Maschinelles Lernen sagt Verlaufsverläufe bei Sepsis voraus

Warum das für Patienten und Angehörige wichtig ist

Sepsis ist eine häufige und oft tödliche Komplikation von Infektionen auf der Intensivstation, und ihr Verlauf kann sich rasch ändern. Angehörige und Behandelnde haben oft Schwierigkeiten einzuschätzen, welche Patienten sich erholen und welche sich einer lebensbedrohlichen Organinsuffizienz nähern. Diese Studie untersucht, ob Computeralgorithmen Muster an den Patientenmonitoren erkennen können, um Stunden bevor es offensichtlich wird vorherzusagen, wohin sich die Erkrankung eines Patienten entwickelt — und so ein Zeitfenster für frühere, gezieltere Maßnahmen öffnen.

Unterschiedliche Wege von Erholung und Verschlechterung

Die Forschenden analysierten Daten von fast 48.000 erwachsenen Sepsis‑Patienten, die auf Intensivstationen in China und in großen US‑Krankenhausdatenbanken behandelt wurden. Sie betrachteten, wie sich Organfunktionswerte und Vitalzeichen über die Zeit veränderten, statt Einzelmessungen. Mit statistischen Methoden fanden sie, dass Patienten nach Aufnahme auf die ICU tendenziell drei übergeordnete Verläufe durchliefen: rasche Erholung, langsame Erholung oder anhaltende klinische Verschlechterung. Diese Kategorien waren nicht nur Etiketten; sie spiegelten deutliche Unterschiede in Alter, Vorerkrankungen, Organfunktionsstörungen und Überleben wider. Patienten auf dem Verschlechterungspfad waren älter, hatten mehr chronische Erkrankungen und zeigten steigende Organversagenswerte sowie einen wachsenden Bedarf an Beatmungsunterstützung und Blutdruckmitteln.

Den Rhythmus des Körpers beobachten

Über Durchschnittswerte wie Blutdruck oder Herzfrequenz hinaus konzentrierte sich das Team darauf, wie stark diese Signale im Zeitverlauf schwankten. Sie entdeckten, dass die „Schwankung“ der Herzfrequenz, bekannt als Herzfrequenzvariabilität, wichtige Hinweise liefert. Patienten, deren Herzfrequenzmuster zu gleichförmig wurde und nur wenig natürliche Variabilität zeigte, hatten mehr als doppelt so hohe Sterblichkeitsraten innerhalb von 28 Tagen wie jene mit flexibleren Rhythmen — selbst nach Anpassung für Alter und Schwere der Erkrankung. Ähnliche, wenn auch kleinere Effekte zeigten sich bei Schwankungen von Blutdruck und Atemfrequenz. Die Befunde stützen die Vorstellung, dass ein gesunder Körper reichhaltige, anpassungsfähige Rhythmen besitzt und dass der Verlust dieser Komplexität vor einem drohenden Zusammenbruch warnen kann, noch bevor traditionelle Zeichen erkennbar sind.

Computern beibringen, Gefahr früh zu erkennen

Um diese Muster in ein praktisches Werkzeug zu übersetzen, bauten die Forschenden ein Ensemble‑Maschinenlernmodell, eine Form eines fortgeschrittenen Computerprogramms, das mehrere Vorhersagemethoden kombiniert. Es verwendete sowohl Basisinformationen wie Alter und Infektionstyp als auch dynamische Merkmale wie Trends, Steigungen und Variabilität von Vitalzeichen und Laborwerten. Das Modell wurde in einem Krankenhaus trainiert und anschließend in einer späteren Patientengruppe sowie in zwei großen öffentlichen ICU‑Datenbanken geprüft. Es unterschied zuverlässig Patienten, die später eine Verschlechterung erlitten, von denen, die dies nicht taten, mit starker Leistungsfähigkeit über verschiedene Krankenhäuser, Infektionstypen und Altersgruppen hinweg. Im Schnitt warnte es etwa 18 Stunden vor einer Verschlechterung, und seine Risikoschätzungen stimmten gut mit den tatsächlichen Ergebnissen überein.

Auswirkung auf die Versorgung in der Praxis

Das Team integrierte das Modell anschließend in ein bettseitiges Entscheidungsunterstützungssystem, das Patienten nach ihrem vorhergesagten Verlauf in Niedrig‑, Mittel‑ und Hochrisikogruppen einteilte. Kliniker folgten standardisierten Reaktionsplänen für jede Stufe, etwa engmaschigerer Überwachung oder aggressiverer Behandlung für jene, die als wahrscheinlich abzunehmend eingestuft wurden. Nach Anpassung an Unterschiede zwischen den Patienten verbrachten diejenigen, die mithilfe des Systems versorgt wurden, fast zwei Tage weniger auf der ICU, benötigten etwa zwei Tage weniger mechanische Beatmung und hatten eine 5,7 % geringere Wahrscheinlichkeit, innerhalb von 28 Tagen zu sterben, verglichen mit ähnlichen Patienten vor Einführung des Systems. Die größten Vorteile zeigten sich bei Patienten der mittleren „langsamen Erholung“‑Gruppe, die offenbar am ehesten durch frühere Interventionen von einem Abgleiten in die Verschlechterung abgehalten wurden.

Was das für die Zukunft bedeutet

Die Studie legt nahe, dass die Verfolgung der zeitlichen Veränderungen im Zustand von Sepsis‑Patienten — und insbesondere der Verlust an Flexibilität in Herz‑ und Kreislaufrhythmen — Computern helfen kann, vorherzusagen, wer sich in Richtung Gefahr bewegt. In Kombination mit klaren bettseitigen Protokollen wurden solche Vorhersagen mit kürzeren ICU‑Aufenthalten, weniger Beatmungszeit und geringerer Sterblichkeit in Verbindung gebracht. Obwohl die Methode noch in randomisierten Studien und in weiteren Gesundheitssystemen geprüft werden muss, weist sie auf eine Zukunft hin, in der intelligente, transparente Überwachungsinstrumente Klinikern helfen, vom Reagieren auf Krisen zum Antizipieren und Verhindern überzugehen.

Zitation: Zhang, R., Long, F., Zhao, Z. et al. Machine learning predicts sepsis deterioration trajectories. npj Digit. Med. 9, 385 (2026). https://doi.org/10.1038/s41746-026-02565-x

Schlüsselwörter: Sepsis, maschinelles Lernen, ICU‑Überwachung, Herzfrequenzvariabilität, klinische Verschlechterung