Machine-Learning-basierte Integration von Biomarkern und klinischen Parametern zur optimierten Risikostratifizierung der neonatalen Sepsis
Zeitschrift für Geburtshilfe und Neonatologie · 01.06.2026 · 230 (03) · S115-S116
DOI: 10.1055/s-0046-1823554 ↗Kurz gefasst
Fachartikel in der Zeitschrift Zeitschrift für Geburtshilfe und Neonatologie, erschienen am 01.06.2026. Verfasst von P Fischer und 7 weiteren Autor:innen.
Themen: Sepsis
Abstract (Originalsprache)
Hintergrund
Die neonatale Sepsis stellt weiterhin eine zentrale Herausforderung in der Versorgung von Neugeborenen dar. Aufgrund unspezifischer Frühzeichen und der potenziell schwerwiegenden Folgen eines Therapieverzugs werden Antibiotika häufig bereits im Verdachtsfall eingesetzt, was zu relevantem Overtreatment führt. Bestehende Risikostratifizierungsmodelle basieren überwiegend auf klinischen und perinatal-anamnestischen Parametern; etablierte Biomarker wie IL-6 und CRP werden darin bislang nicht systematisch berücksichtigt. Ziel dieser Studie ist es, klinische Daten und Biomarker mithilfe von Machine-Learning-Methoden auf Basis großer bestehender Datensätze zu integrieren, um das individuelle Sepsisrisiko präziser zu quantifizieren, die Diagnostik gezielter zu steuern und unnötige Antibiotikatherapien zu reduzieren.
Methoden
In diese Studie wurden 296 Neugeborene mit einem Gestationsalter von≥34 Wochen eingeschlossen, bei denen der Verdacht auf eine Infektion bestand. Zur Früherkennung der Infektion wurde ein XGBoost-Algorithmus (Machine Learning) trainiert, der klinische Parameter sowie Biomarker (IL-6, CRP) integriert. Die Gesamtkohorte wurde im Verhältnis 0,7/0,15/0,15 in Trainings- (n=207), Validierungs- (n=44) und Testdatensätze (n=45) unterteilt. Zur Vermeidung von Bias erfolgten Training und Optimierung ausschließlich auf dem Trainings- und Validierungsdatensatz, während der Testdatensatz nur zur finalen Auswertung herangezogen wurde. Zur Überprüfung der Generalisierbarkeit wurde das Modell zusätzlich ohne Nachtraining an einem unabhängigen externen Datensatz von 360 Kindern validiert. Die Interpretierbarkeit des Modells und die Gewichtung der einzelnen Variablen wurden mittels SHAP-Values (Shapley Additive Explanations) analysiert.
Ergebnisse
Die Vorhersagegüte wurde mittels Area Under the Curve (AUC) bewertet. Auf dem internen Testdatensatz zeigte die Kombination aus klinischen Parametern und Biomarkern die höchste Genauigkeit (AUC 0,92±0,04), gefolgt von der alleinigen Nutzung von Biomarkern (AUC 0,91±0,05). Modelle, die ausschließlich auf klinischen Parametern basierten, zeigten signifikante Einbußen in der Diagnosegüte (AUC 0,68±0,09). Diese Ergebnisse bestätigten sich in der unabhängigen Validierungskohorte: Auch hier war der kombinierte Ansatz (AUC 0,83±0,03) dem reinen Biomarker-Modell (AUC 0,78±0,03) und dem rein klinischen Modell (AUC 0,66±0,03) überlegen. Die SHAP-Analyse identifizierte IL-6, CRP, Gestationsalter, Sauerstoffbedarf und Base Excess als die wichtigsten Prädiktoren für die Klassifizierung . Schlussfolgerung: Die ML-basierte Kombination klinischer und anamnestischer Daten mit Biomarkern ermöglicht eine präzisere Sepsis-Risikostratifizierung und kann unnötige Antibiotikatherapien reduzieren. Der Einbezug von IL-6 und CRP verbessert die diagnostische Präzision. Vor einer routinemäßigen Anwendung soll der Algorithmus prospektiv validiert und mit etablierten Risikobewertungstools verglichen werden. Publication History Article published online: 10 June 2026 © 2026. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany
Zitieren
APA
Fischer, P., Holzapfel, S., Preßler, J., Ammon, L., Bastian, L., Michel, H., Elsen, E., & Wellmann, S. (2026). Machine-Learning-basierte Integration von Biomarkern und klinischen Parametern zur optimierten Risikostratifizierung der neonatalen Sepsis. Zeitschrift für Geburtshilfe und Neonatologie, 230(03), S115-S116. https://doi.org/10.1055/s-0046-1823554
Vancouver
Fischer P, Holzapfel S, Preßler J, Ammon L, Bastian L, Michel H, et al. Machine-Learning-basierte Integration von Biomarkern und klinischen Parametern zur optimierten Risikostratifizierung der neonatalen Sepsis. Zeitschrift für Geburtshilfe und Neonatologie. 2026;230(03):S115-S116. doi:10.1055/s-0046-1823554
BibTeX
@article{Fischer2026,
author = {Fischer, P and Holzapfel, S and Preßler, J and Ammon, L and Bastian, L and Michel, H and Elsen, EÖ and Wellmann, S},
title = {Machine-Learning-basierte Integration von Biomarkern und klinischen Parametern zur optimierten Risikostratifizierung der neonatalen Sepsis},
journal = {Zeitschrift für Geburtshilfe und Neonatologie},
year = {2026},
volume = {230},
number = {03},
pages = {S115--S116},
doi = {10.1055/s-0046-1823554}
}
EUVIMED