Hepatitis B ist ein Leben

Forschungswissenschaftler, Australian National University

außerordentlicher Professor

Brett A. Lidbury erhält Fördermittel vom Quality Use of Pathology Program (QUPP) des Commonwealth Department of Health. Er ist Fellow der naturwissenschaftlichen Fakultät des Royal College of Pathologists of Australasia (RCPA) und arbeitet mit dem RCPA Quality Assurance Program (RCPAQAP) zusammen.

Busayo I. Ajuwon arbeitet nicht für ein Unternehmen oder eine Organisation, die von diesem Artikel profitieren würde, berät sie nicht, besitzt keine Anteile daran und erhält keine Finanzierung von diesen und hat über ihre akademische Anstellung hinaus keine relevanten Verbindungen offengelegt.

Die Australian National University stellt als Mitglied von The Conversation AU finanzielle Mittel bereit.

Alle Partner anzeigen

Weltweit leben mehr als 296 Millionen Menschen mit Hepatitis B, einer potenziell lebensbedrohlichen Leberinfektion, die durch das Hepatitis-B-Virus (HBV) verursacht wird. Die meisten wissen nicht, dass sie infiziert sind, und erhalten daher keine medizinische Versorgung. Die klinische Versorgung verbessert das Ergebnis des Patienten und kann verhindern, dass er andere ansteckt.

Eine frühzeitige Erkennung HBV-infizierter Patienten könnte daher die Prognose der Patienten verbessern und die Übertragung innerhalb der Bevölkerung stoppen.

Der empfohlene Test auf HBV ist ein Enzymimmunoassay. Es erkennt das Hepatitis-B-Oberflächenantigen – eine Substanz, die ein Zeichen für das Vorhandensein des Virus im Körper der Person ist.

Diese chemischen Tests sind jedoch sehr teuer und erfordern spezielle Einrichtungen. Für Menschen in ressourcenarmen Gegenden, in denen es nur wenige und isolierte Labore gibt, sind sie im Allgemeinen unerreichbar. Ärzte in diesen Einrichtungen arbeiten mit begrenzten Ressourcen gegen einen stillen Killer, der möglicherweise jahrzehntelang keine offensichtlichen Symptome zeigt, bis die Leber schwer geschädigt ist.

Ein Teil der Lösung für solche Herausforderungen im Bereich der öffentlichen Gesundheit könnte im maschinellen Lernen liegen. Damit ist die Fähigkeit von Computern gemeint, große Mengen an Informationen zu verstehen – und auf ihrem eigenen „Wissen“ aufzubauen.

Wir gehören zu einer Gruppe von Forschern an der Australian National University, die sich mit maschinellem Lernen und Infektionskrankheiten befassen. Unsere früheren Untersuchungen ergaben, dass die HBV-Prävalenz in Nigeria hoch war (9,5 %, wobei alles über 8 % als hoch gilt). Und die Infektionsraten variierten je nach geopolitischer Zone erheblich.

Weiterlesen: Hepatitis B in Nigeria: Neue Daten zur Information über Prävention und Pflege

Der Zugang zu erschwinglichen Tests war im Land ein Problem. Deshalb haben wir ein Tool entwickelt, das Ärzten dabei hilft, Hepatitis-B-Infektionen früher zu erkennen.

Anhand nigerianischer Patientendaten haben wir einen Algorithmus entwickelt, der aus den Patientendaten lernt, Muster erkennt und intelligente Entscheidungen trifft, um Warnungen bereitzustellen und den HBV-Infektionsstatus eines Patienten zu erkennen. Ziel ist es, die klinische Entscheidungsfindung zu verbessern und die Patientenergebnisse zu verbessern. Die Ermöglichung einer früheren Versorgung dürfte Millionen von Menschen eine bessere Lebensqualität ermöglichen und dazu beitragen, die HBV-Prävalenz zu senken.

Um dieses Tool zu entwickeln, haben wir eng mit Kollegen am Nigerian Institute of Medical Research zusammengearbeitet. Sie ermöglichten den Zugang zu Daten von 916 anonymen Patienten auf ethisch vertretbare Weise. Das Institut ist Nigerias führendes medizinisches Forschungsinstitut und beherbergt eine spezielle Hepatitis-B-Klinik.

