AI for pRedicting Exacerbations in KIDs with aSthma (AIRE-KIDS)
Die AIRE-KIDS-Studie entwickelte und validierte ein maschinelles Lernmodell unter Verwendung elektronischer Krankenakten, Umweltdaten und Nachbarschaftsinformationen, um schwere Asthmaanfälle bei Kindern präzise vorherzusagen, wobei sie durch das Erreichen eines AUC von 0,712 und eines F1-Scores von 0,51 eine überlegene Leistung gegenüber aktuellen Entscheidungsregeln demonstrierte.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Asthma ist eine häufige Erkrankung bei Kindern, die dazu führt, dass sich ihre Atemwege verengen und das Atmen erschwert wird. Während viele Kinder ihre Symptome zu Hause gut bewältigen, erleben einige schwere Anfälle, die einen Besuch in der Notaufnahme erfordern. Selbst nach Erhalt einer Behandlung kehren eine beträchtliche Anzahl dieser Kinder innerhalb eines Jahres für eine weitere schwere Episode zurück. Dieser Kreislauf ist nicht nur eine persönliche Belastung für Familien; er stellt auch eine enorme Belastung für Krankenhäuser und das Gesundheitssystem dar. Die Herausforderung für Ärzte besteht darin, dass sie nicht jedem Kind, das die Notaufnahme besucht, eine intensive, spezialisierte Ausbildung und Betreuung bieten können, da es schlichtweg nicht genügend Ressourcen gibt. Stattdessen benötigen medizinische Teams einen Weg, um genau jene Kinder zu identifizieren, die am wahrscheinlichsten zurückkehren werden, damit diese an ein umfassendes Betreuungsprogramm überwiesen werden können, das zukünftige Krisen verhindert. Seit Jahrzehnten verlassen sich Ärzte bei diesen Entscheidungen auf einfache Checklisten und ihr eigenes Urteilsvermögen, aber diese Methoden übersehen oft die vulnerabelsten Patienten oder markieren diejenigen, die keine zusätzliche Hilfe benötigen.
In einer kürzlich durchgeführten Studie am Children's Hospital of Eastern Ontario setzten sich Forscher zum Ziel, ein präziseres Werkzeug zu entwickeln, um dieses Problem zu lösen. Sie wandten sich dem maschinellen Lernen zu, einer Form der Informatik, bei der Software lernt, Muster in riesigen Mengen von Daten zu erkennen. Das Team sammelte Aufzeichnungen von fast 3.000 Kindern, die zwischen 2017 und 2019 wegen Asthma die Notaufnahme aufgesucht hatten. Diese Unterlagen enthielten Details zur medizinischen Vorgeschichte der Kinder, wie etwa frühere Besuche, ihr Alter und ob sie andere Allergien wie Lebensmittelunverträglichkeiten hatten. Die Daten erfassten auch die Schwere ihres aktuellen Anfalls, wie lange sie auf einen Arzt warten mussten, und sogar Umweltfaktoren wie die Luftqualität in ihrer Nachbarschaft. Die Forscher wollten sehen, ob ein Computer all diese verschiedenen Informationen kombinieren und vorhersagen könnte, welche Kinder innerhalb des nächsten Jahres wieder ins Krankenhaus zurückkehren würden.
Um ihre Idee zu testen, trainierte das Team mehrere verschiedene Arten von Computermodellen. Dazu gehörten drei neuere Ansätze, die auf Large Language Models basieren – dies sind dieselben leistungsstarken KI-Systeme, die oft verwendet werden, um Texte zu schreiben oder komplexe Fragen zu beantworten. Sie testeten auch traditionelle baumbasierte Modelle, die durch eine Serie von Ja-Nein-Entscheidungen basierend auf den Daten arbeiten, ähnlich wie ein Arzt verschiedene Symptome abwägt. Die Forscher teilten ihre Daten in zwei Gruppen auf: eine Gruppe, um die Modelle zu lehren, und eine zweite, separate Gruppe, um zu testen, wie gut die Modelle bei neuen, unbekannten Patienten abschneiden. Sie verglichen die Vorhersagen des Computers mit der derzeitigen Standardregel des Krankenhauses, die einen Alarm für Hochrisikopatienten auslöst, basierend auf einigen spezifischen Kriterien, wie etwa einem vorherigen Besuch und einem hohen Schweregrad bei der Triage.
Die Ergebnisse zeigten, dass die traditionellen baumbasierten Modelle für diese spezifische Aufgabe weitaus überlegen waren gegenüber den neueren Sprachmodellen. Das am besten abschneidende Modell, das die Forscher AIRE-KIDS nannten, identifizierte erfolgreich Kinder, die ein hohes Risiko hatten, erneut die Notaufnahme aufzusuchen oder stationär aufgenommen zu werden. Als es an der Gruppe von Kindern aus den Jahren 2022 und 2023 getestet wurde, erwies sich dieses Modell als signifikant genauer als die aktuelle Krankenhausregel. Während die bestehende Regel etwa ein Drittel der Kinder, die zurückkehren würden, korrekt identifizierte, identifizierte das neue Modell mehr als die Hälfte. Der Computer lernte, dass die stärksten Hinweise auf eine zukünftige Rückkehr nicht nur die aktuelle Schwere des Anfalls waren, sondern auch die Anzahl der früheren Besuche des Kindes, sein Alter, ob es Lebensmittelallergien hatte und wie komplex seine allgemeinen medizinischen Bedürfnisse waren. Überraschenderweise führten Umweltfaktoren wie Luftverschmutzung, von denen die Forscher gehofft hatten, dass sie ein wichtiger Prädiktor sein würden, die Genauigkeit des Modells nicht signifikant, und sie wurden weggelassen, um das Modell einfach und leicht anwendbar zu halten.
Die Studie fand auch heraus, dass die neueren, komplexeren KI-Systeme, bekannt als Large Language Models, nicht so gut abschnitten wie die einfacheren, spezialisierten Modelle. Trotz der Popularität dieser fortschrittlichen Systeme in anderen Bereichen hatten sie Schwierigkeiten, die richtigen Muster in diesen spezifischen medizinischen Daten zu finden. Die Forscher kamen zu dem Schluss, dass für die Vorhersage von Asthma-Ergebnissen bei Kindern ein fokussiertes, interpretierbares Modell effektiver ist als ein breites, allgemeineres Modell. Das endgültige Modell nutzt einen kleinen, handhabbaren Satz an Fakten, die im Moment des Eintreffens eines Kindes in den elektronischen Krankenakten des Krankenhauses leicht verfügbar sind. Dies bedeutet, dass das Werkzeug direkt in den Arbeitsablauf der Notaufnahme integriert werden könnte, um Ärzte darauf hinzuweisen, die vulnerabelsten Kinder sofort an spezialisierte Pflege zu überweisen. Auf diese Weise hofft das Krankenhaus, den Kreislauf der wiederkehrenden Besuche zu durchbrechen und sicherzustellen, dass die Kinder, die die meiste Hilfe benötigen, diese auch erhalten, während die begrenzten Ressourcen effizienter genutzt werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.