Marcia Frellick, Medscape



Ein neues Vorhersagemodell könnte Ärzten helfen, zu erkennen, bei welchen Patienten sich COVID-19 wahrscheinlich verschlimmert und wie schnell daraus eine schwere Erkrankung wird. Das berichten Prof. Dr. Brian Garibaldi von der Johns Hopkins University School of Medicine in Baltimore, Maryland, und Kollegen in den Annals of Internal Medicine[1].

Sie entwickelten einen Risikorechner für COVID-19 mit 24 Variablen, von denen bekannt ist, dass sie mit der Erkrankung assoziiert sind. Dazu gehören u.a. das Alter, der Body-Mass-Index (BMI), Grunderkrankungen, Vitalparameter und die Schwere der Symptome zum Zeitpunkt der stationären Aufnahme.

Die Daten wurden bei der Betreuung von 832 Patienten mit COVID-19 zwischen dem 4. März und dem 24. April in 5 Krankenhäusern in Maryland und Washington, DC, erhoben.

Modell zeigt Risikoextreme auf
Die Autoren sagen, dass ihr Modell die Wahrscheinlichkeit einer schweren Erkrankung (definiert als hoher Bedarf an Sauerstoff zur Unterstützung oder als maschinelle Beatmung) oder des Todes zwischen 5 % bis 90 % prognostizieren kann. Sie geben zu bedenken, dass sich der Schweregrad von COVID-19 um den Faktor 18 unterscheiden kann.

In ihrer Veröffentlichung nennen sie Beispiele:

Bei einer 81-jährigen schwarzen Frau mit Diabetes und Bluthochdruck, einem BMI von 35 kg/m2, Fieber, einer Atemfrequenz von 32 Atemzügen/min, einem hohen CRP-Wert und einem D-Dimer-Wert von über 1 mg/l hat liegt die Wahrscheinlichkeit, dass sich COVID-19 bis hin zum Tod verschlechtert, bei 80% (Tag 2 nach der Aufnahme), 92% (Tag 4) bzw. 96% (Tag 7).

Im Gegensatz dazu hat ein 39-jähriger männlicher Latino mit einem BMI von 23 kg/m2, ohne Komorbiditäten oder Fieber eine Wahrscheinlichkeit für schwere Verläufe von 3% (Tag 2), 5% (Tag 4) und 5% (Tag 7).

Garibaldi sagte gegenüber Medscape, das Modell habe zu verschiedenen Zeitpunkten nach der Aufnahme unterschiedliche Genauigkeiten. „An den ersten beiden Tagen ist es zu 85 Prozent genau, und dann in der ersten Woche liegt die Genauigkeit bei etwa 80 Prozent.“

An den ersten beiden Tagen ist es zu 85 Prozent genau, und dann in der ersten Woche liegt die Genauigkeit bei etwa 80 Prozent. Prof. Dr. Brian Garibaldi

Familien informieren, Behandlungsziele festlegen
Informationen aus dem Modell könnten Ärzten helfen, Patienten und Familien über den wahrscheinlichsten Krankheitsverlauf zu informieren und Behandlungsziele zu definieren, sagte Garibaldi.

Für Gesundheitssysteme sei es hilfreich zu verstehen, wie wahrscheinlich es bei Patienten auf der Intensivstation zu einem Aufwärtstrend komme beziehungsweise ob Krankenhäuser über die richtigen Medikamente und Räumlichkeiten verfügten.


Auch zum Zeitfaktor sind Aussagen möglich. „Der Median der Zeit bis zur Entwicklung einer schweren Erkrankung oder bis zum Tod in unserer Kohorte betrug nur etwas mehr als ein Tag. Das deutet darauf hin, dass es für diese Patienten ein sehr begrenztes Zeitfenster gibt, in dem wir etwas tun können“, sagte Garibaldi.

Wie funktioniert der Algorithmus?
Garibaldis Team arbeitete mit einer Präzisionsmedizin-Analytikplattform (PMAP), die nicht nur Alter, Komorbiditäten und demografische Daten, sondern auch Labordaten, Medikamente und Patientenverläufe berücksichtigte.

Es gebe viele Modelle, die veröffentlicht worden seien oder sich in der Entwicklung befänden, aber „dies ist ein methodisch wirklich gut gemachtes Modell“, erklärte Dr. Michael Kattan gegenüber Medscape. Er ist Leiter des Department of Quantitative Health Sciences an der Cleveland Clinic Ohio und hat das prognostische Modell mitentwickelt.

Dies ist ein methodisch wirklich gut gemachtes Modell. Dr. Michael Kattan
Kattan wies auf die Verwendung der Fläche unter der kumulativ-dynamischen ROC-Kurve (Receiver Operating Characteristic) hin, um die Fähigkeit des Modells zur Unterscheidung von Patienten mit höherem und niedrigerem Risiko zu bewerten. „Das ist eine elegante Art und Weise, die Leistung zu beurteilen, und das trennt sie von der Masse [ähnlicher Anwendungen]“, sagte er.


Darüber hinaus „wird ein sehr moderner Ansatz zur Auswahl der Prädiktoren sowie zur Abschwächung ihrer Auswirkungen verwendet“, um die Verallgemeinerbarkeit zu erhöhen, sagte er. Die Verallgemeinerbarkeit der Daten wird in der Publikation als eine Einschränkung genannt, da die Forschung an einer einzigen Institution durchgeführt wurde.

Wenn das Modell systematisch validiert werde und sich zeige, dass sich die Versorgung verbessere, könnten es Anbieter in elektronische Gesundheitsakten einfließen lassen, sagte Garibaldi.

Kattan merkte an, dass die Kreuzvalidierung nach Standorten dazu beitrage, mehr Vertrauen in die Ergebnisse aufzubauen. Hierbei entfernten die Forscher randomisiert Daten zu einem von 5 Krankenhäusern und testeten dann das Modell aus den 4 verbliebenen Standorten an dem einen (aus dem Modell entfernten) Standort, um die Ergebnisse zu vergleichen. Sie wiederholten diese Prüfung für jedes Zentrum. „Nach der Interpretation funktionierte es in jedem Krankenhaus gut, wenn sie es so machten“, sagte Kattan.

Gefahr der Fehleinschätzung?
Das Einzige, was Kattan fehlte, war „die Kalibrierungsleistung des Risikorechners“ oder die Übereinstimmung zwischen einer prognostizierten Wahrscheinlichkeit und dem Anteil der Menschen, die ein bestimmtes Ergebnis tatsächlich hatten.

Garibaldi zufolge bestehe generell die Gefahr, dass das Vertrauen in einen Algorithmus zu Fehleinschätzungen führen könne. Aus diesem Grund betonen die Autoren, dass das Modell nicht dazu gedacht sei, die Expertise eines Arztes zu ersetzen, sondern vielmehr in Verbindung mit ihm verwendet werden sollte.

Seitdem Daten zu Beginn der Pandemie gesammelt worden wären, habe man viel über Interventionen, Symptome und Verbreitung gelernt, so Garibaldi. Johns Hopkins-Klinken hätten inzwischen mehr als 3.000 COVID-19-Patienten betreut.

Längsschnittdaten, das gesammelte Wissen über die Anwendung der mechanischen Beatmung und den Einsatz von Therapien würden zur Verfeinerung des Modells beitragen, sagte er.