: Nebenwirkungen von Antibiotika, medikamenteninduzierter Hautausschlag, elektronische Patientenakten, medizinische KI-Vorhersage, unerwünschte Arzneimittelwirkungen