Wenn Daten Hygiene lernen

Infektionsprävention ist kein statisches Maßnahmenbündel, sondern ein dynamisches, lernendes System. Je mehr valide Daten verfügbar sind, desto früher werden Muster erkennbar, desto verlässlicher lassen sich Risiken identifizieren und desto zielgerichteter können Präventionsmaßnahmen implementiert werden. Solche Muster sind in der Regel keine singulären „Ausreißer“, sondern wiederkehrende Konstellationen aus Zeit, Ort, Patientenmerkmalen, Risikofaktoren und Laborergebnissen, die zunächst unauffällig erscheinen und erst in der Gesamtschau ihre Relevanz zeigen. Moderne Surveillance-Systeme sind darauf ausgelegt, diese subtilen Häufungen und Cluster frühzeitig sichtbar zu machen. Die Zukunft gehört daher den automatisierten, zunehmend lernenden Surveillance-Systemen, die Labor‑, Bewegungs- und Patientendaten zusammenführen und Infektionsgeschehen nahezu in Echtzeit abbilden.

Früherkennung ist das Fundament jeder erfolgreichen Infektionsprävention. Nur wer Infektionsereignisse zeitnah erkennt, kann Übertragungsketten unterbrechen, bevor sich Ausbrüche etablieren. In der täglichen Praxis basieren viele Hygienedaten jedoch nach wie vor auf manuellen Meldungen, Excel-Tabellen und zeitlich verzögerten Rückmeldungen. Im Zeitalter klinischer Echtzeitdaten erscheint dies nicht mehr zeitgemäß. Die epidemiologischen Kennzahlen unterstreichen die Relevanz. Etwa sechs Prozent aller Krankenhausaufenthalte in Österreich sind von nosokomialen bzw. Healthcare-assoziierten Infektionen (HAI) betroffen; am häufigsten treten Harnwegs‑, Atemwegs- und postoperative Wundinfektionen auf [1]. Eine Schätzung der Plattform „Kampf gegen Krankenhauskeime“ beziffert in einem Positionspapier den finanziellen Schaden für die Republik Österreich auf jährlich rund 281 Mio. Euro [2]. Mit dieser Summe ließen sich etwa 5000 zusätzliche Pflegekräfte finanzieren. Eine deutliche Entlastung jener Berufsgruppen, die Hygienemaßnahmen täglich umsetzen und überwachen. Surveillance ist damit weit mehr als ein Instrument der Kostenkontrolle. Sie ist Qualitätsmanagement, Frühwarnsystem und Lernplattform in einem. Ein institutionelles Immunsystem, das vorausschauend agiert, statt erst auf manifestes Infektionsgeschehen zu reagieren.

Die Entwicklung von der manuellen zur automatisierten Surveillance war und ist ein gradueller Lernprozess. Klassische Surveillance, basierend auf manuellen Datenauswertungen, lieferte wertvolle, jedoch überwiegend retrospektive Analysen. Belastbare Auswertungen lagen häufig erst vor, wenn ein Ausbruch bereits erkannt, eingedämmt und dokumentiert war. Diese Form der Surveillance war für die epidemiologische Übersicht unverzichtbar. Der hohe personelle Aufwand, die zeitliche Verzögerung und das Risiko der Untererfassung zeigte aber die klaren Grenzen in der operativen Steuerung.

Teilautomatisierte Systeme stellten einen ersten Paradigmenwechsel dar. Routinedaten aus Laboren, Dokumentationen und Krankenhausinformationssystemen werden automatisiert zusammengeführt. Hinterlegte Entscheidungsbäume und Regelwerke identifizieren sowie markieren auffällige Befundkonstellationen und stellen diese strukturiert zur Verfügung. Die Hygienefachkraft bleibt der unverzichtbare Realitätscheck. Sie interpretiert den klinischen Kontext, prüft Plausibilität und unterscheidet zwischen Kolonisation, Infektion und klinisch irrelevanten Zufallsbefunden. Die Effizienz steigt, Routinetätigkeiten werden reduziert, aber dennoch bleibt die Skalierbarkeit begrenzt. Gleichwohl wurde damit der Weg für eine moderne, datenbasierte Hygieneüberwachung geebnet.

