KI-gestützte Heparin-Optimierung bei chirurgischer Sepsis senkt Mortalität

Ein neues datenbasiertes Verfahren zur Optimierung der Heparin-Therapie bei Patienten mit chirurgischer Sepsis hat die Sterblichkeitsrate signifikant reduziert. Forscher nutzten die umfangreichen Patientendaten aus den MIMIC‑IV v1.0 und eICU v2.0 Datenbanken, um ein Reinforcement‑Learning‑Framework zu entwickeln, das die Behandlung individuell anpasst.

Im Mittelpunkt steht die Umwandlung des klassischen SOFA‑Scores in einen kontinuierlichen cxSOFA‑Wert, der feinere Zustände und Belohnungsfunktionen ermöglicht. Auf dieser Basis definiert das Modell schrittweise „gute“ und „schlechte“ Behandlungsstrategien und bewertet sie anschließend mit einer Treatment Effect Comparison Matrix (TECM), die ähnlich einer Konfusionsmatrix für Klassifikationsaufgaben funktioniert.

Durch den Einsatz verschiedener RL‑Algorithmen – darunter Q‑Learning, DQN, DDQN, BCQ und CQL – zeigte sich die cxSOFA‑CQL‑Variante als besonders leistungsfähig. Sie senkte die Mortalität von 1,83 % auf 0,74 % und verkürzte die durchschnittliche Krankenhausaufenthaltsdauer von 11,11 auf 9,42 Tage. Die TECM‑Analyse bestätigte die Robustheit der Ergebnisse über alle Modelle hinweg.

Dieses neue Framework liefert nicht nur interpretierbare, sondern auch robuste Optimierungen der Heparin‑Therapie. Die kontinuierliche cxSOFA‑Bewertung und die TECM‑basierte Evaluation eröffnen einen vielversprechenden Ansatz, um die klinische Versorgung von Sepsis‑Patienten nachhaltig zu verbessern.