Anzeige

BinDoc GmbH: Identifikation und Prävention nosokomialer Infektionen mit Big-Data-Analysen

26. April 2024

Nosokomiale Infektionen, auch als Krankenhausinfektionen bekannt, stellen eine ernsthafte Herausforderung für das Gesundheitssystem dar. Sie führen zu längeren Krankenhausaufenthalten, erhöhten Kosten und in schweren Fällen sogar zu Todesfällen. Mit dem Aufkommen von Big-Data-Technologien eröffnen sich neue Möglichkeiten zur Identifikation und Prävention dieser Infektionen, was wir nachfolgend erläutern wollen.

Laut Robert Koch Institut (RKI) infizieren sich in Deutschland jährlich 400.000- 600.000 Patientinnen und Patienten mit nosokomialen Infektionen. 10.000-20.000 Menschen sterben jedes Jahr an den Folgen von Krankenhauskeimen. [1] Die nosokomiale Infektionsrate pro Krankenhausaufenthalt beträgt 3,6%. Das Thema Hygiene und Hygieneunterstützung mit Daten und intelligenten Analysen hat auch aufgrund dieser Zahlen in den letzten Jahren an Bedeutung gewonnen. Das Potenzial der Gesundheitsdatennutzung ist sehr groß und kann in den nächsten Jahren zu erheblichen Fortschritten führen.

Big Data im Gesundheitswesen umfasst eine enorme Menge an Daten, die aus verschiedenen Quellen wie Abrechnungsdaten, elektronischen Patientenakten, Labortests und medizinischen Bildgebungsverfahren stammen und zum Beispiel in einer Forschungsdatenbank anonymisiert gesammelt werden (Abbildung 1). Durch die Analyse dieser Daten können Muster und Trends erkannt werden, die für das Erkennen von nosokomialen Infektionen entscheidend sind.

Ein Schlüsselaspekt der Nutzung von Big Data in diesem Bereich ist die Fähigkeit, Risikofaktoren, Strukturen und Prozesse zu identifizieren, die Krankenhausinfektionen begünstigen. Durch statistische Analysen und maschinelles Lernen als Teil der künstlichen Intelligenz können Algorithmen entwickelt werden, die einem Krankenhaushygieneteam in Sekundenschnelle Transparenz über das nosokomiale Infektionsgeschehen innerhalb einer Klinik verschafften. Darüber hinaus wird dieses lernende System besser darin das Infektionsrisiko eines Patienten anhand seiner medizinischen Vorgeschichte, seines aktuellen Gesundheitszustands und der im Krankenhaus herrschenden Bedingungen vorherzusagen.

Transparenz und Auswirkungen als Startpunkt

Ein erster wesentlicher Verbesserungsschritt durch die Verwendung großer Datenmengen liegt in der Identifikation nosokomialer Infektionen, die nicht mehr nur stichprobenartig, sondern für eine gesamte Klinik möglich ist. In einem gemeinsamen Projekt haben die BinDoc GmbH und die Hartmann AG ihre Expertise gebündelt und eine Analyseplattform zur Identifikation nosokomialer Infektionen entwickelt, die neben der Lokalisation auch die qualitativen und monetären Auswirkungen nosokomialer Infektionen aufzeigen kann. Für das Hygieneteam in Krankenhäusern können derartige Analyseplattformen eine sehr hilfreiche Unterstützung bei der KISS-Surveillance darstellen. Die Toolbox kann dabei helfen, die Quelle, den Prozess und den Übertragungsweg von Infektionserregern zu identifizieren. Dies ermöglicht es Krankenhäusern, gezielte Maßnahmen zur Kontrolle der Infektionsausbreitung zu ergreifen, beispielsweise durch verbesserte Hygienemaßnahmen oder die Neugestaltung von Prozessen.

Ein weiterer Vorteil sind Benchmarking Funktionen, die Klinikern dabei helfen die eigenen Infektionsraten einzuordnen. Die Forschungsdatenbank, die der Analyseplattform von BinDoc zugrunde liegt, umfasst 21 Mio. anonymisierte Fälle, die für das Benchmarking verwendet werden können.

Wissenschaftliche Prüfung und Weiterentwicklung

Am Beispiel der chirurgischen Wundinfektionen (SSI) haben wir die Ergebnisse der Big-Data Analysen mit der klassischen KISS Surveillance im Modul "OP-KISS" verglichen (Bernauer 2023). Hierzu wurde auf einen aktuellen Artikel von Aghdassi et al. (2021) zurückgegriffen, der die Inzidenz und Wahrscheinlichkeit von SSI bei Kaiserschnitten und offenen/laparoskopischen Darmoperationen in Deutschland von 2017 bis 2019 für dringende und elektive Fälle auf der Grundlage der KISS Surveillance untersuchte.

Im Wesentlichen waren die Ergebnisse, die mit den Big-Data Analysen des M:IP® Analysealgorithmus erzielt werden können, vergleichbar mit den SSI-Raten, die Aghdassi et al. berichteten.[2]

Dies deutet darauf hin, dass Analyseplattformen wie die M:IP® von BinDoc und Hartmann gut geeignet sind, um valide Schlussfolgerungen zum nosokomialen Infektionsaufkommen in Kliniken zu ziehen. Der große Vorteil dieser Analyseart im Vergleich zur klassischen KISS-Surveillance liegt darin, dass alle Fälle des Krankenhauses in die Analyse miteinbezogen werden können und nicht nur Stichproben untersucht werden können. Aus diesem Grund können derartige Analysen für die Hygieneteams in den Kliniken eine sehr große Unterstützung bei der KISS-Surveillance sein und die Teams auch auf Infektionen Hinweisen, die normalerweise nicht näher untersucht würden.

Ausblick

Eine Weiterentwicklung der retrospektiven Identifikation ist die Prognose von nosokomialen Infektionen anhand von bestimmten Patientencharakteristika, Diagnosen und Therapien. Dieser Bereich entwickelt sich aktuell rasant, da die Möglichkeiten von maschinellem Lernen hierzu sehr gut genutzt werden können.

Basierend auf den Erkenntnissen aus Surveillance-Daten, die bestätigen, welche Fälle in den Routinedaten tatsächlich nosokomiale Infektionen darstellen, ist es möglich, solche Fälle durch die Analyse von Routinedaten zu identifizieren oder vorauszusagen. Hierfür können spezifische Diagnosecodes, Typen chirurgischer Eingriffe, postoperative Medikationsmuster und die Verweildauer im Krankenhaus herangezogen werden. Indem wir historische Daten und Methoden des Supervised Learning einsetzen, sind wir in der Lage, Modelle zu entwickeln, die nosokomiale Infektionen effektiv erkennen oder prognostizieren können.

Zusammenfassend kann festgehalten werden, dass Big-Data Analysen bereits heute eine sehr große Hilfestellung bei der Identifikation von nosokomialen Infektionen darstellen können. Dies kann dem knapp bemessenen Personal dabei helfen die Qualität zu verbessern und unnötige Kosten zu vermeiden.

Quelle: BinDoc GmbH
Render-Time: 0.038063