In der vollautomatisierten Surveillance fließen schließlich Vitalparameter, Laborwerte, Aufenthalts- und Bewegungsdaten, Geräte- und Beatmungsprotokolle sowie Therapiedaten in ein integriertes Frühwarnsystem ein. Künstliche Intelligenz (KI) und Machine-Learning-Algorithmen erkennen Muster und können, je nach Implementierung, präventive Maßnahmen vorschlagen und auch setzen, ohne dass zwingend eine Person in diesem Entscheidungsprozess beteiligt sein muss. Wo früher mehrere Tage vergehen konnten, bis ein Ausbruch erkannt und kommuniziert wurde, können verdächtige Konstellationen hier in deutlich kürzerer Zeit detektiert werden.

Voraussetzung für die Verlässlichkeit solcher Systeme ist allerdings die Qualität der zugrunde liegenden Daten. Eine KI lernt nur so gut, wie sie trainiert wird. Unvollständige Dokumentation, uneinheitliche Kodierung und fehlende Standardisierung führen unmittelbar zu verzerrten Modellen und unzuverlässigen Alarmen. Datenkompetenz ist daher kein IT-Spezialthema, sondern integraler Bestandteil moderner Hygienekultur und klinischer Führung. Vollautomatisierte Surveillance verschiebt die Grenze zwischen Entscheidungsunterstützung und mitentscheidendem System. Algorithmen können heute eigenständig Maßnahmen anstoßen. Von Alarmmeldungen über Anpassungen von Reinigungsintervallen bis hin zu Hinweisen zur Patientenstromlenkung oder Indikationsprüfung für Isolationsmaßnahmen. Es entsteht ein neues Gleichgewicht. Der Mensch bleibt verantwortlich, aber die Maschine wird zum aktiven Akteur im Präventionsprozess. Die Herausforderung besteht darin, Kontrolle und Nachvollziehbarkeit zu bewahren, ohne die Geschwindigkeit und Sensitivität dieser Systeme einzuschränken.

Die wichtigste Ressource eines Surveillance-Systems ist somit nicht primär Rechenleistung, sondern Vernetzung. Erst die Kombination aus Labor‑, Patienten- und Bewegungsdaten ermöglicht ein realistisches Abbild des Infektionsgeschehens innerhalb eines Krankenhauses oder Verbundes. Moderne Schnelltypisierungen wie die Fourier-Transform-Infrarot(FT-IR)-Spektroskopie illustrieren exemplarisch, wie technologische Entwicklungen die klassische Mikrobiologie ergänzen können. Diese Verfahren erlauben eine rasche Abschätzung der Verwandtschaft von Isolaten und unterstützen das frühzeitige Erkennen von Clustern und potenziellen Ausbrüchen. Entscheidend ist, dass solche Ergebnisse nicht als isolierte Berichte im Labor verbleiben, sondern automatisiert in Surveillance Engines eingehen und dort mit klinischen Daten verknüpft werden.

Parallel dazu hält das „Internet of Things“ (IoT) zunehmend Einzug in die Krankenhaushygiene. Sensoren an Händedesinfektionsspendern, Türkontakten, Raumklimasystemen oder medizinischen Geräten generieren strukturierte Ereignisdaten. In vielen Einrichtungen ist das digitale Krankenhaus mit elektronischer Erfassung von Zutritten, Aufenthaltszeiten, Gerätezuständen und Reinigungsintervallen bereits Realität. Die zentrale Aufgabe besteht darin, aus dieser wachsenden Datenmenge jene Signale zu identifizieren, die für Infektionsprävention und Patientensicherheit tatsächlich relevant sind und diese in einer für Hygieneteams und Stationsleitungen praktikablen Form bereitzustellen.

Zunehmend in den Blick rücken darüber hinaus Daten, die Patientinnen und Patienten selbst generieren. Wearables, Smartwatches, Blutdruckmessgeräte, Fieberthermometer oder Schlaftracker erfassen kontinuierlich Vitalparameter, Bewegungsdaten und Verhaltensmuster. Bisher werden diese Informationen überwiegend als Lifestyle-Indikatoren interpretiert. Mittelfristig könnten sie jedoch zu relevanten Ergänzungen klinischer Surveillance-Systeme werden, insbesondere im Übergang zwischen stationärem und ambulantem Sektor oder beim Home-Monitoring definierter Hochrisikogruppen. Ein schleichender Temperaturanstieg, reduzierte Schlafqualität oder eine deutlich verminderte Aktivität könnten frühe Hinweise auf Infektionen liefern, lange bevor Laborwerte vorliegen oder klinische Symptome zur Krankenhauseinweisung führen. Das Konzept der Surveillance erweitert sich damit von der rein institutionellen Beobachtung hin zu einer sektorenübergreifenden, patientenzentrierten Sichtweise. Der Patient könnte so zum aktiven Datenlieferanten einer personalisierten Infektionsprävention werden.

