{"id":14058,"date":"2025-09-15T08:32:36","date_gmt":"2025-09-15T06:32:36","guid":{"rendered":"https:\/\/www.iese.fraunhofer.de\/blog\/?p=14058"},"modified":"2025-09-15T08:33:32","modified_gmt":"2025-09-15T06:33:32","slug":"krankenhauskeime-mittels-kuenstlicher-intelligenz-zu-effektiven-teststrategien","status":"publish","type":"post","link":"https:\/\/www.iese.fraunhofer.de\/blog\/krankenhauskeime-mittels-kuenstlicher-intelligenz-zu-effektiven-teststrategien\/","title":{"rendered":"Krankenhauskeime: Mittels K\u00fcnstlicher Intelligenz zu effektiven Teststrategien"},"content":{"rendered":"

Krankenhauskeime sind eine unsichtbare, aber t\u00f6dliche Gefahr und ein gro\u00dfes Problem in unserem Gesundheitssystem. Sch\u00e4tzungen zufolge sterben allein in Deutschland jedes Jahr 10.000 bis 20.000 Menschen, weil sie sich im Krankenhaus mit Krankheitserregern infizieren, sog. nosokomiale Infektionen<\/span>\u00a0[1]<\/a>. Besonders gef\u00e4hrlich sind hierbei Infektionen mit multiresistenten Keimen, also solche, gegen die Antibiotika nur schwer anschlagen bzw. man auf Reserveantibiotika zur\u00fcckgreifen muss. Die herk\u00f6mmlichen Methoden, um die Ausbreitung solcher Krankenhauskeime zu kontrollieren, sind oft teuer und ineffizient. Doch was w\u00e4re, wenn k\u00fcnstliche Intelligenz (KI) uns dabei helfen k\u00f6nnte? Genau das haben wir im Fraunhofer-Projekt Respivir untersucht: In einem virtuellen Krankenhaus wurde das Infektionsgeschehen simuliert, um zu testen, wie gut KI-Modelle die Infektionsketten vorhersagen k\u00f6nnen.<\/p>\n

Datenbasierte Modelle k\u00f6nnen bei der Modellierung der Ausbreitung von Infektionen unterst\u00fctzen. Dies erm\u00f6glicht nicht nur, retrospektiv Problembereiche wie Schw\u00e4chen in der Hygiene zu identifizieren, sondern auch, eine effiziente Teststrategie zu entwickeln, die die weitere Ausbreitung m\u00f6glichst effektiv verhindert. So kann schon bei der Feststellung einer oder weniger Infektionen schneller entschieden werden, welche Personen oder Personengruppen getestet werden m\u00fcssen, da sie ein erh\u00f6htes Risiko aufweisen, sich mit dem Keim infiziert zu haben. Im Projekt Respivir [2]<\/a> haben wir zur Untersuchung dieses Anwendungsfalls ein Krankenhaus nachmodelliert und die \u00dcbertragung eines h\u00e4ufigen Erregers (Clostridioides difficile<\/em>) von nosokomialen Infektionen, welcher aufw\u00e4ndige Hygienema\u00dfnahmen erfordert [5]<\/a>, in diesem simuliert. Hierbei haben wir synthetisch Daten erzeugt, wie sie auch typischerweise in realen Krankenhausinformationssystemen (KIS) und Dokumentationssystemen vorliegen.<\/p>\n

Wir konnten zeigen, dass sich auf Basis dieser Daten Patientenpfade rekonstruieren und transparente KI-Modelle erstellen lassen. Die Analysen der modellbasierten Prognosen zeigten, dass diese als Decision Support System<\/a>\u00a0Teststrategien erm\u00f6glichten, die nichtdatengest\u00fctzte Teststrategien in ihrer Effektivit\u00e4t deutlich \u00fcbertreffen, aber in ihrer Fehlerrate von der Aufl\u00f6sung und Qualit\u00e4t der erfassten Daten abh\u00e4ngen. So wirken sich Fehler bei der Datenerfassung, insbesondere w\u00e4hrend der Modellanwendung negativ auf die G\u00fcte der Prognosen aus.<\/p>\n

