Medizin
„Big data“-Analyse: Wann leidet ein Patient unter Long COVID?
Mittwoch, 18. Mai 2022
Chapel Hill/North Carolina – US-Forscher haben einen Algorithmus entwickelt, der anhand der Einträge in einer elektronischen Krankenakte erkennen kann, ob ein Patient möglicherweise unter Long COVID leidet.
Die Ergebnisse wurden in Lancet Digital Health (2022; DOI: 10.1016/S2589-7500(22)00048-6) vorgestellt.
Die langfristigen Folgen von COVID-19, die in der Fachwelt auch als PASC („post-acute sequelae of COVID-19“) bezeichnet werden, sind erst ansatzweise erforscht. Dies liegt auch daran, dass es keine einheitliche Definition gibt, die über das Anhalten oder das Auftreten von neuen Symptomen über einen gewissen Zeitraum (meist werden 90 Tage gewählt) hinausgeht.
Die US-National Institutes of Health haben die RECOVER-Initiative („Researching COVID to Enhance Recovery“) ins Leben gerufen, um die Erkrankung PASC näher zu erforschen und nach möglichen Therapien zu suchen.
In einem ersten Schritt wurde nach Wegen gesucht, betroffene Patienten zu identifizieren. Dies ist eine Voraussetzung, um später Risikofaktoren für PASC zu ermitteln, den Verlauf der Erkrankung zu untersuchen und mögliche Behandlungsansätze zu finden.
Das Team um Emily Pfaff von der Chapel Hill School of Medicine in North Carolina hat zunächst die elektronischen Krankenakten von 97.995 erwachsenen COVID-19-Patienten ausgewertet (die die „National COVID Cohort Collaborative“ N3C gesammelt hat) und mit den Daten von 597 Patienten verglichen, die sich wegen Long-COVID-Beschwerden an eines von 3 Behandlungszentren gewendet hatten.
Mit einer Software auf der Grundlage des maschinellen Lernens wurden 3 Algorithmen entwickelt, die eine Verdachtsdiagnose eines PASC ermöglichen. Ein Algorithmus erkennt PASC unter ambulanten, ein weiterer unter stationären COVID-19-Patienten. Das 3. Modell umfasst beide Gruppen. Die Validierung erfolgte an Patienten aus einem 4. Behandlungszentrum für PASC-Patienten.
Die Genauigkeit war sehr hoch. Der AUROC-Wert („areas under the receiver operator characteristic curve“), der Sensitivität und Spezifität kombiniert, betrug bei den ambulanten Patienten 0,85, bei den hospitalisierten Patienten 0,90 und in der Gesamtgruppe 0,92. Dies ermöglicht zwar keine exakte Diagnose (AUROC 1,0), ist aber weit von einem Zufallsergebnis (AUROC 0,5) entfernt.
Die Algorithmen wurden zwar in erster Linie für die Forschung entwickelt. Die gefundenen Hinweise auf ein PASC dürften auch für Ärzte interessant sein. Es gab 4 Gruppen von Symptomen oder verordneten Medikamenten, die in den Krankenakten auf ein PASC hindeuten.
Die 1. Gruppe umfasst respiratorische Symptome, die über das Ende der akuten Erkrankung hinaus anhielten. Dazu gehören Dyspnoe, Husten und allgemeine Atembeschwerden sowie die Verordnung von Bronchospasmolytika wie Salbutamol oder Expektoranzien wie Guaifenesin.
Auch eine in der Krankenakte notierte Hypoxämie werteten die Algorithmen als Hinweis auf eine PASC. Eine 2. Gruppe umfasst Allgemeinsymptome wie Schlafstörungen, Angstzustände, Unwohlsein, Brustschmerzen und Verstopfung, sowie deren Behandlung mit Lorazepam, Melatonin (Schlafmittel) und Polyäthylenglykol (Abführmittel).
Die 3. Gruppe von Merkmalen, die die Software mit PASC in Verbindung brachte, waren die bekannten Risikofaktoren für einen schweren Verlauf wie Diabetes, chronische Nierenerkrankungen und chronische Lungenerkrankungen.
Die 4. Gruppe umfasst Medikamente, die vor allem im Krankenhaus eingesetzt werden. Dies waren Glukose, Ketorolac (Nichtopioidanalgetikum zur Schmerzlinderung) sowie Propofol und Naloxon (in der Anästhesie eingesetzte Mittel). © rme/aerzteblatt.de
Nachrichten zum Thema