Ein hypothetisches Szenario verdeutlicht das Potenzial solcher Konzepte. Eine „smarte“ Toilette analysiert Urin und Stuhl, erkennt pH-Veränderungen, Blutbeimengungen und Bakteriurie. Parallel erfasst das vernetzte Zuhause Körpertemperatur, Schlafqualität und Frequenz der Toilettengänge. Werden definierte Schwellenwerte überschritten, wird, nach vorab festgelegten Regeln, die hausärztliche Praxis informiert, ein Termin vorgeschlagen und bei Bedarf die Organisation des Transports unterstützt. Ein solches Szenario mag derzeit noch visionär erscheinen, die zugrunde liegende Logik ist jedoch bereits heute technisch prinzipiell umsetzbar. Vernetzte Sensorik kann Alltagsdaten in klinisch verwertbare Informationen überführen. Die zentrale Frage ist somit weniger die technische Machbarkeit, sondern die Ausgestaltung der ethischen, rechtlichen und organisatorischen Rahmenbedingungen.

Internationale und nationale Projekte liefern bereits konkrete Beispiele für den Einsatz moderner Surveillance-Systeme. Das Projekt Infection Control [3] im Rahmen der deutschen Medizininformatik-Initiative verknüpft Patienten‑, Erreger- und Bewegungsdaten an mehreren universitären Standorten und visualisiert potenzielle Übertragungsketten. Es entsteht eine Form des digitalen Contact-Tracing für Krankenhäuser, das Infektionswege transparent macht und Präventionsmaßnahmen gezielt unterstützt.

Das Projekt RISK PRINCIPE [4], eine Kooperation des Robert Koch-Instituts mit dreizehn deutschen Kliniken, verfolgt einen ähnlichen Ansatz. Ziel ist es, mithilfe automatisierter Risikoscores nosokomiale Infektionsrisiken frühzeitig zu erkennen. Medizinische Routinedaten, wie beispielsweise Entzündungsparameter im Blut oder mikrobiologische Befunde, sollen für medizinisches Personal aufbereitet und dargestellt werden. Das System identifiziert Risikokonstellationen und soll dabei helfen, gezielt Gruppen von Risikopatientinnen und -patienten zu identifizieren, den Ressourcenaufwand der Surveillance zu reduzieren und die frühzeitige risikoadaptierte Infektionsprävention und -kontrolle zu erhöhen. Diese Scores können nicht nur potenzielle Infektionen antizipieren, sondern, je nach Konfiguration, konkrete präventive Maßnahmen nahelegen. Denkbar wäre hier etwa der frühzeitige Wechsel von Kathetern, die Anpassung von Isolationsmaßnahmen oder die Veranlassung einer mikrobiologischen Kontrolle. Das System orientiert sich damit stärker an patientenbezogenen Risikokonstellationen als an starren Surveillance-Definitionen. Langfristig könnte ein solcher Ansatz die Rolle der Surveillance nachhaltig verändern.

Ein weiteres wichtiges Anwendungsfeld ist die Abgrenzung zwischen bakterieller Kolonisation und Infektion. In vielen Kliniken führen positive Kulturergebnisse zu Alarmsituationen, obwohl sie lediglich Kolonisierungen ohne unmittelbare klinische Relevanz darstellen. Algorithmen, die klinische Parameter (Fieber, Leukozytenzahl, Entzündungsmarker), bildgebende Diagnostik, Verweildauer und medikamentöse Therapie einbeziehen, könnten die Zahl nicht zielführender Alarme deutlich reduzieren und die Aufmerksamkeit auf jene Konstellationen lenken, bei denen tatsächlich ein erhöhtes Risiko für eine behandlungsbedürftige Infektion besteht.

Wie sich komplexe Übertragungswege in der Praxis sichtbar machen lassen, zeigen eigene Daten aus dem Jahr 2024. Auf einer neonatologischen Intensivstation wurden Silikapartikel mit eingeschlossener DNA als harmlose Surrogatmarker eingesetzt, um die Verbreitung potenzieller Erreger realitätsnah zu simulieren [5]. Die Ergebnisse waren instruktiv. Wurde der Marker in einem Patientenzimmer platziert, blieb seine Ausbreitung weitgehend lokal begrenzt. Wurde er hingegen im Mitarbeiter- oder Versorgungsbereich freigesetzt, verbreitete er sich innerhalb weniger Stunden über nahezu die gesamte Station.

