PhysioFusion: A Multi-Modal Ensemble using Static Preoperative Variables and Time Series Intraoperative Data to Predict Adverse Events Following Cardiothoracic Surgery

Wenn ein Patient eine schwere Herz- oder Lungenoperation durchläuft, sind die Stunden danach ein kritisches Zeitfenster, in dem sich die Genesung des Körpers entweder stabilisieren oder eine gefährliche Wendung nehmen kann. Auf der Intensivstation überwachen medizinische Teams ständig eine Flut von Informationen: den stetigen Rhythmus eines Herzens, den Druck des Blutes, das durch die Venen fließt, und das chemische Gleichgewicht des Blutes selbst. Jahrzehntelang haben sich Ärzte auf statische Momentaufnahmen der Gesundheit eines Patienten verlassen – wie etwa dessen Alter, bestehende Erkrankungen oder vor der Operation erhobene Bluttestergebnisse –, um vorherzusagen, wer Schwierigkeiten bekommen könnte. Die Veränderungen von Moment zu Moment, die während der Anästhesie und während der Operation auftreten, erzählen jedoch eine andere Art von Geschichte, eine, die sich in Echtzeit entfaltet. Die zentrale Frage für Forscher war, ob die Kombination dieser beiden Arten von Informationen – der festen medizinischen Vorgeschichte eines Patienten und der dynamischen, schwankenden Signale aus dem Operationssaal – ein klareres Bild davon zeichnet, wer gefährdet ist, oder ob eine Informationsquelle allein bereits ausreicht.

Ein Forschungsteam ging diese Frage an, indem es ein neues Computersystem entwickelte, das darauf ausgelegt ist, Patienten nach herz-thorakalen Operationen zu überwachen. Sie nannten ihre Schöpfung PhysioFusion, ein Werkzeug, das wie ein äußerst aufmerksamer Beobachter fungiert, der sowohl die dauerhafte Krankengeschichte eines Patienten als auch die lebendigen, fließenden Daten aus seiner Operation lesen kann. Das System wurde mit einer riesigen Sammlung von Datensätzen der Society of Thoracic Surgeons trainiert, die Details über Tausende von Patienten enthielten. Die Forscher speisten den Computer mit zwei unterschiedlichen Datenströmen: einer Liste statischer Fakten über jeden Patienten, wie etwa, ob eine Vorgeschichte von Herzinsuffizienz vorlag oder wie hoch die Anzahl der weißen Blutkörperchen war, und einem kontinuierlichen Strom von Zahlen aus dem Operationssaal, der Dinge wie den Blutdruck und die Herzfunktion jede Sekunde verfolgte, während die Operation voranschritt. Um diese Komplexität zu bewältigen, verließ sich das Team nicht auf eine einzige Methode. Stattdessen bauten sie ein Ensemble, eine Gruppe verschiedener mathematischer Modelle, die zusammenarbeiten. Einige Teile des Systems waren darauf ausgelegt, Muster in den statischen Listen zu finden, während andere darauf spezialisiert waren, den Rhythmus und den Fluss der zeitbasierten Signale zu verstehen, ganz so, wie ein Musiker vielleicht eine Partitur liest oder wie er vielleicht zu einem Beat improvisiert.

Das Ziel war es, unerwünschte Ereignisse vorherzusagen, also schwerwiegende Komplikationen, die nach einer Operation auf der Intensivstation auftreten können. Als die Forscher ihr System testeten, stellten sie fest, dass es mit einem hohen Maß an Genauigkeit zwischen Patienten, die stabil bleiben würden, und solchen, die mit Komplikationen zu rechnen hätten, unterscheiden konnte. Das Modell erreichte einen Wert von 0,8,7 in seiner Fähigkeit, die beiden Gruppen voneinander zu trennen, ein Leistungsniveau, das darauf hindeutet, dass es ein zuverlässiges Werkzeug für das Screening ist. Es war besonders gut darin, Patienten zu identifizieren, die kein negatives Ergebnis erleiden würden, indem es Komplikationen bei fast allen von ihnen korrekt ausschloss. Dies ist ein entscheidendes Merkmal für ein Screening-Werkzeug, da es Ärzten die Gewissheit gibt, dass ein als risikoarm eingestufter Patient tatsächlich sicher ist, wodurch sie ihre intensivsten Ressourcen auf die wenigen konzentrieren können, die sie wirklich benötigen. Das System identifizierte auch spezifische Faktoren, die für seine Vorhersagen am einflussreichsten waren, einschließlich der Frage, ob ein Patient vor der Operation unter Herzinsuffizienz litt, ob ein Gerät benötigt wurde, um das Blut während der Operation zu pumpen, wie lange die Herz-Lungen-Maschine eingesetzt wurde und die Anzahl der weißen Blutkörperchen.

Die überraschendste Entdeckung gelang jedoch, als die Forscher die beiden Arten von Daten separat testeten. Sie hatten erwartet, dass die Kombination der statischen Vorgeschichte mit den Live-Signalen aus dem Operationssaal eine „superstarke“ Vorhersage ergeben würde, die besser als entweder eine der beiden Quellen allein sei. Stattdessen stellten sie fest, dass die statischen Daten aus der Krankengeschichte des Patienten, wenn sie separat analysiert wurden, genauso gut abschnitten wie das kombinierte System und denselben Wert von 0,87 erreichten. Die Live-Signale aus dem Operationssaal, die für sich allein analysiert wurden, waren mit 0,83 etwas weniger effektiv. Dieser Befund deutet darauf hin, dass diese beiden Arten von Informationen für diese spezifische Patientengruppe eher Stellvertreter als Partner sind. Die detaillierten, Moment-zu-Moment-Daten aus der Operation lieferten keine neuen Informationen, die in der statischen Vorgeschichte nicht bereits enthalten waren. Stattdessen verschob die Kombination der beiden lediglich das Gleichgewicht zwischen dem Erfassen jedes möglichen Risikos und dem Vermeiden von Fehlalarmen, was den Kompromiss zwischen Sensitivität und Präzision änderte, ohne die Gesamtmenge des nützlichen Signals zu erhöhen.

Weitere Untersuchungen der Live-Daten ergaben, dass kein einzelner Überwachungskanal der alleinige Held der Geschichte war. Das System verließ sich nicht nur auf eine einzige Zahl, wie etwa die Herzfrequenz oder den Sauerstoffgehalt. Während der durchschnittliche Blutdruck und der Druck in den zentralen Venen die am wenigsten ersetzbaren Informationsteile waren, zeigte das System, dass es auch ohne ein spezifisches Signal funktionieren konnte, das absolut kritisch wäre. Diese Robustheit bedeutet, dass das Werkzeug nicht fragil ist; es bricht nicht zusammen, wenn ein Monitor ausfällt. Die Studie kommt zu dem Schluss, dass, obwohl fortschrittliche Systeme komplexe Datenströme integrieren können, Krankenhäuser, die nur Zugang zu Standardpatientenakten und Registerdaten haben, dennoch dieselbe hohe Genauigkeit bei der Vorhersage erreichen können wie solche mit vollständiger Zeitreihenüberwachung. Die Arbeit zeigt, dass für die Vorhersage postoperativer Komplikationen in diesem Kontext ein tiefes Verständnis des Vorzustands eines Patienten oft genauso leistungsstark ist, wie die Uhr während der Operation ticken zu beobachten.