Krankenhausweite Sepsis-Erkennung: Ein maschinelles Lernmodell basierend auf prospektiv von Experten validierten Kohorten

Hintergrund/Zielsetzung: Die Erkennung von Sepsis bleibt aufgrund klinischer Heterogenität und der Einschränkungen traditioneller Bewertungssysteme herausfordernd. Diese Studie entwickelte und validierte ein krankenhausweites maschinelles Lernmodell zur Sepsis-Erkennung unter Verwendung retrospektiv entwickelter Daten aus prospektiv von Experten validierten Fällen, mit dem Ziel, die diagnostische Genauigkeit über konventionelle Ansätze hinaus zu verbessern. Methoden: Diese retrospektive Kohortenstudie analysierte 218.715 Krankenhausfälle (2014–2018) in einem tertiären Versorgungszentrum. Sepsis-Fälle (n = 11.864, 5,42%) wurden in Echtzeit von einer multidisziplinären Sepsis-Einheit mit modifizierten Sepsis-2-Kriterien unter Einbeziehung von Organfunktionsstörungen prospektiv validiert. Das Modell integrierte strukturierte Daten (26,95%) und unstrukturierte klinische Notizen (73,04%), die über natürliche Sprachverarbeitung aus 2829 Variablen extrahiert wurden, und wählte 230 relevante Prädiktoren aus. Dreißig Modelle, einschließlich Random Forests, Support Vector Machines, neuronalen Netzen und Gradient Boosting, wurden entwickelt und evaluiert. Der Datensatz wurde zufällig aufgeteilt (5/7 Training, 2/7 Test) mit gewahrter Unabhängigkeit auf Patientenebene. Ergebnisse: Das BiAlert-Sepsismodell (Random Forest + Sepsis-2-Ensemble) erreichte einen AUC-ROC von 0,95, eine Sensitivität von 0,93 und eine Spezifität von 0,84, die deutlich besser abschnitt als traditionelle Ansätze. Im Vergleich zur besten regelbasierten Methode (Sepsis-2 + qSOFA, AUC-ROC 0,90) reduzierte BiAlert die falsch-positiven Ergebnisse um 39,6% (13,10% vs. 21,70%, p < 0,01). Neuartige Prädiktoren umfassten Eosinopenie und Hypoalbuminämie, während traditionelle Variablen (MAP, GCS, Thrombozyten) eine minimale univariate Assoziation zeigten. Das Modell erhielt im Juni 2024 die Genehmigung der Europäischen Arzneimittel-Agentur als Medizinprodukt. Schlussfolgerungen: Dieses krankenhausweite maschinelle Lernmodell, das auf prospektiv von Experten validierten Fällen trainiert wurde und umfangreiche, aus NLP abgeleitete Merkmale integriert, zeigt eine überlegene Leistung bei der Sepsis-Erkennung im Vergleich zu konventionellen Bewertungssystemen. Externe Validierung und prospektive Studien zur klinischen Wirkung sind erforderlich, bevor eine breite Umsetzung erfolgen kann.