Diese Beobachtung fügt sich in die Logik automatisierter Surveillance ein. Auch dort geht es darum, bislang unsichtbare Bewegungen sichtbar zu machen und Muster in scheinbar routinierten Abläufen zu erkennen. Solche Muster bilden sich häufig an Schnittstellen ab. Etwa dort, wo Arbeitswege zusammentreffen, Geräte wiederholt genutzt werden oder verschiedene Berufsgruppen interagieren. Erst die systematische Zusammenführung dieser Einzelereignisse ermöglicht es, funktionale Knotenpunkte zu identifizieren, die in der täglichen Wahrnehmung oft unbemerkt bleiben. Die Studie verdeutlicht, dass Übertragungen häufig nicht entlang der intuitiv angenommenen Pfade verlaufen, sondern entlang von Oberflächen, Geräten, Transportwegen und gemeinsam genutzten Bereichen, die unterschiedliche Tätigkeiten verbinden. Solche Einsichten liefern gewissermaßen die „Rohdaten“, aus denen lernende Systeme künftig präventive Strategien ableiten können. In diesem Sinne kann das Experiment als analoges Datenmodell verstanden werden, das sichtbar macht, welche Art von Informationen digitale Algorithmen auf Basis großer Datenmengen fortlaufend auswerten sollen. Die Identifikation unscheinbarer, aber entscheidender Knotenpunkte im Netzwerk der Hygiene.

Trotz des erheblichen Potenzials automatisierter Surveillance bleiben praktische Grenzen bestehen. Fragmentierte IT-Landschaften, uneinheitliche Codesysteme und eingeschränkte Schnittstellen sind in vielen Einrichtungen Realität. Datenschutzrechtliche Anforderungen sind hoch und zu Recht mit klarer Zweckbindung, Pseudonymisierung und abgestuften Zugriffsrechten verknüpft. Algorithmische Verzerrungen („Bias“) erfordern eine kontinuierliche Kalibrierung und Evaluation im klinischen Alltag. Ein System, das an einer Universitätsklinik mit hohem Anteil komplexer Fälle trainiert wurde, lässt sich nicht unbedingt ohne Anpassung auf eine Primärversorgungseinrichtung mit anderem Patientenklientel übertragen.

Hinzu kommen Fragen der Akzeptanz. Mitarbeitende, die in automatisierter Surveillance primär ein Instrument der Kontrolle sehen, reagieren häufig mit Skepsis. Werden Alarme als nicht hinreichend spezifisch, zu häufig oder nicht nachvollziehbar erlebt, besteht das Risiko, dass sie ignoriert oder umgangen werden. Transparenz der Entscheidungslogik sowie die Einbindung der Anwendenden in die Konzeption sind daher zentrale Erfolgsfaktoren. Systeme, die risikoangepasste Empfehlungen in klarer, klinisch anschlussfähiger Sprache ausgeben, werden eher akzeptiert als Lösungen, deren Entscheidungen für Anwenderinnen und Anwender nicht nachvollziehbar sind und lediglich unspezifische Warnsignale generieren.

Die nationalen Strukturen, etwa A‑HAI (Austrian Healthcare-Associated Infections) und ANISS (Austrian Nosocomial Infection Surveillance System), bieten ein Rahmenwerk, das lokale Implementierungen unterstützt und Benchmarking zwischen Einrichtungen ermöglicht. Werden lokale Surveillance-Daten in diese Strukturen eingespeist, entstehen Vergleichsmöglichkeiten, die sowohl Stärken als auch Handlungsfelder sichtbar machen. Damit Übertragungen zwischen Krankenhäusern sowie zwischen stationärem und ambulantem Sektor adäquat abgebildet werden können, sind standardisierte Schnittstellen und klare Meldewege erforderlich. Nicht nur für multiresistente Erreger, sondern perspektivisch auch für relevante Muster im Bereich der häufigen nosokomialen Infektionen.

Nosokomiale Infektionen lassen sich nicht vollständig verhindern, wohl aber in Häufigkeit und Schwere deutlich begrenzen. Technik kann Reaktionszeiten verkürzen, die Präzision erhöhen und Ressourcen zielgerichtet lenken. Organisation schafft den Rahmen, in dem technische Lösungen ihre Wirkung entfalten, und die Entscheidungen über die jeweils angemessenen Maßnahmen liegen letztlich bei den handelnden Menschen mit ihrer klinischen Erfahrung und ihrer Urteilskraft. Automatisierte Surveillance ist kein Selbstzweck, sondern ein Instrument, das Wissen zeitnah verfügbar macht, Risiken früh erkennbar werden lässt und Prävention messbar gestaltet.