Construction of a machine learning-based prediction model for intraoperative acquired pressure injury in children undergoing neurosurgery

Technische Zusammenfassung: Konstruktion eines auf maschinellem Lernen basierenden Vorhersagemodells für intraoperative erworbene Druckverletzungen bei Kindern während neurochirurgischer Eingriffe

Problemstellung
Intraoperative erworbene Druckverletzungen (IAPI) sind eine häufige und schwerwiegende Komplikation bei Kindern, die sich neurochirurgischen Eingriffen unterziehen. Aufgrund der sensiblen Natur dieser Eingriffe, der Notwendigkeit einer erzwungenen Positionierung, des Einsatzes von Instrumenten, die lokalen Gewebekompressionsdruck verursachen, sowie der längeren postoperativen Bettruhephase sind pädiatrische Patienten einem erhöhten Risiko ausgesetzt. Während frühere Studien eine Inzidenzrate von etwa 11,5 % bei neurochirurgischen Kindern identifiziert haben, sind die spezifischen Risikofaktoren für diese Population noch nicht vollständig verstanden. Zudem zeigten bestehende Vorhersagewerkzeuge, wie ein zuvor entwickeltes Nomogramm, lediglich eine moderate Vorhersageleistung (c-Index = 0,79). Bis heute hat keine Studie die Anwendung von Techniken des maschinellen Lernens (ML) zur Konstruktion eines Vorhersagemodells für IAPI bei Kindern unter Neurochirurgie berichtet.

Methodik
Diese retrospektive Studie nutzte klinische Daten von 776 Kindern (Alter ≤18 Jahre), die zwischen Januar und Juni 2023 in einem tertiären Kinderkrankenhaus in Chongqing neurochirurgische Eingriffe erhielten. Die Studie hielt das Prinzip der 10 Ereignisse pro Variable (EPV) für die Stichprobenberechnung ein und schloss letztlich 14 potenzielle Risikofaktoren ein.

• Datenerhebung & Vorverarbeitung: Die Daten umfassten demografische Informationen, präoperative Laborwerte (Hämoglobin, Hämatokrit, BMI, Braden-Q-Score) sowie intraoperative Variablen (ASA-Klassifikation, Operationsposition, Operations-/Anästhesiedauer, Blutverlust, Verwendung von Elektrowerkzeugen und Hypothermie). Die Diagnose einer IAPI erfolgte gemäß den NPUAP-Standards von 2019.
• Merkmalsauswahl: Die Least Absolute Shrinkage and Selection Operator (LASSO)-Regression wurde eingesetzt, um Variablen zu filtern und die Dimensionalität zu reduzieren, wobei 13 Merkmale mit Nicht-Null-Koeffizienten ausgewählt wurden.
• Modellkonstruktion: Der Datensatz wurde in einen Trainingsdatensatz (70 %) und einen Validierungsdatensatz (30 %) aufgeteilt. Neun Algorithmen des maschinellen Lernens wurden implementiert: Logistische Regression (LR), Random Forest (RF), Neuronales Netz (NNET), Extreme Gradient Boosting (XGBoost), Gradient Boosting Machine (GBM), Support Vector Machine (SVM), Naive Bayes (NB), K-Nearest Neighbors (KNN) und Decision Tree (DT).
• Optimierung & Validierung: Die Modelle wurden mittels Zehn-fach-Kreuzvalidierung (ten-fold cross-validation) und Grid Search auf dem Trainingssatz optimiert. Die Leistung wurde mittels der Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC), Sensitivität, Spezifität, Präzision, F1-Score und Decision Curve Analysis (DCA) bewertet.
• Interpretierbarkeit: Das optimale Modell wurde mittels SHapley Additive exPlanations (SHAP) analysiert, um die Merkmalsrelevanz zu visualisieren und den Entscheidungsprozess zu erklären.

