Die Infektion ist überstanden. Doch für einige beginnt die eigentliche Erkrankung erst danach. Sogar nach einem zunächst harmlos wirkenden Verlauf berichten Betroffene Wochen oder Monate später über anhaltende Erschöpfung, reduzierte Belastbarkeit, Gedächtnisprobleme oder Atembeschwerden. Es sind Symptome, die schwer zu fassen und noch schwerer zu behandeln sind. Medizinerinnen und Mediziner sprechen in solchen Fällen vom Postakuten Infektionssyndrom, kurz PAIS. Spätestens seit der COVID-19-Pandemie ist das Krankheitsbild als Post-COVID verstärkt in den Fokus gerückt, neu ist es jedoch nicht. Auch nach einer Influenza-Erkrankung oder anderen Virusinfektionen können ähnliche Verläufe auftreten. Auffällig ist, dass PAIS keineswegs nur nach schweren Erkrankungen entsteht. Selbst nach milden oder unbemerkten Infektionen berichten Patientinnen und Patienten über Langzeitfolgen. Halten die Beschwerden länger als drei Monate an, spricht man von: PAIS.

Forschung sucht nach Ursachen, Therapie und Prävention

Das klinische Bild ist vielschichtig. Mehr als 200 unterschiedliche Symptome sind inzwischen beschrieben, eine klare Abgrenzung zu anderen Erkrankungen fällt oft schwer. Entsprechend herausfordernd ist die Diagnose. Während die Forschung intensiv nach Ursachen und Behandlungsmöglichkeiten sucht, stellt sich zunehmend die Frage nach Präventionsmaßnahmen. „Die Impfungen senken das Risiko für die Infektion, und im Fall einer Infektion schützen sie vor einem schweren Verlauf. Beides mindert das Risiko für eine Post-COVID-Erkrankung“, sagt Professor Rafael Mikolajczyk von der Universitätsmedizin Halle. Hier setzt das Forschungsprojekt AIMS an. Es startete im vergangenen Jahr und wird noch zwei weitere Jahre laufen. Ziel ist es, Impfstrategien so zu optimieren, dass die Zahl der PAIS-Fälle langfristig sinkt. Gefördert wird das interdisziplinäre Verbundvorhaben der Universitäten Bonn und Halle-Wittenberg sowie des Helmholtz-Zentrums für Infektionsforschung vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR).

Im Zentrum steht ein mathematisches Modell, das die Infektionsdynamiken und Impfstrategien simuliert. Anders als klassische Ansätze, die vor allem das Gesamtgeschehen betrachten, müssen die Modelle im Fall von PAIS deutlich stärker ins Detail gehen. „Wir müssen individuelle Verläufe berücksichtigen“, erklärt der Mathematiker Dr. Martin Kühn von der Universität Bonn. „Hat eine Person bereits eine Infektion durchgemacht? Wurde sie geimpft – und wenn ja, wann? Solche Faktoren können das Risiko mitunter beeinflussen.“ Diese Berechnungen sind komplex und rechenintensiv und erfordern den Einsatz von Hochleistungsrechnern. Zudem sind viele der benötigten Parameter wie die Übertragungswahrscheinlichkeit nicht exakt bekannt. Sie lassen sich allerdings aus großen Datensätzen ableiten, ein Prozess, der als Modellkalibrierung bezeichnet wird. Dabei setzt das Forschungsteam auf Methoden der Künstlichen Intelligenz (KI).

Mit KI dem Postakuten Infektionssyndrom auf der Spur

Der Einsatz von KI bietet viele Vorteile. Mit ihrer Hilfe können die Forschenden Prozesse gut parallelisieren und Rechenzeiten damit deutlich verkürzen. Gleichzeitig stoßen rein KI-basierte Modelle an Grenzen, wenn es um die Nachvollziehbarkeit der Ergebnisse geht. Viele KI-Modelle gelten als „Black Box“. Die internen Entscheidungswege innerhalb des Algorithmus bleiben intransparent. „In unserem Fall wäre eine solche Black Box problematisch, weil wir genau verstehen wollen, von welchen Parametern die Ergebnisse abhängen und wie sich Veränderungen im System auswirken“, erläutert Kühn. „Unsere Individuen-basierten Modelle hingegen sind vollständig nachvollziehbar.“ Das Forschungsteam setzt die KI gezielt dort ein, wo ihre Stärken überwiegen. Mit Hilfe von KI können die Forschenden effizient das Modell kalibrieren und Parameter ableiten.

Diese neuartige Kombination aus mechanistischen Modellen und KI ermöglicht es, verschiedene Szenarien systematisch durchzuspielen: Wie entwickelt sich die Zahl der PAIS-Fälle, wenn ein Impfstoff weniger wirksam ist und mehr akute Infektionen auftreten? Welche Auswirkungen hat eine frühere Infektionswelle? Und wann ist der optimale Zeitpunkt für Impfungen – möglicherweise unterschiedlich je nach Altersgruppe? „Wir gehen davon aus, dass das Risiko für langanhaltende Beschwerden mit dem Alter steigt“, so Mikolajczyk. „Gleichzeitig haben funktionelle Einschränkungen für jüngere, sportlich aktive Menschen dramatischere Folgen.“ Für jüngere Betroffene ohne Vorerkrankungen bedeutet PAIS häufig einen tiefgreifenden Einschnitt in der Lebensqualität. Sie können arbeitsunfähig werden und sind plötzlich auf Hilfe angewiesen. Bei älteren Patientinnen und Patienten, insbesondere mit Vorerkrankungen, fällt die Veränderung der Lebenssituation häufig weniger drastisch aus, da bereits Einschränkungen bestehen. Die Auswirkungen von PAIS unterscheiden sich somit deutlich zwischen den Bevölkerungsgruppen und rücken damit auch gesundheitsökonomische Fragen in den Fokus. „In unserem Modell können wir diese Fälle unterscheiden“, so Kühn. „Wie wir sie gewichten wollen, ist letztlich eine gesellschaftliche Entscheidung“.

Langfristig soll die Forschung dazu beitragen, besser auf zukünftige Pandemien und deren Folgen vorbereitet zu sein und zugleich fundiertere Entscheidungen im individuellen Gesundheitsschutz zu ermöglichen. „Wir hoffen, dass unser Modell Entscheidungsgremien – etwa der Ständigen Impfkommission – zukünftig ein belastbares Werkzeug an die Hand geben kann“, sagt Kühn. Im Fokus stehen dabei Fragen, die bislang kontrovers diskutiert werden: Wann ist die beste Zeit, um sich impfen zu lassen? Wie sollen Risikogruppen definiert werden? Solche Szenarien wollen die Forschenden zukünftig mit dem Modell gezielt simulieren und damit erstmals auf eine belastbare, datenbasierte Grundlage stellen. „Unser Ziel ist klar: Wir möchten dazu beitragen, die Zahl der PAIS-Fälle in Zukunft deutlich zu reduzieren“, sagt Mikolajczyk.

Wissenschaftlicher Ansprechpartner:

Dr. Martin J. Kühn 
Universität Bonn
Endenicher Allee 64
53115 Bonn
Martin.Kuehn@uni-bonn.de