Predicting malnutrition in colorectal cancer: a systematic review of risk prediction models

Kolorektales Karzinom, eine Erkrankung, die den Dickdarm und den Mastdarm betrifft, bleibt eine der häufigsten und schwerwiegendsten gesundheitlichen Herausforderungen weltweit. Für Patienten, die mit dieser Krankheit kämpfen, tritt oft ein verborgener, aber kritischer Begleiter auf den Plan: Mangelernährung. Dieser Zustand ist nicht bloß ein Untergewicht; es handelt sich um einen komplexen Zustand, in dem dem Körper die essenziellen Nährstoffe fehlen, die er benötigt, um Gewebe zu reparieren, Infektionen zu bekämpfen und die Strapazen einer Behandlung zu tolerieren. Wenn ein Patient mit kolorektalem Karzinom unter Mangelernährung leidet, sind die Folgen schwerwiegend. Sie tragen ein höheres Risiko für Infektionen nach Operationen, längere Krankenhausaufenthalte und eine verringerte Fähigkeit, Chemotherapien zu überstehen. Aus diesem Grund müssen medizinische Teams, insbesondere Pflegekräfte, die oft die Ersten sind, die bemerken, wenn sich der Zustand eines Patienten verschlechtert, eine zuverlässige Möglichkeit benötigen, um Risikopatienten zu erkennen, bevor es zu spät ist. Das Ziel ist es, die Verletzlichen frühzeitig zu identifizieren, damit Hilfe geleistet werden kann, bevor die Reserven des Körpers erschöpft sind.

Seit Jahren versuchen Forscher, mathematische Werkzeuge zu entwickeln, um vorherzusagen, welche Patienten in diesen gefährlichen Zustand geraten werden. Diese Werkzeuge, bekannt als Vorhersagemodelle, sind wie Checklisten, die verschiedene Faktoren – wie Alter, Tumorgröße, Bluttestergebnisse und körperliche Stärke – abwägen, um einen Risiko-Score zu berechnen. Die Hoffnung war, dass eine Pflegekraft ein solches Werkzeug nutzen könnte, um sofort einen Patienten zu melden, der dringende Ernährungsunterstützung benötigt. Die Landschaft dieser Werkzeuge war jedoch ungeordnet. Einige Modelle sagten andere Dinge voraus, wie etwa Überlebensraten oder spezifische Blutmarker, anstatt des tatsächlichen Zustands der Mangelernährung. Andere verwendeten unterschiedliche Definitionen dafür, was als „mangelernährt“ gilt, was einen fairen Vergleich unmöglich machte. Um diese Verwirrung zu beseitigen, setzte sich ein Team von Forschern aus Universitäten und Krankenhäusern in China und den USA zusammen, um alle verfügbaren Studien zu diesem Thema zu sammeln und sie mit einem kritischen Blick zu untersuchen.

Die Forscher führten eine umfassende Suche durch und durchsuchten acht große wissenschaftliche Datenbanken nach Studien, die bis zum 1. Mai 2026 veröffentlicht wurden. Sie warfen ein weites Netz aus, um jede Studie zu finden, die ein Modell zur Vorhersage von Mangelernährung oder Ernährungsrisiko speziell bei Erwachsenen mit kolorektalem Karzinom erstellt hatte. Sie waren streng bei dem, was sie einschlossen: Die Modelle mussten sich auf die klinische Realität der Mangelernährung konzentrieren, definiert durch anerkannte medizinische Standards, anstatt nur auf ein einzelnes Bluttestergebnis oder eine Schätzung darüber, wie lange ein Patient leben könnte. Nach der Sichtung tausender Datensätze und dem Entfernen von Duplikaten oder irrelevanten Papieren fanden sie dreizehn Studien, die ihre Kriterien erfüllten. Diese Studien umfassten insgesamt tausende Patienten, von denjenigen, die gerade erst diagnostiziert wurden, bis hin zu denen, die sich von Operationen erholen oder eine Chemotherapie durchlaufen.

Als das Team diese dreizehn Modelle analysierte, stellten sie fest, dass diese auf dem Papier durchaus vielversprechend aussah. Die Modelle waren in der Lage, zwischen Patienten, die gefährdet waren, und solchen, die es nicht waren, mit einem hohen Grad an Genauigkeit zu unterscheiden. In der Sprache der Statistik lag ihre Fähigkeit, die beiden Gruppen zu trennen, im Bereich von gut bis ausgezeichnet. Die Forscher merkten an, dass einige Modelle die gefährdeten Patienten mit einem AUC von 0,88 korrekt identifizierten, während andere in ihren ersten Tests sogar noch präziser waren. Die Werkzeuge nutzten eine Vielzahl von Methoden, um diese Vorhersagen zu treffen, von einfachen Gleichungen bis hin zu komplexeren Computer-Algorithmen. Sie stützten sich auf gängige Anhaltspunkte wie das Alter des Patienten, seinen Body-Mass-Index, das Stadium seines Krebses, seinen Hämoglobinspiegel und wie gut er tägliche Aktivitäten ausführen konnte. Einige Modelle betrachteten auch spezifische Ernährungs-Screening-Scores oder Faktoren wie Einkommen und Proteinzufuhr.