Wesentliche Ergebnisse

• Inzidenz: Die beobachtete Inzidenz von IAPI in der Kohorte betrug 7,9 % (62/776). Die Mehrheit der Verletzungen war Grad I (95,16 %), wobei die Wange, die Stirn und die Schläfe die am häufigsten betroffenen Stellen waren.
• Merkmalsauswahl: Die LASSO-Regression identifizierte 13 Schlüsselprädiktoren, darunter Alter, Geschlecht, Braden-Q-Score, präoperativer Hämatokrit, intraoperativer Blutverlust, Operationsdauer, Anästhesiedauer, Operationsposition, Verwendung von Elektrowerkzeugen, ASA-Klassifikation, chirurgische Art und BMI.
• Modellleistung: Unter den neun Algorithmen zeigte das XGBoost-Modell die stabilste und optimale Leistung.
  • Metriken des Validierungsdatensatzes: XGBoost erreichte eine AUC von 0,7325, eine Sensitivität von 0,8889, eine Spezifität von 0,4813, eine Präzision von 0,126 und einen F1-Score von 0,2207.
  • Vergleich: Obwohl das XGBoost-Modell eine etwas geringere AUC als das vorherige Nomogramm-Modell der Autoren (0,79) aufwies, zeigte es eine höhere Sensitivität. Die Decision Curve Analysis ergab, dass XGBoost im Validierungsdatensatz den größten klinischen Nettovorteil bot.
• Risikofaktoranalyse: Die SHAP-Visualisierung identifizierte die sechs wichtigsten Risikofaktoren, welche die Vorhersagen des Modells beeinflussten: intraoperativer Blutverlust, Operationsposition, Alter des Patienten, Operationsdauer, Anästhesiedauer und die Anwendung externer Kräfte (z. B. Bohrer/Fräswerkzeuge).

Zentrale Beiträge

1. Neuartige ML-Anwendung: Diese Studie konstruiert ein auf maschinellem Lernen basierendes Vorhersagemodell für IAPI bei Kindern unter Neurochirurgie und adressiert damit eine Forschungslücke, da bisher kein solches Modell berichtet wurde.
2. Algorithmischer Vergleich: Sie vergleicht systematisch neun verschiedene Algorithmen des maschinellen Lernens und identifiziert XGBoost als das überlegene Modell für diesen spezifischen klinischen Kontext.
3. Interpretierbarkeit: Durch die Integration der SHAP-Analyse geht die Studie über „Black Box“-Vorhersagen hinaus und bietet eine transparente Visualisierung der Frage, wie spezifische klinische Indikatoren (wie Blutverlust und Operationsposition) das Verletzungsrisiko beeinflussen.
4. Verfeinerte Risikofaktoren: Die Studie evaluiert Risikofaktoren neu und bestätigt die Signifikanz von intraoperativem Blutverlust und der Verwendung von Elektrowerkzeugen, die in bisherigen Nicht-ML-Modellen nicht so prominent hervorgehoben wurden.

Bedeutung und Ansprüche
Die Autoren behaupten, dass das konstruierte XGBoost-basierte Vorhersagemodell über eine „gewisse Vorhersageleistung“ verfügt. Die primäre Bedeutung dieser Arbeit liegt in ihrem Potenzial, klinisches Pflegepersonal bei der Früherkennung von pädiatrischen Hochrisikopatienten in der Neurochirurgie zu unterstützen. Durch die Nutzung dieses Modells können Gesundheitsdienstleister personalisierte Präventivmaßnahmen früher im Versorgungskontinuum einleiten. Die Studie betont, dass das Modell keinen perfekten Ersatz für das klinische Urteilsvermögen darstellt, aber eine wissenschaftliche Grundlage für das Screening bietet und den Bewertungsprozess effizienter gestaltet, indem es die kritischsten Risikofaktoren hervorhebt, wodurch die Zeit für die Beurteilung potenziell verkürzt und die Genauigkeit der IAPI-Präventionsstrategien verbessert wird. Die Autoren bleiben hinsichtlich der Generalisierbarkeit des Modells bescheiden und weisen auf Einschränkungen wie die retrospektive Natur der Daten, das Fehlen einer externen Validierung und die Notwendigkeit hin, Wechselwirkungen zwischen Risikofaktoren in zukünftigen Studien zu untersuchen.