Development and External Validation of a Transparent Regression-Based In-Hospital Mortality Prediction Model for Critically Ill Patients With Liver Cancer Using MIMIC-IV and eICU-CRD

Jedes Jahr fordert Leberkrebs weltweit Millionen von Menschenleben, doch für eine kleinere Gruppe von Patienten geht die unmittelbare Bedrohung nicht vom Tumor selbst aus, sondern von plötzlichen, lebensbedrohlichen Komplikationen, die sie auf die Intensivstation zwingen. Wenn ein Patient mit Leberkrebs auf der Intensivstation eintrifft, stehen Ärzte vor einer schwierigen Realität: Der Körper versagt oft in mehreren Systemen gleichzeitig, und das Zeitfenster, um die richtigen Entscheidungen zu treffen, ist äußerst eng. Um zu helfen, verlassen sich medizinische Teams seit langem auf allgemeine Bewertungssysteme, die messen, wie krank ein Patient basierend auf Vitalzeichen und Organfunktion ist. Diese breiten Instrumente wurden jedoch nicht speziell für die einzigartige Biologie von Leberkrebs entwickelt, und sie übersehen oft die spezifischen Warnsignale, die für diese Gruppe am wichtigsten sind. Die Frage war, ob eine einfachere, klarere Methode entwickelt werden könnte – eine, die nur die Informationen nutzt, die während des ersten Tages der Versorgung verfügbar sind, um vorherzusagen, wer mit der höchsten Wahrscheinlichkeit den Krankenhausaufenthalt überleben wird.

Ein Team von Forschern setzte sich zum Ziel, genau ein solches Werkzeug zu entwickeln, wobei der Fokus auf Transparenz und Früherkennung lag. Sie verließen sich nicht auf komplexe, verborgene Algorithmen, die wie eine „Black Box“ wirken, bei denen die Logik hinter einer Vorhersage unmöglich nachvollziehbar ist. Stattdessen konstruierten sie ein geradliniges mathematisches Modell unter Verwendung von Daten aus zwei massiven, öffentlich zugänglichen Sammlungen von Krankenhausakten. Eine Sammlung stammte von einem einzelnen großen Krankenhaus in den Vereinigten Staaten, während die andere Daten aus über zweihundert Krankenhäusern im ganzen Land zusammenführte. Durch die Kombination dieser Quellen konnte das Team zunächst ein Modell an einem Satz von Patienten aufbauen und es dann sofort an einem völlig anderen Satz testen, um zu sehen, ob es in der realen Welt Bestand hat. Ihr Ziel war es, ein System zu schaffen, das jeder Kliniker verstehen kann, bei dem jeder Faktor, der zur Vorhersage verwendet wird, eine routinemäßige Messung ist, die innerhalb der ersten vierundzwanzig Stunden des Intensivaufenthalts durchgeführt wurde.

Die Forscher begannen damit, tausende erwachsene Patienten mit Leberkrebs zu untersuchen, die mindestens einen Tag auf der Intensivstation verbracht hatten. Sie durchsuchten eine riesige Auswahl an potenziellen Hinweisen, einschließlich des Alters, des Vorhandenseins von Krebs, der in andere Körperteile gestreut hatte, sowie einer breiten Palette physikalischer Messwerte wie Herzfrequenz, Blutdruck und Sauerstoffgehalt. Sie untersuchten auch Bluttestergebnisse, die zeigten, wie gut die Leber und die Nieren funktionierten. Unter Anwendung eines strengen statistischen Prozesses grenzten sie die Liste auf die zwölf wichtigsten Faktoren ein, die konsistent auf ein höheres Sterberisiko hindeuteten. Zu diesen Faktoren gehörten der Bilirubinspiegel im Blut, der auf Leberstress hinweist; Kreatinin, ein Marker der Nierenfunktion; sowie die Körpertemperatur, die Herzfrequenz und die Atemfrequenz des Patienten. Sie bezogen auch das Bewusstseinsniveau des Patienten ein, gemessen mit einer Standard-Skala, sowie die Information, ob der Krebs über die Leber hinaus gestreut hatte.

