Vorhersage transfusionsassoziierter Komplikationen (PRETRACO)

Derzeit werden in Österreich jährlich etwa 350.000 Erythrozytenkonzentrate aus Blutspenden hergestellt.

Neben der Hauptwirkung, verlorenes Blut zu ersetzen, haben Erythrozytenkonzentrate auch viele unerwünschte Wirkungen – von pflegeleicht vermeidbaren Blutgruppenverträglichkeiten über lagerungsbedingte Nebenwirkungen bis hin zu meist intensivmedizinischen Problemen als Folge massive Transfusionen bis hin zu systemweiten Effekten wie TRALI, TACO und TRIM.

Erythrozytenkonzentrate durchlaufen vor der Verabreichung an Patienten einen umfangreichen Qualitätssicherungsprozess, bei dem eine Vielzahl von Parametern erhoben werden. Vor der Anwendung am Patienten werden beispielsweise Tests am Krankenbett und Tests auf weitere Unverträglichkeiten mit einer Blutprobe des vorgesehenen Patienten durchgeführt. Mit der Einführung des Patient Blood Management (PBM) in den letzten Jahren ist der Einsatz von Erythrozytenkonzentraten zielgerichteter geworden – die Zahl der Transfusionen nimmt in den meisten Industrieländern ab. Es ist jedoch immer noch möglich, transfusionsbedingte unerwünschte Ereignisse (TRAE) zu erleiden. Daher ist weiterhin eine aktive Forschungstätigkeit zur Verringerung dieser TRAEs erforderlich.

Bisher ist jedoch nicht bekannt, bei welchen Patienten transfusionsbedingte Nebenwirkungen auftreten. Trotz der umfassenden Hämovigilanz- und Prätransfusionstests ist es immer noch nicht möglich, vorherzusagen, welcher einzelne Patient auf eine Transfusion mit einem typischen unerwünschten Ereignis wie Hypotonie, Hämolyse, Nierenversagen oder TRALI ansprechen wird. Es erscheint nachvollziehbar, dass hierfür sowohl Eigenschaften des Patienten als auch Eigenschaften der verabreichten Einheit eine Rolle spielen könnten. Insbesondere ist denkbar, dass eine Kombination von Merkmalen der Bluteinheit und Merkmalen des Patienten eine Komplikation im Verlauf der Verabreichung bestimmen könnte. Aus diesem Grund erscheint es attraktiv, künstliche Intelligenz und Methoden des maschinellen Lernens einzusetzen, um etwaige Komplikationen vorherzusagen.