Hiding in plain sight: finding undiagnosed chronic kidney disease without kidney function data through a machine learning model

Millionen von Menschen auf der ganzen Welt leben mit einer stillen Bedrohung für ihre Gesundheit: chronischer Nierenerkrankung. Dieser Zustand schädigt langsam die Organe, die Abfallstoffe aus dem Blut filtern, doch er verursacht oft keine Symptome, bis er sehr weit fortgeschritten ist. Da die Krankheit so schleichend verläuft, wissen die meisten Betroffenen nicht einmal, dass sie existiert. Dies ist ein kritisches Problem, da die moderne Medizin heute effektive, kostengünstige Behandlungen bietet, die den Schaden verlangsamen oder stoppen können, aber diese Behandlungen wirken nur dann, wenn Ärzte die Patienten frühzeitig finden können. Die Herausforderung besteht darin, dass die Untersuchung der Nierenfunktion bei jedem Einzelnen teuer und ineffizient ist. Ärzte benötigen eine Möglichkeit, um herauszufinden, welche Personen in einem überfüllten Wartezimmer am wahrscheinlichsten an der verborgenen Krankheit leiden, damit sie entscheiden können, wer zuerst getestet werden muss. Hier kommen Computermodelle ins Spiel, die wie ein Filter wirken, um durch riesige Mengen routinemäßiger Gesundheitsdaten zu sortieren und die Menschen zu finden, die Hilfe benötigen.

Ein Forschungsteam setzte sich zum Ziel zu testen, ob ein spezifisches Computermodell, das ursprünglich mit Daten aus Lateinamerika entwickelt wurde, erfolgreich diese verborgenen Fälle in einer völlig anderen Bevölkerungsgruppe – nämlich Erwachsenen in den Vereinigten Staaten – finden kann. Das Modell wurde darauf ausgelegt, die grundlegenden Gesundheitsdaten einer Person zu betrachten – wie Alter, Blutdruck, Gewicht sowie das Vorhandensein von Diabetes oder Bluthochdruck –, ohne jemals ein Ergebnis eines Nierenfunktionstests zu benötigen. Das Ziel war es zu sehen, ob das Modell Menschen nach ihrem Risiko ordnen kann, indem es diejenigen, die am wahrscheinlichsten an der Krankheit leiden, an die Spitze der Liste setzt, selbst wenn das Modell nie an amerikanischen Patienten trainiert wurde. Die Forscher wandten dieses Werkzeug auf eine massive, diverse Gruppe von über 228.000 amerikanischen Erwachsenen an, die keine vorherige Diagnose einer Nierenerkrankung hatten, aber einen routinemäßigen Bluttest in ihrer Krankenakte aufweisen konnten. Sie wollten sehen, ob das Modell einen kleinen Bruchteil dieser Menschen identifizieren konnte, die tatsächlich eine moderat bis schwer reduzierte Nierenfunktion hatten, die jedoch unbemerkt geblieben war.

Die Ergebnisse zeigten, dass das Modell seine primäre Aufgabe hervorragend erfüllte: das Sortieren von Menschen nach ihrem Risiko. Als die Forscher die obersten 5 % der vom Modell als Hochrisikopatienten eingestuften Personen betrachteten, erfasste es fast ein Viertel aller verborgenen Fälle der Nierenerkrankung in der Gruppe. Betrachteten sie die obersten 10 %, fand es über 40 % der Fälle. In den obersten 20 % identifizierte das Modell mehr als 60 % aller undiagnostizierten Fälle. Dies bedeutet, dass das Modell die verborgenen Patienten erfolgreich in einer kleinen Gruppe konzentrierte, was es Ärzten viel einfacher macht, ihre begrenzten Testressourcen dort einzusetzen, wo sie den größten Nutzen bringen. Das Modell erledigte diese Aufgabe mit einem hohen Grad an Genauigkeit und unterschied zwischen Erkrankten und Gesunden weita viel besser als durch bloßen Zufall. Es war sogar noch effektiver in der Hochrisikogruppe von Menschen, die bereits an Diabetes oder Bluthochdruck litten, was genau die Population ist, bei der das Screening am dringendsten benötigt wird.