Doch die Geschichte nimmt eine Wendung, wenn die Forscher tiefer in die Art und Weise eintauchen, wie diese Modelle aufgebaut und getestet wurden. Trotz der beeindruckenden Zahlen an der Oberfläche stellte das Team fest, dass jedes einzelne der dreizehn Modelle erhebliche Mängel in Design und Berichterstattung aufwies. Das Hauptproblem bestand darin, dass die Modelle nicht an neuen, anderen Personengruppen getestet worden waren. Die meisten wurden an dersigen Patientengruppen aufgebaut und getestet, was ein wenig so ist, als würde ein Schüler eine Übungsprüfung machen und dann sofort dieselbe Prüfung erneut ablegen. Dieser Ansatz führt oft zu einer übermäßig optimistischen Sichtweise darauf, wie gut das Werkzeug tatsächlich funktioniert. Die Forscher fanden heraus, dass die Studien oft nicht erklärten, wie sie mit fehlenden Daten umgingen, wie sie entschieden, welche Faktoren einzubeziehen waren, oder ob das Modell anfällig für Overfitting war – ein technischer Begriff dafür, dass man sich zu sehr auf die spezifischen Details der Trainingsdaten konzentriert, anstatt allgemeine Regeln zu erlernen. Aufgrund dieser Probleme kamen die Forscher zu dem Schluss, dass die Modelle noch nicht bereit sind, in realen Krankenhäusern eingesetzt zu werden, um Entscheidungen über die Patientenversorgung zu treffen.

Die Rezension hob auch einen Mangel an Diversität in der Forschung hervor. Fast alle Studien wurden in China durchgeführt, mit nur einer aus den USA. Dies bedeutet, dass die Werkzeuge unter Verwendung von Daten aus spezifischen Populationen mit bestimmten Ernährungsgewohnheiten, Gesundheitssystemen und genetischen Hintergründen entwickelt wurden. Ein Modell, das in einer Region gut funktioniert, funktioniert möglicherweise in einer anderen gar nicht. Zudem variierten die Definitionen von Mangelernährung leicht zwischen den Studien; einige verwendeten einen Satz von Kriterien und andere einen anderen. Obwohl es den Forschern gelang, den Fokus auf klinisch definierte Mangelernährung einzuengen, erschwerte diese Variation dennoch die Zusammenführung der Ergebnisse zu einem einzigen, einheitlichen Bild. Das Team stellte fest, dass zwar Machine Learning und Künstliche Intelligenz in einigen der neueren Modelle verwendet wurden, diese fortschrittlichen Techniken jedoch die grundlegenden Probleme des mangelhaften Studiendesigns oder der fehlenden externen Validierung nicht behoben.

Die abschließende Botschaft dieser Rezension ist eine von vorsichtigem Optimismus gepaart mit einem Ruf nach Gründlichkeit. Die bestehenden Modelle zeigen, dass es möglich ist, das Ernährungsrisiko bei Patienten mit kolorektalem Karzinom vorherzusagen, und die ersten Ergebnisse sind ermutigend. Dennoch ist der Weg zu einem Werkzeug, das eine Pflegekraft am Krankenbett vertrauensvoll nutzen kann, noch nicht abgeschlossen. Die Forscher betonen, dass diese Modelle als vorläufige Ideen und nicht als fertige Produkte betrachtet werden sollten. Bevor sie darauf vertraut werden können, klinische Entscheidungen zu leiten, müssen sie an großen, vielfältigen Patientengruppen in verschiedenen Krankenhäusern und Ländern getestet werden. Zukünftige Studien müssen mit größerer Sorgfalt konzipiert werden, um sicherzustellen, dass die Modelle an neuen Menschen getestet werden, um zu beweisen, dass sie in der realen Welt funktionieren. Bis dahin bleibt der beste Ansatz für medizinische Teams, ihr professionelles Urteilsvermögen und etablierte Screening-Methoden anzuwenden und diese neuen Werkzeuge eher als potenzielle Hilfsmittel für die Zukunft denn als unmittelbare Lösungen im Hinterkopf zu behalten. Die Arbeit ist noch lange nicht abgeschlossen, aber diese systematische Übersicht hat eine klare Landkarte darüber geliefert, wo das Feld steht und welche Schritte als Nächstes unternommen werden müssen, um diese vielversprechenden Berechnungen in lebensrettende Pflege zu verwandeln.