Development and Internal Validation of a Nomogram for Concomitant Pulmonary Embolism in Patients With Lower-Extremity Deep Vein Thrombosis: A Comparison With Machine Learning Models
Diese Studie entwickelte und validierte intern ein auf logistischer Regression basierendes Nomogramm unter Verwendung klinischer Prädiktoren, um die Wahrscheinlichkeit einer begleitenden Lungenembolie bei Patienten mit tiefvenöser Thrombose der unteren Extremitäten zu schätzen, wobei es eine mit fortgeschrittenen Modellen des maschinellen Lernens vergleichbare Leistung bei gleichzeitig überlegener Interpretierbarkeit zeigte, wenngleich es vor der klinischen Implementierung einer externen Validierung bedarf.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Wenn sich ein Blutgerinnsel in den tiefen Venen eines Beins bildet, handelt es sich um ein ernstes medizinisches Ereignis, das als tiefe Venenthrombose bekannt ist. Die größte Angst von Ärzten und Patienten ist, dass sich ein Stück dieses Gerinnsels lösen, durch den Blutkreislauf reisen und sich in der Lunge festsetzen könnte. Dieses sekundäre Ereignis wird als Lungenembolie bezeichnet und kann lebensbedrohlich sein. In vielen Fällen treten das Gerinnsel im Bein und das Gerinnsel in der Lunge gleichzeitig auf, selbst wenn der Patient keine spezifischen Anzeichen für Probleme bei der Atmung zeigt. Derzeit ist die Standardmethode zur Überprüfung eines Lungengerinnsels eine spezialisierte CT-Untersuchung des Brustkorbs. Es ist jedoch nicht praktikabel, diese Untersuchung bei jedem einzelnen Patienten mit einem Bein-Gerinnsel durchzuführen. Die Untersuchung beinhaltet Strahlung und ein Farbstoffmittel, das die Nieren belasten kann, weshalb Ärzte sie normalerweise für Patienten reservieren, die klare Warnsignale zeigen, wie etwa plötzliche Kurzatmigkeit oder einen Abfall des Sauerstoffgehalts. Dies schafft eine schwierige Lücke: Viele Patienten mit Bein-Gerinnseln könnten auch unter stillen Lungenembolien leiden, die unentdeckt bleiben, weil sie nicht krank genug aussehen, um eine CT-Untersuchung auszulösen.
Forscher am China-Japan Friendship Hospital in Peking setzten sich zum Ziel, diese Lücke zu schließen, indem sie ein Werkzeug entwickelten, um die Wahrscheinlichkeit eines verborgenen Lungen-Gerinnsels bei Patienten zu schätzen, bei denen gerade ein Bein-Gerinnsel diagnostiziert wurde. Sie sammelten Daten von über 1.100 Patienten, die zwischen 2019 und 2024 in ihr Krankenhaus aufgenommen wurden. Für jeden Patienten untersuchten sie einen spezifischen Satz von sieben Faktoren, die zum Zeitpunkt der Aufnahme verfügbar waren: ihr Alter, ihren Body-Mass-Index, ein Bluttestergebnis namens D-Dimere, ob sie an einer bestehenden Lungenerkrankung litten, ob sie eine Vorgeschichte von Blutgerinnseln hatten, wo genau sich das Bein-Gerinnsel befand und ob in anderen Venen des Körpers, wie etwa in den Armen oder im Hals, Gerinnsel gefunden wurden. Sie verglichen dann, wie gut eine traditionelle statistische Methode, bekannt als Nomogramm, im Vergleich zu drei komplexeren Computer-Algorithmen, die oft als Machine-Learning-Modelle bezeichnet werden, abschnitt. Das Ziel war zu sehen, ob eine einfache, leicht lesbare Tabelle die Anwesenheit eines Lungen-Gerinnsels ebenso genau vorhersagen kann wie diese hochentwickelten digitalen Systeme.
