Integration von Mikrobiom- und klinischen Daten zur Entwicklung eines Risikovorhersagemodells für Late-Onset-Sepsis bei Frühgeborenen.

• Antragstellerin: Dr. Rebecca Knoll
• Fachliche Zuordnung: Kinder- und Jugendmedizin
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 551589343

Hintergrund: Während der ersten Lebenstage wird die Grundlage für die Etablierung eines gesunden Mikrobioms gelegt. Dies hat langanhaltende Auswirkungen auf die zukünftige Gesundheit. Dies ist besonders wichtig für Frühgeborene, da sich ihr Mikrobiom im Vergleich zu termingeborenen Säuglingen verzögert entwickelt. Begründung: Neonatale Sepsis ist in Deutschland die zweithäufigste Todesursache von Frühgeborenen. Eine gestörte Balance im Mikrobiom wurde als Faktor identifiziert, der mit einem erhöhten Risiko für Late-Onset Sepsis (LOS) in Verbindung steht. Obwohl es Risikobewertungsinstrumente für Early-Onset Sepsis gibt, fehlen vergleichbare Instrumente für LOS. Diese Studie verfolgt eine innovative Strategie, indem sie Mikrobiom-Daten mit klinischen Informationen verbindet, um das LOS-Risiko bei Frühgeborenen zu bewerten. Dadurch soll die translatorische Lücke zwischen Mikrobiom-Forschung und klinischer Anwendung geschlossen werden. Ziele: Diese Forschung hat mehrere wichtige Ziele: 1. Erstellung eines umfassenden Mikrobiom-Katalogs von Frühgeborenen: Durch die globale Integration von Daten sollen verschiedene Datensätze harmonisiert und Unterschiede überwunden werden. Der resultierende Katalog wird als Grundlage für die Ziele 2 und 3 dienen und belastbare Schlussfolgerungen ermöglichen. 2. Charakterisierung der Mikrobiomentwicklung von Frühgeborenen: Durch die Analyse der Mikrobiomentwicklung bei Frühgeborenen in Verbindung mit klinischen Daten sollen Schlüsselfaktoren identifiziert werden. Ziel ist die Identifikation eines Kernmikrobioms, das mit positiven klinischen Verläufen einhergeht, und die Schaffung einer Referenz für ein "gesundes" Mikrobiom von Frühgeborenen. 3. Entwicklung eines Risikovorhersagemodells für Late-Onset Sepsis: Durch den Einsatz von Machine-Learning-Algorithmen sollen Mikrobiom- und klinische Risikofaktoren identifiziert und ein prädiktives Risikomodell für Late-Onset Sepsis erstellt werden. Der resultierende Katalog des Frühgeborenenmikrobioms und das LOS-Risikovorhersagemodell sollen über eine Online-Plattform sowohl für Kliniker und die Forschungsgemeinschaft zugänglich gemacht werden. Auswirkungen: Dieses Projekt trägt signifikant zur Verbesserung der Gesundheit von Frühgeborenen bei, indem es Komplikationen (LOS) in der klinischen Behandlung reduzieren möchte. Es erweitert unser Verständnis für das komplexe Zusammenspiel zwischen Mikrobiom und der Gesundheit von Frühgeborenen. Die Integration von Mikrobiom-Daten in klinische Entscheidungsprozesse könnte zu ihrer Nutzung in der Point-of-Care-Diagnostik und in klinischen Informationssystemen führen. Die erfolgreiche Umsetzung des LOS-Risikovorhersagemodells könnte invasive Diagnostik reduzieren und den Antibiotikaeinsatz bei Frühgeborenen verringern, was die personalisierte Versorgung verbessert und Antibiotic Stewardship fördert.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: USA
• Gastgeberin: Professorin Susan Lynch