Schnelle Ausbruchserkennung im Krankenhaus: Multimodale KI-Ansätze

Die rasche Identifizierung von Krankheitsausbrüchen in Krankenhäusern ist entscheidend, um potenziell epidemische Pathogene zu kontrollieren. Obwohl die vollständige Genomsequenzierung (WGS) das Goldstandardverfahren für Ausbruchuntersuchungen darstellt, sind ihre hohen Kosten und langen Durchlaufzeiten ein Hindernis für die routinemäßige Überwachung, insbesondere in weniger ausgestatteten Einrichtungen.

In dieser Studie werden drei schnelle Alternativen untersucht: die Matrix‑assisted Laser Desorption/Ionization-Time of Flight (MALDI‑TOF) Massenspektrometrie, Muster der antimikrobiellen Resistenz (AR) und elektronische Gesundheitsakten (EHR). Durch die Kombination dieser Modale entsteht ein umfassender Blick auf potenzielle Ausbruchsquellen.

Ein maschinelles Lernmodell extrahiert diskriminierende Merkmale aus den drei Datenquellen und unterstützt die Ausbruchserkennung. Die Evaluation mit mehreren Bakterienarten zeigt, dass die Integration der Modale die Erkennungsleistung deutlich steigert. Das Modell liefert nicht nur frühzeitige Warnungen, sondern auch Hinweise auf spezifische Risikofaktoren.

Darüber hinaus wird ein gestuftes Überwachungsparadigma vorgeschlagen, das den Bedarf an WGS reduziert, indem es die alternativen Modale nutzt. Die Analyse der EHR‑Informationen identifiziert potenziell hochriskante Kontaminationswege, die mit bestimmten klinischen Verfahren, insbesondere invasiven Geräten und hochfrequenten Arbeitsabläufen, verbunden sind. Diese Erkenntnisse geben den Infektionspräventions‑Teams konkrete, umsetzbare Ziele für eine proaktive Risikominderung vor.