Evolutionäres Digital-Twin‑Rahmenwerk zur optimalen Aminoglykosid‑Dosierung bei Neugeborenen mit Verdacht auf Sepsis

Warum winzige Patientinnen und große Daten aufeinandertreffen

Wenn Neugeborene ernsthafte Infektionen entwickeln, haben Ärztinnen und Ärzte oft nur Stunden Zeit, das richtige Antibiotikum in der richtigen Dosis zu starten. Doch jedes Kind auf der Intensivstation ist anders, besonders Frühgeborene, deren Organe noch reifen. Diese Studie zeigt, wie ein virtueller „Digital Twin“ für jedes Kind zunächst am Computer Behandlungsszenarien testen kann, sodass Ärztinnen und Ärzte Dosierungen wählen können, die die Infektion bekämpfen, fragile Nieren schützen und das Entstehen resistenter Keime verlangsamen.

Eine virtuelle Kopie eines Neugeborenen erstellen

Die Forschenden bauten für jedes Kind ein mathematisches Abbild, das nachahmt, wie das Aminoglykosid‑Antibiotikum Amikacin sich im Körper verteilt und die Erreger beeinflusst. Ein Teil des Twins repräsentiert Blutkreislauf, Nieren und den übrigen Körper und sagt voraus, wie das Medikament verteilt und über die Zeit eliminiert wird. Ein anderer Teil bildet Bakteriengemeinschaften ab, unterteilt in empfindliche und hartnäckigere Gruppen, und verfolgt, wie sie unter wechselnden Arzneimittelspiegeln wachsen, konkurrieren und absterben. Diese beiden Komponenten sind verknüpft, sodass sich der virtuelle Säugling und seine virtuelle Infektion während der Behandlung gemeinsam entwickeln.

Den Twin lehren, echten Nierenverlauf nachzuahmen

Bei kranken Neugeborenen kann sich die Nierenfunktion von Tag zu Tag ändern, besonders bei extrem Frühgeborenen, nach geburtsbedingtem Sauerstoffmangel oder bei Gabe weiterer nierenschädigender Medikamente. Das Team trainierte einen Typ tiefenlernender Modelle, ein Long‑Short‑Term‑Memory‑Netzwerk, anhand von mehr als 7000 realen Messungen eines Abfallprodukts im Blut, bekannt als Serumkreatinin. Dadurch konnte der Twin einen wichtigen Nierenfilterwert täglich aus einfachen Bettseitendaten aktualisieren. Im Vergleich zu einem früher manuell entwickelten Nierenmodell sagte der neue Ansatz das Kreatinin über verschiedene Krankenhäuser und Krankheitsbilder hinweg genauer vorher und lieferte damit verlässlichere Vorhersagen zu Arzneimittelspiegeln.

Den Twin mit realen Arzneimittelspiegeln und Infektionen abgleichen

Um sicherzustellen, dass sich die Twins realistisch verhalten, fütterten die Wissenschaftlerinnen und Wissenschaftler sie mit echten Behandlungsdaten von mehr als 1600 Neugeborenen, die Amikacin erhalten hatten. Die virtuellen Modelle reproduzierten Tausende gemessener Blutkonzentrationen mit moderatem Fehler, selbst bei Babys, die nach Asphyxie eine Kühltherapie oder zusätzliche Herzunterstützungsmedikamente erhielten. Als das Team die vom Modell vorhergesagten Bakterienzahlen betrachtete, stimmten diese mit dem Ergebnis von Blutkulturen derselben Babys überein (positiv oder negativ). Das legt nahe, dass der Twin nicht nur Arzneimittelspiegel abbilden, sondern auch das grobe Muster der in der Klinik beobachteten Infektionskontrolle erfassen kann.

Den Computer die Behandlung anpassen lassen

Nach der Validierung nutzten die Digital Twins ein großes virtuelles Kollektiv mit breitem Spektrum an Gestations‑ und postnatalen Altern, um Behandlungsoptionen zu erkunden. Ein Optimierungsprogramm suchte innerhalb standardmäßiger Dosierungsgrenzen nach einem individuellen Plan für jeden Twin, der Spitzenkonzentrationen hoch genug hielt, um Bakterien zu unterdrücken, und gleichzeitig erlaubte, dass die Spiegel zwischen den Dosen ausreichend abfallen, um das Nierenrisiko zu verringern. Das Modell erlaubte zudem, dass die Empfindlichkeit der Bakterien gegenüber dem Wirkstoff während der Therapie allmählich abnahm, was das langsame Anwachsen von Resistenz nachahmt. Eine weiterentwickelte Version des Reglers blickte mehrere Dosen voraus und passte Zeitpläne an, um ein späteres Wiederaufkommen widerstandsfähigerer Keime zu verhindern, wodurch die langfristige Kontrolle verbessert wurde, ohne die Arzneimittelspiegel in gefährliche Bereiche zu treiben.

Was das für fragile Neugeborene bedeutet

Sowohl für simulierte Babys als auch für reale Krankenhauskohorten lieferten die vom Digital Twin geleiteten Dosierungspläne bessere vorhergesagte Infektionsausheilung und geringere Ausbreitung resistenter Keime als die derzeit üblichen Standardregeln, bei gleichzeitiger Einhaltung akzeptierter Sicherheitsgrenzen. Der Ansatz stützt sich ausschließlich auf routinemäßig erhobene Bettseitendaten wie Alter, Gewicht, Kreatininwerte und Behandlungshistorie. Obwohl noch prospektive Tests nötig sind, weist die Arbeit in eine Zukunft, in der der Antibiotikaverlauf jedes Neugeborenen kontinuierlich von einem virtuellen Begleiter angepasst wird und Klinikern hilft, genug Wirkstoff zu geben, um die Infektion zu heilen, dabei aber nicht so viel, dass das Kind geschädigt wird oder Resistenzen gefördert werden.

Zitation: Prunella, M., Romano, C., Borri, A. et al. Evolutionary digital twin framework for optimal aminoglycoside dosing in neonates with suspected sepsis. npj Digit. Med. 9, 367 (2026). https://doi.org/10.1038/s41746-026-02558-w

Schlüsselwörter: neonatale Sepsis, Digital Twin, Amikacin‑Dosierung, Antibiotikaresistenz, Präzisionsmedizin