Als sie dieses Zwölf-Faktoren-Modell an der ersten Patientengruppe testeten, schnitt es sehr gut ab und unterschied in der großen Mehrheit der Fälle korrekt zwischen Überlebenden und Nicht-Überlebenden. Das Modell war in der Lage, einen Risiko-Score zuzuweisen, der eng mit den tatsächlichen Ergebnissen übereinstimmte. Der wahre Test eines jeden medizinischen Vorhersagewerkzeugs ist jedoch, ob es auch bei Patienten funktioniert, die es noch nie gesehen hat. Die Forscher wandten ihr Modell dann auf die zweite, unabhängige Patientengruppe aus den anderen Krankenhäusern an. Hier waren die Ergebnisse bescheidener, aber dennoch bedeutsam. Das Modell konnte Überlebende besser von Nicht-Überlebenden unterscheiden als der Zufall, auch wenn es in dieser Gruppe nicht so präzise war wie in der ersten Gruppe. Dieser Leistungsabfall ist üblich, wenn man von einem Krankenhaus zu einem anderen wechselt, da verschiedene Krankenhäuser Daten leicht unterschiedlich erfassen und Patienten mit unterschiedlicher Intensität behandeln. Das Modell zeigte auch, dass es das Risiko leicht unterschätzte, was darauf hindeutet, dass das Werkzeug zwar nützlich ist, aber möglicherweise an spezifische lokale Bedingungen angepasst werden muss, bevor es zur Steuerung realer Entscheidungen eingesetzt werden kann.

Die Studie verglich ihr neues, leberspezifisches Modell auch mit einem weit verbreiteten allgemeinen Intensivstation-Bewertungssystem, das bereits in der zweiten Datenbank verfügbar war. Das allgemeine System, das nicht für Krebspatienten entwickelt wurde, schnitt in dieser spezifischen Gruppe schlecht ab, da es die Nuancen von Leberkrebskomplikationen nicht erfassen konnte. Im Gegensatz dazu lieferte das neue Modell, obwohl es einfacher war und sich nur auf den ersten Tag der Versorgung konzentrierte, ein klareres Bild über das Schicksal des Patienten. Die Forsker fanden heraus, dass die Vorhersagen des Modells von einer logischen Mischung aus Faktoren getrieben wurden: Je mehr die Leber und die Nieren kämpften, je instabiler die Vitalzeichen wurden und je mehr der Krebs gestreut hatte, desto höher war das Sterberisiko. Interessanterweise stellte das Modell auch fest, dass Patienten mit einer niedrigeren Körpertemperatur ein höheres Risiko hatten, ein Zeichen dafür, dass der Körper seine Fähigkeit verliert, sich angesichts schwerer Krankheit selbst zu regulieren.

Trotz dieser vielversprechenden Ergebnisse betonen die Autoren vorsichtig, dass dieses Werkzeug nicht bereit ist, das Urteilsvermögen eines Arztes zu ersetzen. Die Studie war retrospektiv, was bedeutet, dass sie in die Vergangenheit blickte, anstatt das Modell in Echtzeit an lebenden Patienten zu testen. Die Gruppe der Patienten, die für den zweiten Test verwendet wurde, war relativ klein, was es schwieriger machte, sicherzustellen, wie gut das Modell seine Vorhersagen kalibrierte. Die Forscher betonen, dass ihre Arbeit ein Ausgangspunkt ist – ein transparenter Rahmen, der zeigt, dass es möglich ist, einen spezifischen, verständlichen Risikorechner für diese vulnerable Bevölkerungsgruppe zu erstellen. Bevor ein solches Modell in einem Krankenhaus eingesetzt werden kann, müsste es in größeren Gruppen weiter getestet und an die spezifischen Praktiken einzelner medizinischer Zentren feinjustiert werden. Das ultimative Ziel ist nicht, die Entscheidung zur Lebensrettung zu automatisieren, sondern den Klinikern ein klares, frühes Warnsystem an die Hand zu geben, das ihnen hilft, besser mit Familien zu kommunizieren und Ressourcen dort einzusetzen, wo sie am dringendsten benötigt werden.