Z Gastroenterol 2025; 63(08): e563-e564
DOI: 10.1055/s-0045-1810997
Abstracts | DGVS/DGAV
Kurzvorträge
Gut Feeling: Mikrobiom und Barriere im Fokus Freitag, 19. September 2025, 08:30 – 09:50, Vortragsraum 10

Identifikation darmmikrobieller Prädiktoren für den Verlauf nach Lebertransplantation mithilfe maschinellen Lernens

Authors

  • L Zmuda

    1   RWTH Aachen University, Aachen, Deutschland

  • Z Soons

    2   Institute for Systems Medicine with Focus on Organ Interaction, RWTH Aachen University, Aachen, Deutschland

  • L Kuepfer

    2   Institute for Systems Medicine with Focus on Organ Interaction, RWTH Aachen University, Aachen, Deutschland

  • A Lautz

    3   Medizinische Klinik III, RWTH Aachen University, Aachen, Deutschland

  • N Treichel

    4   Functional Microbiome Research Group, RWTH Aachen University, Aachen, Deutschland

  • F Vondran

    5   Department of General, Visceral, Pediatric and Transplant Surgery, RWTH Aachen University, Aachen, Deutschland

  • T Clavel

    4   Functional Microbiome Research Group, RWTH Aachen University, Aachen, Deutschland

  • T Wirtz

    3   Medizinische Klinik III, RWTH Aachen University, Aachen, Deutschland
Weitere Informationen
Auch verfügbar auf
 

Einleitung: Eine reduzierte Mikrobiomdiversität bei Patient:innen mit fortgeschrittenen Lebererkrankungen ist mit dem Auftreten klinischer Komplikationen assoziiert. Dennoch ist wenig darüber bekannt, wie die präoperative Mikrobiomzusammensetzung den Verlauf nach Lebertransplantation (LT) beeinflusst. Maschinelles Lernen stellt einen vielversprechenden Ansatz zur Verbesserung der Risikostratifizierung bei Patient:innen auf der Warteliste für eine Lebertransplantation dar ([Abb. 1] [2]).

Zoom
Abb. 1  
Zoom
Abb. 2  

Ziele: Ziel dieser Studie war es, darmmikrobielle Marker zum Zeitpunkt vor der LT zu identifizieren und deren Potential, frühzeitig auf einen ungünstigen klinischen Verlauf hinzuweisen, zu untersuchen.

Methodik: 79 Patient:innen mit einer Indikation für eine Lebertransplantation wurden prospektiv zum Zeitpunkt der Aufnahme auf die Warteliste rekrutiert. Neben der Analyse des präoperativen intestinalen Mikrobioms mittels 16S-rRNA-Gensequenzierung erfolgt die Erfassung klinischer Parameter, u.a. des Auftretens postoperativer Komplikationen sowie der Länge der Verweildauer auf Intensivstation. Zur Identifikation präoperativer mikrobieller Marker mit prädiktiver Relevanz wurden Random Forests Analysen und der Boruta-Algorithmus eingesetzt. Die Daten wurden mit der Rhea-Pipeline verarbeitet und mithilfe von DeSeq2 normalisiert.

Ergebnisse: Basierend auf ersten Analysen von 28 Patient:innen wurden die vier Gattungen Actinomyces, Klebsiella, Bifidobacterium und Eggerthella im Boruta-Algorithmus als potenziell relevante Marker identifiziert. Diese vier Gattungen ermöglichten in 71,5% der Fälle eine korrekte Zuordnung der Patienten zur Gruppe mit kurzem (≤7 Tage) bzw. langem (>7 Tage) ICU-Aufenthalt. Eine erhöhte präoperative relative Abundanz von Bifidobacterium war tendenziell mit kürzeren ICU-Aufenthalten assoziiert, während eine erhöhte relative Abundanz von Actinomyces signifikant häufiger bei Patient:innen mit verlängertem intensivstationärem Verlauf vorkam. Unterschiede in der Alpha-Diversität zwischen Gruppen mit kurzem vs. langem ICU-Aufenthalt waren nicht signifikant. Weitere Analysen erfolgen im Zuge der fortlaufenden Datenerhebung.

Schlussfolgerung: Bestimmte bakterielle Gattungen bereits vor der LT können potenziell Hinweise auf einen komplizierten postoperativen Verlauf nach LT geben. Das intestinale Mikrobiom zeigt somit Potenzial als prädiktiver Marker und die hier präsentierten Daten Grundlage für eine gezielte Risikostratifikation im Transplantationskontext.



Publikationsverlauf

Artikel online veröffentlicht:
04. September 2025

© 2025. Thieme. All rights reserved.

Georg Thieme Verlag KG
Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany