idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
Mit neuen Methoden auf Basis künstlicher Intelligenz (KI) gelingt dem AMPEL-Projekt am Universitätsklinikum Leipzig ein bedeutsamer Fortschritt beim Thema Patientensicherheit: Nun genügt bereits das kleine Blutbild, um Patient:innen mit Sepsis früher zu erkennen als bisher. Auch der bekannte Sepsis-Parameter Procalcitonin kann deutlich übertroffen werden.
Die AMPEL – 2018 ins Leben gerufen als Analyse- und Meldesystem zur Verbesserung der Patientensicherheit durch Echtzeitintegration von Laborbefunden (AMPEL) – hat sich seitdem weiterentwickelt und gilt nun als digitale Infrastruktur, die klinische KI-Anwendungen in der Routineversorgung ermöglicht.
Seit dem Start vor über fünf Jahren unterstützt das bereits mehrfach ausgezeichnete Projekt am Leipziger Uniklinikum das pflegerische und ärztliche Personal in der Patientenversorgung, indem es kritische Situationen in Echtzeit erkennt und somit die Patientensicherheit deutlich erhöht. Durch automatisierte Hinweise verbessern sich Verfügbarkeit und Gewichtung medizinischer Informationen. Die AMPEL nutzt einfache Berechnungen bis hin zu komplexen KI-Modellen und überwacht live alle dafür notwendigen Daten.
Steht der Verdacht einer Sepsis, einer Blutvergiftung, im Raum, kann es kritisch werden, und es zählt jede Stunde. Das Überleben dieser häufig tödlich verlaufenden Erkrankung hängt maßgeblich von frühestmöglichen Antibiotika-Gaben ab. Einen Meilenstein zur Sepsis-Früherkennung hat nun das AMPEL-Projekt des UKL erreicht: Mit neuen Methoden maschinellen Lernens konnte das Team ein KI-Modell entwickeln und an zwei weiteren Standorten, in Deutschland und den USA, wissenschaftlich bestätigen.
"Unsere Studie zur Vorhersage einer Sepsis anhand des kleinen Blutbildes wurde vom weltweit führenden Journal für Labormedizin 'Clinical Chemistry' angenommen. Dabei zeigen wir das Potenzial auf, wie man mit KI-Methoden und sehr wenigen und bereits erhobenen Laborparametern in der Routineversorgung ein ständiges Screening nach Patient:innen mit Beginn einer Sepsis umsetzen kann", erläutert Dr. Daniel Steinbach, Arzt und wissenschaftlicher Mitarbeiter am Institut für Laboratoriumsmedizin, Klinische Chemie und Molekulare Diagnostik und am Datenintegrationszentrum des UKL sowie Mitglied des AMPEL-Kernteams. "Und dass ohne zusätzliche Kosten mit unserem KI-Modell die Vorhersage des etablierten Markers Procalcitonins (PCT) deutlich übertroffen wird, dürfte ein großes Interesse hervorrufen."
Laborwerte des kleinen Blutbildes immer vorhanden, doch selten genutzt
Dass die Daten eines kleinen Blutbildes helfen könnten, frühzeitig eine Sepsis zu erkennen, kam anfangs selbst für das interdisziplinäre AMPEL-Team eher überraschend. "Die ersten Ergebnisse zeigten, dass die entwickelten KI-Modelle häufig auf die Daten des kleinen Blutbildes zurückgreifen. Das sind Laborwerte, die immer da sind, aber selten beachtet werden", sagt Dr. Steinbach. In der klinischen Versorgung der Sepsis-Erkennung spielten diese Laborbefunde kaum eine Rolle, so der UKL-Experte, obwohl sie in jedem Krankenhaus bei fast jeder Laborabnahme bestimmt würden. Zurückgegriffen würde eher auf spezifische Laborparameter wie Procalcitonin.
Dabei sei Procalcitonin ein Widerspruch in sich, sagt Maria Schmidt, die ebenfalls zum AMPEL-Kernteam gehört: "Obwohl es fast überall angewendet wird, kommen Studien regelmäßig zum Schluss, dass die Vorhersagekraft zu gering ist. Übrig bleibt eine Empfehlung zur Steuerung der richtigen Antibiotika-Therapie im Verlauf der Erkrankung." In ihrer Sepsis-Studie hätten sie nun zeigen können, dass man mit Methoden des maschinellen Lernens und in Kombination mit dem kleinen Blutbild die Aussagekraft von Procalcitonin deutlich verbessern könne, erklärt die Biometrikerin Schmidt.
Nach der Theorie soll nun die praktische Anwendung folgen: "In der Labormedizin kenne ich kein KI-Modell, das so ausführlich und aufwendig getestet wurde, wie jenes von uns veröffentliche Sepsis-Modell. Am Ende bleibt das trotzdem nur Theorie und erst die praktische Anwendung zeigt, ob und wie groß die Unterstützung dadurch wirklich ist. Doch genau das ist zum Glück eine der Kernkompetenzen der AMPEL", sagt Dr. Steinbach.
Weiterentwicklung als Open Source-Projekt
Martin Federbusch, Facharzt für Labormedizin, leitet das AMPEL-Projekt und bedauert, dass das UKL weiterhin das einzige Krankenhaus in Deutschland mit einer solchen digitalen Infrastruktur sei, wie sie durch AMPEL geschaffen werden konnte. "So bleibt ein wichtiges Ziel für uns: die Übertragung auf weitere Standorte", betont Federbusch. "Durch die breite Unterstützung an unserem Standort sind wir in der Lage, die KI-Plattform AMPEL unabhängig weiterzuentwickeln."
Seit diesem Jahr wird die AMPEL unter Federführung des Universitätsklinikums Leipzig durch Prof. Toralf Kirsten und seiner Abteilung für Medical Data Science als Open Source-Projekt weiterentwickelt. Im Mittelpunkt steht dabei, eine gemeinnützige KI-Infrastruktur für die Krankenversorgung zu erschaffen, die höchste Ansprüche an Anpassbarkeit, Interoperabilität und Transparenz erfüllt.
https://doi.org/10.1093/clinchem/hvae001
Dr. Daniel Steinbach, Martin Federbusch und Maria Schmidt (v.l.n.r.) gehören zum AMPEL-Kernteam. Ihr ...
Stefan Straube / UKL
Criteria of this press release:
Journalists
Medicine
transregional, national
Research projects
German
Dr. Daniel Steinbach, Martin Federbusch und Maria Schmidt (v.l.n.r.) gehören zum AMPEL-Kernteam. Ihr ...
Stefan Straube / UKL
You can combine search terms with and, or and/or not, e.g. Philo not logy.
You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).
Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.
You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).
If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).
