← Neueste Arbeiten
📄 Pneumologie

Beyond Padua and IMPROVE: Machine Learning Outperforms Guideline Risk Scores for Prediction of Radiologically Confirmed Hospital-Acquired Venous Thromboembolism

Diese Studie zeigt, dass auf Routineaufnahmedaten trainierte Modelle des maschinellen Lernens die herkömmlichen richtlinienbasierten Risikoscores (Padua und IMPROVE) bei der Vorhersage von radiologisch bestätigten im Krankenhaus erworbenen venösen Thromboembolien in einer großen, unselektierten Kohorte von fast 400.000 Aufnahmen signifikant übertreffen.

Ursprüngliche Autoren: Feng, J., Li, Y., Yu, S., Sun, X.

Veröffentlicht 2026-08-28
📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

Ursprüngliche Autoren: Feng, J., Li, Y., Yu, S., Sun, X.

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Jedes Jahr werden Millionen von Menschen zur Behandlung in ein Krankenhaus aufgenommen, und für viele birgt der Akt des Stillliegens oder der Genesung von einer Krankheit eine verborgene Gefahr: die Bildung von Blutgerinnseln. Diese Gerinnsel können durch die Venen wandern und den Blutfluss zu den Lungen blockieren, ein Zustand, der als venöse Thromboembolie bekannt ist und eine der führenden Ursachen für vermeidbare Todesfälle in Krankenhäusern darstellt. Ärzte verlassen sich seit langem auf einfache Checklisten, um zu entscheiden, wer eine präventive Medikation benötigt. Diese Checklisten stellen einige grundlegende Fragen: Ist der Patient über einem bestimmten Alter? Hat er Krebs? Ist er nicht in der Lage, sich zu bewegen? Basierend auf den Antworten wird ein Score berechnet, um das Risiko einzuschätzen. Obwohl diese Werkzeuge Standardpraxis sind, verfehlen sie oft das Ziel, da sie viele Patienten, die tatsächlich Blutgerinnsel entwickeln werden, nicht identifizieren, während sie andere, die eigentlich sicher sind, fälschlicherweise als gefährdet markieren. Die Herausforderung bestand darin, einen Weg zu finden, die Gefahr deutlicher zu erkennen, ohne das überlastete medizinische Personal mit mehr Arbeit zu belasten.

Ein Forscherteam setzte sich zum Ziel zu testen, ob ein Computerprogramm aus Krankenhausakten lernen könnte, um diese Gerinnsel besser vorherzusagen als die herkömmlichen Checklisten. Sie wandten sich an eine massive Sammlung anonymisierter Krankenakten eines einzelnen Krankenhauses in den Vereinigten Staaten, die über 399.000 Aufnahmen von Erwachsenen zwischen 2008 und 2022 abdeckte. Um sicherzustellen, dass sie neue Fälle und nicht die alte Vorgeschichte untersuchten, konzentrierten sie sich nur auf Patienten, die zuvor noch nie ein Blutgerinnsel hatten. Die Forscher verließen sich nicht auf einfache Abrechnungscodes, um die kranken Patienten zu finden, da diese Codes ungenau sein können. Stattdessen entwickelten sie ein System, das den vollständigen Text der Radiologieberichte liest, wie etwa CT-Scans und Ultraschallbilder, und nach den spezifischen Wörtern sucht, die Ärzte verwenden, wenn sie ein neues Gerinnsel bestätigen. Dieser sorgfältige Prozess identifizierte 1.915 Patienten, die während ihres Aufenthalts ein neues Gerinnsel entwickelten, eine Rate von etwa fünf Fällen auf 1.000 Aufnahmen.

Die Forscher trainierten daraufhin zwei Arten von Computermodellen, um diese Ereignisse vorherzusagen. Der erste Typ betrachtete eine Momentaufnahme der Patientendaten aus den ersten 24 Stunden ihres Aufenthalts, einschließlich Alter, Krankengeschichte, Laborergebnissen und der Frage, ob sie eine Operation hatten. Der zweite Typ war dynamisch, was bedeutet, dass er seine Vorhersage jeden Tag aktualisierte, wenn neue Laborergebnisse und Vitalparameter eintrafen. Sie verglichen diese Computermodelle mit den zwei gängigsten Leitlinien-Checklisten, die heute in Krankenhäusern verwendet werden. Die Ergebnisse waren beeindruckend. Die traditionellen Checklisten schnitten schlecht ab und identifizierten das Risiko in nur etwa 62 % der Fälle korrekt, als sie an neuen Daten getestet wurden. Im Gegensatz dazu erreichten die Computermodelle, die dieselben routinemäßigen Daten verwendeten, die auch Ärzten zur Verfügung stehen, einen AUC-Wert von 0,89. Die Verbesserung war so groß, dass sie statistisch unbestreitbar war und zeigte, dass die Computermodelle in der Lage sind, Muster in den Daten zu erkennen, die die einfachen Checklisten völlig übersehen.

Die Studie untersuchte auch, ob komplexere Deep-Learning-Systeme, die versuchen, die gesamte Sequenz der täglichen Veränderungen eines Patienten zu lesen, noch besser abschneiden würden. Überraschenderweise boten diese komplexen Systeme keinen Vorteil gegenüber den einfacheren Modellen, die nur die täglichen Zusammenfassungen betrachteten. Die Forscher fanden heraus, dass die einfacheren Modelle genauso effektiv darin waren, die in den Daten verborgenen Risikosignale zu erfassen. Darüber hinaus blieben die Computermodelle überlegen, selbst als die Forscher sie unter strengen Bedingungen testeten, wie etwa bei der Betrachtung von Patienten, die erst mehr als einen Tag nach der Ankunft ein Gerinnsel entwickelten, oder bei der Einbeziehung von Patienten, die eine Vorgeschichte von Gerinnseln hatten. Der Vorteil der Computermodelle blieb in all diesen Szenarien stabil.

Diese Arbeit legt nahe, dass die Zukunft der Patientensicherheit in Software liegen könnte, die leise im Hintergrund läuft und das Risiko automatisch in dem Moment berechnet, in dem ein Patient aufgenommen wird. Im Gegensatz zu den aktuellen Checklisten, die erfordern, dass eine Pflegekraft oder ein Arzt manuell ein Formular ausfüllt, können diese Computermodelle die notwendigen Informationen direkt aus der elektronischen Patientenakte abrufen. Obwohl die Studie auf historischen Daten durchgeführt wurde und weitere Tests in realen Krankenhausumgebungen erfordert, bevor sie weit verbreitet eingesetzt werden kann, deuten die Ergebnisse darauf hin, dass ein bedeutender Sprung in der Genauigkeit möglich ist. Durch die Nutzung der Daten, die bereits in den Krankenhauscomputern liegen, könnte es bald möglich sein, mehr Patienten vor Blutgerinnseln zu schützen, ohne einen einzigen zusätzlichen Schritt im täglichen Ablauf der medizinischen Versorgung zu erfordern.

Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?

Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.

Digest testen →