KI-Bluttest gegen Sepsis: Eine neue Ära der schnellen Diagnostik

Leon Wirz
6. Okt. 2025
3 Min. Lesezeit

Veröffentlicht in Nature Medicine, 2025

Einleitung

Jede Minute zählt in der Notaufnahme. Besonders dann, wenn Ärztinnen und Ärzte eine Sepsis vermuten; eine lebensbedrohliche Erkrankung, bei der der Körper übermäßig stark auf eine Infektion reagiert. Die Schwierigkeit: Die frühen Symptome ähneln oft einer harmlosen Virusinfektion. Klassische Labortests benötigen Stunden oder sogar Tage, und aus Vorsicht werden häufig Antibiotika „auf Verdacht“ verschrieben – was Resistenzen, Kosten und Unsicherheit weiter antreibt.

Nun präsentiert eine in Nature Medicine veröffentlichte Studie einen Durchbruch: einen KI-gestützten Bluttest, der bakterielle von viralen Infektionen unterscheiden kann – und sogar vorhersagt, welche Patientinnen und Patienten in der folgenden Woche intensivmedizinische Betreuung benötigen werden.

Die zentrale Entdeckung

Das Forschungsteam entwickelte ein maschinelles Lernmodell, das die Genaktivität (mRNA-Level) im Blut von Patientinnen und Patienten interpretiert.Anstatt den Erreger direkt nachzuweisen, liest der Test die Immunantwort des Körpers aus und identifiziert molekulare Muster, die typisch für bakterielle oder virale Infektionen sind.

In einer prospektiven, multizentrischen Validierungsstudie mit 22 Notaufnahmen in den USA konnte der KI-gestützte Test bakterielle und virale Infektionen zuverlässig unterscheiden – und gleichzeitig schwere Verläufe wie Organversagen oder Intensivpflichtigkeit innerhalb von sieben Tagen vorhersagen.

Wie die Studie durchgeführt wurde

Das Forschungsteam sammelte Vollblutproben von über 4.000 Patientinnen und Patienten mit Verdacht auf eine Infektion. Anschließend wurde die Expression von 29 spezifischen mRNAs gemessen (zuvor identifizierte Schlüsselmoleküle der Immunantwort) und in einen trainierten Machine-Learning-Klassifikator eingespeist.

Der Klassifikator erzeugte zwei Hauptwerte:

Wahrscheinlichkeit für bakterielle vs. virale Infektion, und
Risiko für klinische Verschlechterung oder Sepsis.

Die Ergebnisse wurden mit ärztlichen Diagnosen, Standardtests (CRP, Prokalzitonin) und realen Behandlungsausgängen verglichen. Das KI-Modell übertraf die klassischen Biomarker in allen Kategorien und lieferte innerhalb von etwa einer Stunde klinisch verwertbare Resultate.

Zentrale Ergebnisse

Hohe diagnostische Genauigkeit: Das Modell erreichte über 90 % Sensitivität und Spezifität bei der Unterscheidung bakterieller und viraler Infektionen.
Prognostische Stärke: Es identifizierte zuverlässig Patientinnen und Patienten mit erhöhtem Risiko für einen Intensivaufenthalt innerhalb der nächsten sieben Tage.
Reduzierte Unsicherheit: Ärztinnen und Ärzte trafen mithilfe der KI-Ergebnisse fundiertere und gezieltere Antibiotika-Entscheidungen.
Hohe Übertragbarkeit: Die Leistung blieb über Altersgruppen, Krankenhäuser und Begleiterkrankungen hinweg stabil – ein entscheidender Schritt für den Einsatz in der klinischen Routine.

Einschränkungen der Studie

Trotz der vielversprechenden Ergebnisse bestehen noch einige Herausforderungen:

Klinische Integration: Der Test benötigt spezielle Geräte und geschultes Personal zur schnellen mRNA-Analyse.
Kosten-Nutzen noch unklar: Wirtschaftlichkeitsanalysen und Erstattungsmodelle stehen noch aus.
Datenverzerrung: Die meisten Proben stammen aus US-Krankenhäusern; eine Validierung in Europa und in ressourcenschwachen Ländern ist erforderlich.
Nachvollziehbarkeit: Ärztinnen und Ärzte müssen verstehen, wie die KI zu ihren Ergebnissen gelangt, um ihr in kritischen Situationen vertrauen zu können.

Relevanz für die Schweiz

Auch in der Schweiz bleibt Sepsis eine der häufigsten Todesursachen in Krankenhäusern. Schnellere und präzisere Diagnostik könnte die Zahl der Intensivfälle deutlich senken und unnötige Antibiotikaverschreibungen vermeiden.

Dank ihres gut strukturierten Gesundheitssystems und der starken Diagnostik- und Medtech-Branche – etwa in der Westschweiz – ist die Schweiz ideal positioniert, um solche Technologien im Rahmen wertbasierter Versorgung (Value-Based Care) zu testen und zu integrieren.

Mögliche Auswirkungen eines erfolgreichen Tests

Bei breiter Einführung könnten KI-gestützte Bluttests:

Unnötige Antibiotikagaben reduzieren und damit Resistenzen eindämmen.
Sepsis früher erkennen und Überlebenschancen deutlich verbessern.
Krankenhausaufenthalte verkürzen, was erhebliche Kosteneinsparungen ermöglicht.
Neue Geschäftsmodelle in der Diagnostik und datenbasierten Versorgung fördern.

Risiken

Algorithmus-Drift: Mit der Zeit könnten Veränderungen bei Erregern oder Patientengruppen eine Nachkalibrierung des Modells erforderlich machen.
Datenschutz: Molekulare Profiling-Daten sind besonders sensibel und müssen sicher verwaltet werden.
Überabhängigkeit von KI: Ärztliche Erfahrung und klinische Einschätzung müssen stets im Zentrum bleiben – KI ist ein Werkzeug, kein Ersatz.

Gesamtbewertung

Diese in Nature Medicine veröffentlichte Studie markiert einen Wendepunkt in der Infektionsdiagnostik: Sie zeigt, dass künstliche Intelligenz molekulare Signale in klinisch relevante Informationen übersetzen kann – in Echtzeit.

Mit ihrer robusten Validierung über mehrere Kliniken hinweg beweist die Arbeit, dass eine Kombination aus Genomik, KI und klinischer Praxis den Alltag in Notaufnahmen verändern kann.Wenn sich die Technologie auch wirtschaftlich bewährt, könnte sie die Notfallmedizin grundlegend neu definieren.

Wie es weitergeht

Künftige Arbeiten konzentrieren sich auf:

Validierung in Europa und Ländern mit niedrigeren Ressourcen,
Integration in elektronische Krankenakten für automatisiertes Triage-Management,
Studien zur Kosteneffektivität und Implementierung in Gesundheitssysteme.

Wenn diese Schritte gelingen, könnte der KI-Bluttest bald so selbstverständlich werden wie ein CRP-Test – eine stille Revolution in der Art, wie Medizin Krankheiten erkennt, bevor sie sichtbar werden.

Referenz

Liesenfeld, O., Arora, S., Aufderheide, T.P. et al. Clinical validation of an AI-based blood testing device for diagnosis and prognosis of acute infection and sepis, Nat Med (2025) Link