Maschinelles-Lernen-Modell zur Risikobewertung von Corona-Intensivpatienten
2022
Charité - Universitätsmedizin Berlin, Berlin, Deutschland
Klinisch etablierte Risikobewertungen, wie SOFA- und APACHE II-Scores, zeigen eine begrenzte Leistung für die Vorhersage des Überlebens von schwerkranken COVID-19-Patienten. In der vorliegenden Studie wurden zur Optimierung der Behandlung und Zuweisung intensivmedizinischer Ressourcen Plasma-Proteome zweier voneinander unabhängigen Patientenkohorten (Deutschland und Österreich) analysiert, um das Ergebnis (Tod vs. Überleben) bei schweren Verläufen vorherzusagen. In Zeitreihenproben wurden 14 Entzündungsproteine identifiziert, die bei Patienten mit tödlichem Ausgang signifikant anstiegen. Bei Überlebenden wurde parallel eine Abnahme dieser Proteine im Plasma beobachtet. Die proteomischen Prädiktoren zeigten eine hohe Treffsicherheit in der Ergebnisvorhersage, während die parallel bewerteten etablierten Methoden deutlich schlechter abschnitten. Zeitreihenproben sind zeit- und arbeitsaufwendig und daher ungeeignet für die klinische Diagnostik und Therapieentscheidungen. Daher entwickelte die Forschungsgruppe ein Maschinelles-Lernen-Modell, dessen Vorhersagen auf Einzelzeit-Proben basieren, die zum ersten Zeitpunkt auf der maximalen Behandlungsstufe (WHO-Grad 7) der Patienten entnommen wurden. Die KI analysiert einzelne Proteinpaare und berechnet die Wahrscheinlichkeit eines tödlichen Ausgangs, durch Bewertung individueller Abweichungen von der Gesamtpopulation. Das Modell identifizierte 15 Proteine des Gerinnungssystems und 8 Proteine der Komplementkaskade als hoch relevant für eine schwere Verlaufsform mit tödlichem Ausgang. Basierend auf Proteomik-Daten der Patienten-Kohorte aus Deutschland, sagte die KI das Ergebnis für 18 von 19 Patienten, die überlebten, und für 5 von 5 Patienten, die in der Österreich-Kohorte verstarben, korrekt voraus. Die Ergebnisse zeigen, dass das Plasmaproteom die Reaktion des Wirts auf Covid19 physiologisch umfassend widerspiegelt und die klinische Diagnostik von Corona-Risikopatienten deutlich verbessert. Die Proteom-Analyse und Entwicklung weiterer Prädikatoren kann sich als hilfreich erweisen die Diagnostik und Therapiewahl anderer Krankheitsbilder zu verbessern.
A proteomic survival predictor for COVID-19 patients in intensive care
Florian Kurth
Eingestellt am: 11.08.2022
[1] https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000007[2] https://www.bionity.com/en/news/1174423/machine-learning-model-uses-blood-tests-to-predict-covid-19-survival.html