Wie wir die Ausbreitung von Krankenhauskeimen mit KI simulieren<\/h2>\n

Ganze Kohorten von Patientinnen und Patienten [3]<\/a> zu testen ist zeit- und ressourcenaufwendig. Wenn die Infektionsrate sehr niedrig oder eine Infektion weitgehend ungef\u00e4hrlich ist, lohnt es sich kaum, viele Tests durchzuf\u00fchren, und der Mehrwert in der Patientenversorgung ist gering. Wir haben uns daher mit Methoden aus dem Bereich Data Science und K\u00fcnstliche Intelligenz<\/a> dem Problem angen\u00e4hert. Das Ziel unseres Prognosemodells<\/strong> war hierbei die individuelle Infektionswahrscheinlichkeit f\u00fcr alle \u00fcbrigen Patienten abzusch\u00e4tzen, sobald ein positives Testergebnis f\u00fcr einen bestimmten Patienten im Krankenhaus vorliegt. Dadurch kann eine KI-basierte Teststrategie Patienten mit h\u00f6heren Infektionswahrscheinlichkeiten priorisieren.<\/p>\n

Grunds\u00e4tzlich haben Kliniken in Deutschland verschiedene Datenquellen zur Verf\u00fcgung, die f\u00fcr ein solches Prognosemodell infrage kommen. Hierzu z\u00e4hlen vornehmlich Dokumentations- und Krankenhausinformationssysteme (KIS). Es stellt sich allerdings die Frage, ob die Informationen \u00fcber Patientenpfade<\/strong>, die sich aus Daten rekonstruieren lassen, wie sie typischerweise<\/strong> in solchen Systemen vorliegen, hinreichend sind, um geeignete KI-Modelle zu erstellen.<\/strong> Mit anderen Worten: mit welcher Genauigkeit kann mittels KI-Methoden vorhergesagt werden, welche Patienten infiziert sind?<\/p>\n

Es hat sich herausgestellt, dass bei der Beantwortung dieser Frage der Datenschutz eine Herausforderung<\/strong> ist. Gerade Gesundheitsdaten sind sehr sensibel, deshalb hat man in den allermeisten F\u00e4llen nicht ohne explizite Einwilligung der Betroffenen Zugriff auf vorhandene Daten, welche zuvor zu anderen Zwecken erhoben wurden. Auch der Nachweis einer hinreichenden Anonymisierung, die eine Verwendung erm\u00f6glichen w\u00fcrde, ist gerade bei Patientenpfaden extrem herausfordernd. Deshalb haben wir uns dazu entschieden die ben\u00f6tigten Daten<\/strong> f\u00fcr eine erste Erprobung synthetisch zu generieren<\/strong>. Wir haben hierzu ein mittleres Krankenhaus mit 11 Normalstationen, einer Intensiv- und einer Notaufnahmestation sowie OPs und Funktionseinheiten wie Radiologie und Endoskopie anhand \u00f6ffentlich verf\u00fcgbarer Daten nachmodelliert. Auf dieses Krankenhaus haben wir eine erweiterte Version des Simulationsframework H-outbreak [4]<\/a> angewendet, welches die Infektionsausbreitung des Erregers Clostridioides difficile<\/em> in einer Krankenhausumgebung simuliert.<\/p>\n

Die Grenzen einer solchen Simulation sind, dass man die Realit\u00e4t nur vereinfacht abbilden kann. Nicht alle Aspekte des Klinikalltags k\u00f6nnen genau modelliert werden. Wir haben uns f\u00fcr ein einfaches Szenario entschieden, da unser Fokus auf der Vorhersageg\u00fcte von KI-Modellen und dem Einfluss der Datenqualit\u00e4t auf diese liegt. So haben wir, beispielsweise die Bewegungen bzw. Lokalisations\u00e4nderungen des Klinikpersonals, die ebenfalls als m\u00f6gliche \u00dcbertragungsquelle in Frage k\u00e4men, wie auch die Auswirkungen von Vor- oder Begleiterkrankungen auf das Infektionsgeschehen nicht ber\u00fccksichtigt. Trotz des vereinfachten Szenarios k\u00f6nnen wir dennoch zumindest vorl\u00e4ufige R\u00fcckschl\u00fcsse ziehen, denn die synthetischen Daten helfen, unterschiedliche KI-Modelle zu trainieren und diese hinsichtlich ihrer Vorhersageg\u00fcte zu beurteilen.<\/p>\n

\"Flussdiagramm
\u00dcbersicht der Untersuchung in Respivir. Anhand der simulierten Daten wurden verschiedene KI-Methoden angewendet und untersucht, wie sich eine mangelnde Datenqualit\u00e4t auf die G\u00fcte der KI auswirkt.<\/figcaption><\/figure>\n

Herausforderungen bei Simulationen von Patienten f\u00fcr ein Prognosemodell<\/h2>\n

Anhand der generierten Daten haben wir eine Reihe grundlegender Fragen, die sich im Kontext des Einsatzes von KI-Modellen im geschilderten Anwendungsfall stellen, untersucht. Diese umfassten:<\/p>\n