Passive Evaluierung im Betriebsumfeld des AI Clinician Decision Support Systems für die Sepsis-Behandlung

Sepsis ist eine lebensbedrohliche Organfunktionsstörung aufgrund einer schweren Infektion und betrifft jährlich 250.000 Patienten im Vereinigten Königreich (vor COVID-19), von denen 48.000 sterben. Darüber hinaus hatten praktisch alle COVID-19-Todesfälle auf der Intensivstation (ICU) eine Sepsis. Es ist eine der häufigsten Todesursachen und die teuerste in Krankenhäusern behandelte Erkrankung. Es wurde von der James Lind Alliance, einer Partnerschaft von Patienten und Klinikern, als oberste Forschungspriorität anerkannt, um die dringendsten unbeantworteten Fragen des NHS zu priorisieren.

Der Grundstein der Sepsis-Wiederbelebung ist die Verabreichung von intravenösen Flüssigkeiten und/oder Vasopressoren (Medikamente, die die Blutgefäße zusammendrücken, um den Blutdruck zu erhöhen), um den Blutfluss aufrechtzuerhalten und so Organversagen zu verhindern. Es besteht jedoch große Unsicherheit hinsichtlich der individuellen Dosierung dieser Medikamente bei einem einzelnen Patienten, was teilweise auf die hohe Sepsis-Heterogenität zurückzuführen ist. Die aktuellen Leitlinien geben Empfehlungen auf Bevölkerungsebene, versäumen es jedoch, die Entscheidungen zu individualisieren. Falsche Entscheidungen führen zu schlechteren Ergebnissen und einem erhöhten Ressourcenverbrauch auf der Intensivstation. Ein Tool zur Personalisierung dieser Medikamente könnte das Überleben der Patienten verbessern.

Das Studienteam hat eine neue Methode zur automatischen und kontinuierlichen Überprüfung und Empfehlung der richtigen Dosis dieser Medikamente an Ärzte entwickelt, die mithilfe von Techniken der künstlichen Intelligenz (KI) erstellt wurde, die auf große medizinische Datenbanken angewendet wurden. Die verwendete Methode nennt sich Reinforcement Learning. In diesem Rahmen modelliert die Studie Patienten mit Sepsis auf der Intensivstation als Angehörige einer großen Anzahl möglicher Krankheitszustände und analysiert, welche Interventionen ihnen wahrscheinlich beim Übergang in einen gesünderen Zustand und schließlich beim Überleben helfen werden. Die Forscher zeigten in ihrer ersten Veröffentlichung, dass der Wert der von der KI gewählten Strategie im Durchschnitt zuverlässig höher war als der von menschlichen Klinikern. In einer großen, von den Trainingsdaten unabhängigen Validierungskohorte war die Sterblichkeit bei Patienten am niedrigsten, bei denen die tatsächlichen Dosen der Ärzte mit den Entscheidungen der KI übereinstimmten: Die Sterblichkeitsraten stiegen dosisabhängig an, da die tatsächlichen Entscheidungen der Ärzte von den Entscheidungen der KI abwichen. Das Studienteam hat geschätzt, dass sein KI-Algorithmus die Sterblichkeit (relativ gesehen) um 10 % senken könnte, was der Rettung von über 1.000 Leben pro Jahr in Großbritannien entspricht und sich auf Hunderttausende Leben weltweit ausweiten würde. Nun beabsichtigt das Studienteam, mit der klinischen Erprobung dieser KI-Technologie in Großbritannien zu beginnen.

Das geplante Endprodukt wird eine Software sein, auf die Kliniker (zunächst Intensivärzte, später dann auch Intensivpfleger) am Krankenbett auf der Intensivstation zugreifen können. Diese Software wird mit der elektronischen Patientenakte verbunden, die dem KI-Algorithmus zugeführt wird. Im Gegenzug wird die KI erkennen, wo sich der Patient in der Reihe möglicher Krankheitszustände befindet und welche Maßnahmen (eine Dosis intravenöser Flüssigkeiten und Vasopressoren) am wahrscheinlichsten vorteilhaft sind.

Zunächst wird das Studienteam dieses Softwaretool entwickeln, das in der Lage ist, Patientendaten in der elektronischen Patientenakte von NHS-Krankenhäusern in Echtzeit zu verarbeiten, um eine Vorgehensweise vorzuschlagen. Die Studie beginnt mit der Evaluierung und Verfeinerung dieses Tools in Simulationsstudien. Das Studienteam wird das KI-Tool dann in zwei NHS-Trusts im „Schattenmodus“ testen, wenn das Ergebnis nicht an diensthabende Kliniker weitergegeben wird, die für die Patientenversorgung verantwortlich sind. Dadurch wird ein Vergleich zwischen tatsächlich getroffenen Entscheidungen und empfohlenen Entscheidungen des KI-Systems ermöglicht. In der zweiten Phase der klinischen Bewertung wird das Studienteam den Klinikern die Empfehlungen präsentieren, um die Akzeptanz des Tools für Kliniker zu beurteilen und auch die technische Machbarkeit zu bestätigen, um künftige groß angelegte klinische Studien zu unterstützen.

Die langfristig erwarteten Vorteile dieses Projekts sind zahlreich: verbesserte Überlebenschancen der Patienten, geringerer Verbrauch wertvoller Ressourcen auf der Intensivstation und geringere Gesundheitskosten.