Die Studie ergab, dass unter den 1.151 Patienten 173 bestätigte Lungen-Gerinnsel aufwiesen. Die Forscher entdeckten, dass bestimmte Faktoren ein Lungen-Gerinnsel wesentlich wahrscheinlicher machten. Patienten mit bestehenden Lungenerkrankungen, wie chronisch obstruktiver Lungenerkrankung oder Pneumonie, hatten fast achtmal häufiger ein Lungen-Gerinnsel als Patienten ohne solche Erkrankungen. Das Vorhandensein von Gerinnseln in Venen außerhalb der Beine, wie etwa in den Armen oder im Hals, war ein noch stärkerer Indikator und war mit einer Risikoerhöhung von mehr als dem Neunfachen verbunden. Eine Vorgeschichte von früheren Blutgerinnseln und Gerinnseln, die in die Kniekehle oder das untere Bein ausstrahlten, erhöhten die Chancen ebenfalls signifikant. Interessanterweise stellte die Studie fest, dass ein höheres Alter mit einer geringeren Wahrscheinlichkeit für ein Lungen-Gerinnsel in ihren Daten assoziiert war, aber die Autoren mahnen zur Vorsicht, da dies wahrscheinlich auf die Art und Weise der Patientenauswahl zurückzuführen ist und nicht auf einen biologischen Schutz, da ältere Patienten möglicherweise seltener die plötzlichen Atemsymptome zeigten, die eine CT-Untersuchung auslösen.
Als das Team seine Werkzeuge an einer separaten Patientengruppe testete, um zu sehen, wie gut sie funktionierten, waren die Ergebnisse aufschlussreich. Die komplexen Machine-Learning-Modelle, einschließlich eines Systems namens Gradient Boosting, schnitten etwas besser ab als das einfache statistische Modell, aber der Unterschied war so gering, dass er statistisch nicht signifikant war. Das traditionelle Nomogramm, das im Wesentlichen eine Tabelle ist, bei der ein Arzt Punkte für jeden Risikofaktor zusammenzählt, um eine Gesamtpunktzahl zu erhalten, schnitt bei der Unterscheidung zwischen Patienten mit und ohne Lungen-Gerinnsel genauso gut ab wie die fortgeschrittenen Computermodelle. Das einfache Modell identifizierte etwa 77 Prozent der Patienten, die tatsächlich ein Lungen-Gerinnsel hatten, korrekt und schloss etwa 74 Prozent derjenigen, die kein Gerinnsel hatten, korrekt aus. Dies deutet darauf hin, dass für diese spezifische medizinische Frage das Hinzufügen von Schichten komplexer Computerverarbeitung keinen bedeutenden Vorteil gegenüber einer direkten Berechnung basierend auf sieben klaren klinischen Fakten bot.
Trotz dieser vielversprechenden Ergebnisse betonen die Forscher vorsichtig, dass dieses Werkzeug kein Diagnosetest ist, der eine CT-Untersuchung ersetzen kann. Da das Krankenhaus Scans nur bei Patienten durchführte, die krank aussahen, enthält der Datensatz einen Bias; viele Patienten ohne Symptome wurden nie gescannt, was bedeutet, dass einige stille Lungen-Gerinnsel völlig unentdeckt geblieben sein könnten. Als die Forscher nur die Patienten betrachteten, die tatsächlich eine Untersuchung erhielten, wurde die Stärke der Verbindungen zwischen den Risikofaktoren und den Lungen-Gerinnseln schwächer. Dies deutet darauf hin, dass das Modell teilweise vorhersagt, welche Patienten gescannt werden, anstatt nur die biologische Präsenz eines Gerinnsels vorherzusagen. Daher sollte die Tabelle als ein exploratives Hilfsmittel betrachtet werden, das Ärzten hilft zu entscheiden, wer eine genauere Beobachtung benötigt, und nicht als eine definitive Antwort. Bevor dieses Werkzeug in Kliniken eingesetzt werden kann, um die Patientenversorgung zu steuern, muss es in anderen Krankenhäusern mit unterschiedlichen Patientengruppen und mit einem konstanteren Ansatz bei der Durchführung von Scans getestet werden, um sicherzustellen, dass die Vorhersagen in der realen Welt Bestand haben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.