Dennoch stellte die Studie auch eine spezifische Einschränkung fest, die häufig auftritt, wenn medizinische Instrumente von einem Land in ein anderes übertragen werden. Während das Modell exzellent darin war, Menschen von höchstem zu niedrigstem Risiko zu ordnen, war es nicht perfekt darin, die exakte Wahrscheinlichkeit einer Erkrankung vorherzusagen. In der amerikanischen Gruppe neigte das Modell dazu, das Risiko höher einzuschätzen, als es tatsächlich war. Wenn das Modell beispielsweise vorhersagte, dass eine bestimmte Anzahl von Menschen die Krankheit haben würde, war die tatsächliche Zahl niedriger. Dies ist kein Versagen der Logik des Modells, sondern vielmehr ein Unterschied darin, wie verbreitet die Krankheit zwischen den beiden Populationen ist. Die Forscher fanden heraus, dass dieser Fehler durch eine einfache mathematische Anpassung, bekannt als Rekalibrierung, vollständig behoben werden konnte, welche die Vorhersagen des Modells an die lokale Realität anpasste, ohne dessen Fähigkeit zur Risikoeinstufung zu verändern. Diese Anpassung war entscheidend, da sie bedeutete, dass das Modell in den USA mit der gleichen hohen Leistungsfähigkeit wie in Lateinamerika verwendet werden konnte, sofern die lokalen Zahlen aktualisiert wurden.

Die Studie untersuchte auch genau, ob das Modell verschiedene Bevölkerungsgruppen fair behandelt. Es wurde geprüft, ob das Modell für Männer und Frauen, für Menschen unterschiedlichen Alters sowie für Menschen unterschiedlicher rassischer und ethnischer Herkunft gleichermaßen gut funktionierte. Die Fähigkeit zur Risikoeinstufung blieb über alle diese Gruppen hinweg stark, was bedeutet, dass das Modell keine bestimmte demografische Gruppe ungerechtfertigt vernachlässigte. Die Genauigkeit der Risikovorhersagen variierte jedoch zwischen den Gruppen. So waren die Vorhersagen des Modells für schwarze oder afroamerikanische Teilnehmer sehr genau, während es das Risiko für weiße und hispanische/latinoamerikanische Teilnehmer überschätzte. Diese Variation trat auf, weil die tatsächliche Rate der undiagnostizierten Nierenerkrankung in diesen Gruppen unterschiedlich war. Die Forscher kamen zu dem Schluss, dass Ärzte, um dieses Werkzeug fair und effektiv in einer diversen Bevölkerung einzusetzen, spezifische Anpassungen für verschiedene Gruppen vornehmen müssten, anstatt eine einzige „Einheitslösung“ anzuwenden.

Letztlich zeigt diese Forschung auf, dass ein in einem Teil der Welt entwickeltes Werkzeug erfolgreich angepasst werden kann, um verborgene Krankheiten in einem anderen Teil der Welt zu finden, vorausgesetzt, es wird an die lokalen Bedingungen angepasst. Das Modell bietet eine praktische, kostengünstige Methode, um Menschen zu identifizieren, die einen bestätigenden Nierenfunktionstest benötigen, insbesondere in Umgebungen, in denen Ressourcen knapp sind oder in denen viele Menschen noch nie untersucht wurden. Durch die Nutzung routinemäßiger Gesundheitsdaten, die bereits während regulärer Arztbesuche erhoben werden, kann das Modell die medizinische Aufmerksamkeit auf die Menschen lenken, die sie am dringendsten benötigen, was potenziell tausende Fälle von Nierenversagen verhindert, die andernfalls unentdeckt geblieben wären. Die Studie bestätigt, dass die Fähigkeit, die Nadel im Heuhaufen zu finden, zwar die genauen Zahlen ändern mag, aber die Kernkompetenz dennoch über Grenzen hinweg Bestand hat und somit einen neuen Weg eröffnet, um die Lücke in der Versorgung bei Nierenerkrankungen zu schließen.