Wie lassen sich kritische Zustandsveränderungen bei Intensivpatientinnen und -patienten frühzeitig erkennen und zugleich fachlich nachvollziehbar bewerten. Dieser Frage widmet sich ein aktuelles wissenschaftliches Paper, das in Communications Medicine, einem peer-reviewten Fachjournal aus dem Nature-Portfolio, veröffentlicht wurde. An der Arbeit war auch Markward Britsch, Data Scientist bei HMS, als Teil eines interdisziplinären Forschungsteams beteiligt.
Im Projekt entwickelte das Team ein KI-gestütztes System, das täglich aktualisierte Vorhersagen zur klinischen Verschlechterung über einen Zeitraum von 48 Stunden liefert. Die Datengrundlage ist belastbar. Sie umfasst knapp 10.000 reale Datensätze aus elektronischen Patientenakten von Intensivstationen, darunter Vitalparameter, Laborwerte und Informationen zur Medikation.
Im Mittelpunkt steht ein Ansatz, der Dynamik und Interpretierbarkeit verbindet. Das Modell passt sich kontinuierlich an den aktuellen Zustand der Patientinnen und Patienten an. Gleichzeitig macht es transparent, welche Faktoren die jeweilige Prognose beeinflussen. Für Ärztinnen und Ärzte entsteht so eine datenbasierte Entscheidungsunterstützung, die medizinische Einschätzungen fundiert und die Planung von Ressourcen auf Intensivstationen unterstützt.
Das Paper wurde von einem interdisziplinären Autorenteam verfasst, zu dem Simone Britsch, Markward Britsch, Simon Lindner, Leonie Hahn, Verena Schneider-Lindner, Thomas Helbing, Manfred Thiel, Daniel Duerschmied und Tobias Becher gehören.
Markward Britsch war im Team insbesondere für die Datenaufbereitung und Modellierung verantwortlich. Seine Arbeit reichte von der strukturierten Extraktion komplexer ICU-Daten bis zur Entwicklung des Machine-Learning-Algorithmus. Dabei floss seine langjährige Erfahrung als Data Scientist bei HMS ebenso ein wie der fachliche Austausch mit HMS-Expertinnen und -Experten zu spezialisierten Fragestellungen.
Die Veröffentlichung in einem Nature-Journal unterstreicht den wissenschaftlichen Anspruch des Projekts. Zugleich zeigt sie exemplarisch, wie HMS-Kompetenz in Data Science und KI über klassische Projektkontexte hinaus wirkt und verantwortungsvoll in hochregulierte klinische Forschungsumfelder transferiert wird.
Titel des Papers: An interpretable machine learning algorithm enables dynamic 48-hour mortality prediction during an ICU stay
Das vollständige Paper ist hier abrufbar.
