Ein multidisziplinäres Forschungsteam hat gezeigt, wie künstliche Intelligenz (KI) und maschinelles Lernen die Therapie bei septischem Schock optimieren können – einer lebensbedrohlichen Komplikation, die weltweit zu mehr als 270.000 Todesfällen pro Jahr in den USA führt. Die Studie, die in der Journal of the American Medical Association veröffentlicht wurde, umfasst Experten von der Johns Hopkins University, darunter Suchi Saria, die bereits ein KI-gestütztes Frühwarnsystem entwickelt hat, das die Sepsis-Mortalität in Dutzenden US-Hospitälern senkt. Bei septischem Schock sinkt der Blutdruck so stark, dass Organe nicht mehr ausreichend mit Sauerstoff versorgt werden, was zu Organversagen führen kann. Die Notfallbehandlung umfasst Flüssigkeitsgaben und Vasopressoren, die die Blutgefäße verengen, um den Blutdruck zu erhöhen. Die gängigen Leitlinien empfehlen, zunächst Norepinephrin einzusetzen und erst bei anhaltend niedrigem Blutdruck auf Vasopressin umzusteigen – ein Hormon, das extrem wirksam, aber auch mit hohem Risiko für Nebenwirkungen verbunden ist, insbesondere wenn es zu früh verabreicht wird. Die Herausforderung liegt darin, den optimalen Zeitpunkt für den Wechsel zu bestimmen, was aufgrund der dynamischen Natur des Zustands schwer zu prognostizieren ist. Bisherige Ansätze, wie klinische Studien mit festgelegten Kriterien, sind teuer, langwierig und testen nur eine Variante gleichzeitig. Stattdessen setzten die Forscher auf Reinforcement Learning (RL), eine Form des maschinellen Lernens, bei der ein virtueller Agent aus Erfahrungen lernt, um die beste Entscheidung zu treffen. Sie trainierten ein RL-Modell an Daten von über 3.500 Patienten aus verschiedenen Krankenhäusern sowie öffentlichen Datensätzen. Das Modell berücksichtigte dabei individuelle Parameter wie Blutdruck, Organschäden und andere Medikamente, um den perfekten Zeitpunkt für die Gabe von Vasopressin vorherzusagen. Anschließend validierten sie das Modell an einer unabhängigen Gruppe von fast 11.000 Patienten. Die Ergebnisse zeigten, dass die Behandlung gemäß den Empfehlungen des Algorithmus mit einer signifikant niedrigeren Sterblichkeit verbunden war – und dass Patienten, die genau zu dem Zeitpunkt mit Vasopressin behandelt wurden, den der Algorithmus vorgeschlagen hatte, am besten abschnitten. Interessanterweise führte eine zu frühe Gabe, selbst wenn sie noch vor dem Algorithmus lag, zu schlechteren Ausgängen, was die Notwendigkeit individualisierter Therapie unterstreicht. Die Studie zeigt, dass die aktuelle klinische Praxis oft zu spät mit Vasopressin beginnt, während das Modell eine frühere, aber präzise Intervention empfiehlt. Die Forscher betonen, dass es keine einheitliche Regel gibt – die Resuscitation praxis variiert stark zwischen Krankenhäusern und Ländern. Die Ergebnisse gelten für eine vielfältige Patientenpopulation, was die Allgemeingültigkeit des Ansatzes unterstreicht. Als nächster Schritt wird das Modell an der UCSF Medical Center implementiert, zunächst in Kooperation mit Bayesian Health, einem KI-Unternehmen, das aus Sarias Forschung hervorgegangen ist. Ziel ist die nationale Ausweitung. „Wir bewegen uns von Versprechen zur Realität“, sagt Saria. Der Ansatz eröffnet weitreichende Möglichkeiten: Statt einzelne klinische Studien durchzuführen, kann RL aus bereits vorhandenen Daten lernen und gleichzeitig Tausende Behandlungsstrategien gleichzeitig analysieren – quasi „Experimente, die bereits stattgefunden haben“. Dies könnte die Entwicklung personalisierter, effektiver Therapien in vielen Bereichen der Medizin beschleunigen. Experten sehen in der Studie einen Meilenstein: „Dies ist der Beginn einer neuen Ära der datengetriebenen, individualisierten Intensivmedizin“, sagt ein KI-Experte aus der Medizinischen Informatik. Die Integration von RL in klinische Entscheidungsprozesse könnte nicht nur die Überlebensraten bei septischem Schock steigern, sondern auch die Effizienz und Sicherheit der Versorgung generell verbessern. Die Technologie ist noch in der Entwicklung, doch die ersten Ergebnisse sind vielversprechend und könnten bald klinisch umgesetzt werden.