Wir haben die Ergebnisse normaler Bluttests, bei denen rote und weiße Blutkörperchen, Salze, Enzyme und andere Blutchemikalien gemessen werden, zusammen mit den Ergebnissen von Tests auf Hepatitis B verwendet. Routinemäßige Bluttests können sehr hilfreich sein, um eine frühzeitige Diagnose zu erleichtern, wenn die subtilen Wechselwirkungen zwischen den Messungen bestehen kann entdeckt werden. Interaktionsmuster können ein Krankheitssignal sein. Aber es ist leicht, sie zu übersehen.

Anhand der Daten haben wir einen Algorithmus trainiert, um Pathologiemarker zu identifizieren, die den HBV-Infektionsstatus eines Patienten vorhersagen. Ein Grund dafür, dass maschinelles Lernen so leistungsfähig ist, besteht darin, dass der Mensch dem Computer nicht mitteilen muss, welche Merkmale er identifizieren soll. Unser Algorithmus durchsucht die Daten, um Muster zu finden, die bei Patienten mit einer HBV-Infektion häufig vorkommen, und gleicht diese Muster dann bei Menschen ab, die er zuvor noch nicht gesehen hat.

Nach der Validierung kann der Algorithmus als intelligentes Entscheidungsunterstützungssystem in den routinemäßigen klinischen Arbeitsablauf in einer realen klinischen Umgebung integriert werden. Dies wird dazu beitragen, HBV-Infektionen früher zu erkennen, ohne auf teure Immunoassays zurückgreifen zu müssen.

Für die 916 Personen in unserer Studie konnte unser Algorithmus zuverlässig einen intelligenten Anruf tätigen, um die mit HBV infizierten Personen genau vorherzusagen. Seine Unterscheidungsschwelle lag bei 90 %, was darauf hindeutet, dass der Algorithmus sehr genau war.

Anschließend haben wir dies in eine benutzerfreundliche, über das Internet zugängliche App übersetzt, die wir in weiteren Studien nutzen können. Das Entscheidungsunterstützungstool Hep B LiveTest wurde als Prototyp konzipiert.

Das Tool ergab, dass eine Kombination aus zwei Enzymen, dem Alter des Patienten und der Anzahl der weißen Blutkörperchen der stärkste Prädiktor für eine HBV-Infektion war. Die beiden Enzyme sind Aspartataminotransferase und Alaninaminotransferase. Wenn die Konzentration dieser Stoffe im Blut hoch ist, kann dies auf eine mögliche Leberschädigung hinweisen. Serumalbumin, ein Leberfunktionsmarker, wurde ebenfalls als wichtiger prädiktiver Marker für eine Infektion identifiziert.

Eine Studie mit chinesischen Patienten zeigte ähnliche Trends wie unser Algorithmus. Alaninaminotransferase und Serumalbumin waren die wichtigsten Prädiktoren.

Es ist wichtig, die Grenzen des maschinellen Lernens zu erkennen. Bevor ein solches Tool in der klinischen Routinepraxis zum Einsatz kommt, muss es anhand verschiedener Daten validiert werden.

Unser maschinelles Lerntool wurde mit Daten aus Nigeria trainiert, sodass seine Leistung möglicherweise auf diese Einstellung beschränkt ist. Wir sind dabei, unseren Algorithmus mit mehr Daten aus anderen Quellen zu trainieren und seine Robustheit in anderen Umgebungen zu validieren. Dies wird Aufschluss darüber geben, wie umfassend unser Algorithmus anwendbar ist und wie gut er in anderen Bevölkerungsgruppen funktionieren könnte – insbesondere in Umgebungen mit einer geringen Prävalenz von Hepatitis-B-Infektionen.

Obwohl es sich bei unserem maschinellen Lerntool nur um einen ersten Test handelt, sind die Ergebnisse äußerst ermutigend. Alle 30 Sekunden stirbt ein Mensch an Virushepatitis B. Wir hoffen, dass wir unser System bald im dringenden Kampf gegen diese durch Impfung vermeidbare Krankheit einsetzen können.

Wir glauben, dass maschinelles Lernen eine Rolle bei der Verbesserung der Ziele der Weltgesundheitsorganisation spielt, die Virushepatitis bis 2030 als Problem der öffentlichen Gesundheit zu beseitigen.