Modell des maschinellen Lernens nutzt Bluttests zur Vorhersage des Überlebens von COVID-19-Patienten
Eine einzige Blutprobe eines schwerkranken COVID-19-Patienten kann von einem maschinellen Lernmodell analysiert werden, das Blutplasmaproteine verwendet, um das Überleben vorherzusagen, und zwar Wochen vor dem Ergebnis. Dies geht aus einer neuen Studie von Florian Kurth und Markus Ralser von der Charité - Universitätsmedizin Berlin und Kollegen hervor, die in der Open-Access-Zeitschrift PLOS Digital Health veröffentlicht wurde.
Gesundheitssysteme auf der ganzen Welt haben Schwierigkeiten, die große Zahl schwer kranker COVID-19-Patienten zu versorgen, die besonderer medizinischer Betreuung bedürfen, insbesondere wenn sie als Hochrisikopatienten eingestuft werden. Klinisch etablierte Risikobewertungen in der Intensivmedizin, wie SOFA oder APACHE II, zeigen nur eine begrenzte Zuverlässigkeit bei der Vorhersage zukünftiger Krankheitsverläufe für COVID-19.
In der neuen Studie untersuchten die Forscher die Werte von 321 Proteinen in Blutproben, die zu 349 Zeitpunkten von 50 schwerkranken COVID-19-Patienten entnommen wurden, die in zwei unabhängigen Gesundheitszentren in Deutschland und Österreich behandelt wurden. Mithilfe eines maschinellen Lernverfahrens wurden Zusammenhänge zwischen den gemessenen Proteinen und dem Überleben der Patienten festgestellt.
15 der Patienten in der Kohorte starben; die durchschnittliche Zeit von der Aufnahme bis zum Tod betrug 28 Tage. Bei den Patienten, die überlebten, betrug die mittlere Verweildauer im Krankenhaus 63 Tage. Die Forscher ermittelten 14 Proteine, die sich im Laufe der Zeit bei den überlebenden Patienten im Vergleich zu den Patienten, die nicht auf der Intensivstation überlebten, in entgegengesetzter Richtung veränderten. Das Team entwickelte dann ein maschinelles Lernmodell zur Vorhersage des Überlebens auf der Grundlage einer einzigen Zeitpunktmessung der relevanten Proteine und testete das Modell an einer unabhängigen Validierungskohorte von 24 schwerkranken COVID-10-Patienten. Das Modell zeigte in dieser Kohorte eine hohe Vorhersagekraft, indem es das Ergebnis für 18 von 19 Patienten, die überlebten, und 5 von 5 Patienten, die starben, korrekt vorhersagte (AUROC = 1,0, P = 0,000047).
Die Forscher kommen zu dem Schluss, dass Bluteiweißtests, sofern sie in größeren Kohorten validiert werden, sowohl bei der Identifizierung von Patienten mit dem höchsten Sterberisiko als auch bei der Prüfung, ob eine bestimmte Behandlung den prognostizierten Verlauf eines einzelnen Patienten verändert, nützlich sein können.
Originalveröffentlichung
