Die Blutentnahme bei Patienten , die mit intravenösen (i.v.) Volumenersatzlösungen behandelt wurden, z.B. bei hämorrhagischem Schock ist Normovolämie nicht gewährleistet. Ebensowenig bei Nieren-, Herz-, und Leberinsuffizienten- also bei den allermeisten Intensivpatienten. Eine Orientierung der Transfusionsindikation am Hämoglobinwert ist mit dem Risiko der UNter- und Übertransfusion behaftet (siehe Shander A. et al. Guideline for the Indication of Red Cell Transfusion: Why Hemoglobin Concentration Alone Is Unreliable. ASOAJ 2024). Ebenso sind präanalytische Fehler wie die Abnahme aus Venenzugängen ohne Unterbrechung der Infusionslösungen zu bewerten- Auch sie können zu erheblichen Messfehlern im Blutbild führen und stellen somit eine Herausforderung für den Laborbetrieb und die klinische Entscheidungsfindung dar. Es gibt keine Standardmethode zur retrospektiven Identifizierung dieser Ereignisse, was die gezielte Umsetzung von Qualitätsverbesserungsmaßnahmen und die Optimierung von Laborprotokollen erschwert.

Jetzt hat eine Studie Modelle des maschinellen Lernens (ML) zur retrospektiven Identifizierung von i.v.-Flüssigkeitskontaminationen in Blutbildern in großem Umfang an zwei Institutionen durchgeführt. Die Modelle wurden anhand simulierter Kontaminationen in Blutbildern mit Hämoglobinkonzentrationen vor, während und nach der Kontamination, Thrombozyten- und Leukozytenzahlen trainiert und anschließend anhand von Expertenbegutachteten Datensätzen validiert. 

Dabei konnten die Modelle verdünnte/ kontaminierte von nicht kontaminierten Ergebnissen in realen Datensätzen effektiv unterscheiden. Die Flächen unter der ROC-Kurve (Receiver Operating Characteristic) betrugen 0,972 bzw. 0,957, die Flächen unter der Precision-Recall-Kurve (PRC) 0,723 bzw. 0,619. In einem Jahr wurden in beiden Einrichtungen bei der Auswertung von Blutbilddaten ca. 2 % der stationären Blutbildtrios als kontaminiert vorhergesagt. Daraus schlussfolgerte das System mithilfe eines durch Expertenprüfung validierten Regelsatzes, dass 6–9 % der stationären Transfusionen unnötig waren.

Die Ergebnisse belegen die Machbarkeit des Einsatzes von maschinellem Lernen zur effizienten und effektiven Identifizierung von Blutprobenfehlabnahmen und eventuell auch der Verdünnung durch intravenöse Infusionslösungen. Um die potenziellen Vorteile für die Patientensicherheit, die Vermeidung von unnötigen Bluttransfusionen und die Erhaltung der Konservenvorräte zu verifizieren, sind prospektive Studien in realen Anwendungsgebieten, gezielte Maßnahmen zur Qualitätsverbesserung und die Entwicklung von Echtzeit-Erkennungsmode notwendig.

Technische Lösungen wie die in dieser Studie erprobte können unser klinisches Dilemma lösen- eine sehr gute Nachricht!

Pubmed

Für Sie gelesen von Th. Frietsch