Development and external validation of a prediction model for acute kidney injury after coronary artery bypass grafting
Diese Studie entwickelte und validierte extern ein maschinelles Lernmodell unter Verwendung von neun Prädiktoren, um akute Nierenschädigungen nach einer koronaren Bypass-Operation vorherzusagen, welches eine moderate Diskriminationsfähigkeit aufwies, jedoch vor der klinischen Implementierung aufgrund der begrenzten Verbesserung gegenüber konventionellen Modellen und einer Risikoüberschätzung einer Rekalibrierung bedurfte.
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
Nach einer schweren Herzoperation, bekannt als koronare Bypass-Operation, bei der Chirurgen den Blutfluss um blockierte Arterien herumleiten, sehen sich die Nieren oft einem plötzlichen und gefährlichen Kampf gegenüber. Dieser Zustand, genannt akutes Nierenversagen, ist eine häufige Komplikation, die die Zeit eines Patienten auf der Intensivstation verlängern, das Sterberisiko erhöhen und zu langfristigen Nierenproblemen führen kann. Die Herausforderung für die Ärzte besteht darin, dass die Nieren nicht immer sofort zeigen, dass sie in Schwierigkeiten sind; der Standard-Bluttest zur Erkennung von Schäden, der ein Abfallprodukt namens Kreatinin misst, hinkt der tatsächlichen Verletzung oft hinterher. Wenn die Werte steigen, kann das Zeitfenster für eine frühzeitige Intervention bereits geschlossen sein. Während Ärzte zwar Werkzeuge haben, um vorherzusagen, wer eine Dialyse benötigen könnte, fehlt ihnen jedoch ein zuverlässiger Weg, um die häufigeren, milderen Formen von Nierenstress zu erkennen, die dennoch Aufmerksamkeit erfordern.
Um diese Lücke zu schließen, setzten sich Forscher das Ziel, ein neues System zur Frühwarnung zu entwickeln. Sie wollten ein Werkzeug schaffen, das einen Patienten nur sechs Stunden nach der Ankunft auf der Intensivstation nach der Operation betrachten kann und vorhersagt, ob dieser innerhalb der nächsten Woche ein Nierenversagen entwickeln wird. Das Ziel war nicht, darauf zu warten, bis der Schaden offensichtlich wird, sondern das Risiko zu identifizieren, während es noch kontrollierbar ist. Die Forscher wandten sich an riesige digitale Datensätze aus tausenden vergangener Patienten, um einem Computer beizubringen, wie er die subtilen Anzeichen von Problemen erkennt, bevor diese kritisch werden.
Das Team nutzte zwei massive medizinische Datensammlungen aus Krankenhäusern in den Vereinigten Staaten. Ein Datensatz stammte aus einem einzelnen Krankenhaus in Boston und enthielt Aufzeichnungen von über sechses tausend Erwachsenen, die sich einer Bypass-Operation unterzogen hatten. Der zweite Datensatz stammte aus Dutzenden von Krankenhäusern im ganzen Land und lieferte Aufzeichnungen für über viertausend ähnliche Patienten. Sie konzentrierten sich speziell auf Erwachsene, die in den ersten sechs Stunden nach der Operation noch keine Nierenprobleme entwickelt hatten, um sicherzustellen, dass sie neue Verletzungen vorhersagten und nicht auf alte reagierten. Die Forscher speisten den Computer mit zweiundzwanzig verschiedenen Informationen, die routinemäßig innerhalb dieses ersten Sechs-Stunden-Fensters verfügbar waren. Dazu gehörten das Alter des Patienten, sein Blutdruck, der Sauerstoffgehalt, der Blutzucker und verschiedene chemische Marker in ihrem Blut, die widerspiegeln, wie gut die Nieren und andere Organe funktionierten.
Um die nützlichsten Signale zu finden, verwendeten die Forscher eine statistische Methode, die wie ein Sieb wirkt, indem sie das Rauschen herausfiltert, um nur die neun Faktoren beizubehalten, die am wichtigsten waren. Diese neun Prädiktoren umfassten das Alter des Patienten, die Art der durchgeführten Operation, die Ausgangsfunktion der Nieren sowie spezifische Messwerte ihres Blutdrucks und Sauerstoffgehalts während der ersten Stunden der Erholung. Sie trainierten dann fünf verschiedene Computermodelle, um aus diesen neun Faktoren zu lernen und zu testen, welches Modell am besten zwischen Patienten, die ein Nierenversagen entwickeln würden, und solchen, die es nicht entwickeln würden, unterscheiden konnte. Das erfolgreichste Modell war ein hochentwickelter Algorithmus namens XGBoost, der darauf ausgelegt ist, komplexe Muster in Daten zu finden.
Als die Forscher dieses Modell an der ersten Patientengruppe testeten, schnitt es recht gut ab und ordnete Patienten etwa zweiundsiebzig Prozent der Zeit korrekt nach ihrem Risiko ein. Das bedeutet, wenn man zwei Patienten zufällig auswählt, von denen einer krank werden würde und einer nicht, kann das Modell meistens sagen, welcher der Fall ist. Der wahre Test für jedes medizinische Vorhersageinstrument ist jedoch, ob es bei einer völlig anderen Gruppe von Menschen funktioniert. Als das Team das Modell auf die zweite Gruppe von Patienten aus den anderen Krankenhäusern anwandte, sank die Leistung leicht und ordnete die Patienten etwa neunundsechzig Prozent der Zeit korrekt ein. Dies ist zwar besser als bloßes Raten, aber nicht perfekt. Wichtiger noch: Das Modell neigte dazu, übervorsichtig zu sein und sagte voraus, dass mehr Patienten krank werden würden, als tatsächlich der Fall war. In der zweiten Gruppe schätzte das Modell, dass etwa vierunddreißig Prozent der Patienten ein Nierenversagen entwickeln würden, während die tatsächliche Zahl nur bei fünfundzwanzig Prozent lag.
Die Forscher untersuchten auch, welche Faktoren die Vorhersagen beeinflussten. Der Computer stellte fest, dass die Ausgangsfunktion der Niere der wichtigste Hinweis war, dicht gefolgt von Alter und dem Hämoglobinwert im Blut. Eine geringere Nierenfunktion, höheres Alter und ein niedrigerer Sauerstoffgehalt trieben die Vorhersage in Richtung eines höheren Verletzungsrisikos. Das Modell erkannte auch, dass Patienten, bei denen die Bypass-Operation mit einem Klappenreparatur kombiniert wurde, ein höheres Risiko hatten als diejenigen, die nur eine Bypass-Operation erhielten. Trotz dieser Erkenntnisse stellten die Forscher fest, dass das komplexe Computermodell keinen massiven Vorteil gegenüber einer einfacheren, traditionellen statistischen Methode bot. Die Verbesserung der Genauigkeit war sehr gering, was darauf hindeutet, dass die Qualität der Daten und der Zeitpunkt der Vorhersage wichtiger sind als die Komplexität der verwendeten Mathematik.
Die Studie kommt zu dem Schluss, dass dieses neue Werkzeug zwar vielversprechend ist, um Patienten zu markieren, die eine engmaschigere Überwachung benötigen könnten, aber noch nicht bereit für den täglichen Einsatz in einem Krankenhaus ist. Die Tatsache, dass es das Risiko in einer anderen Gruppe überschätzt hat, bedeutet, dass es kalibriert, oder angepasst, werden muss, um es an die spezifische Population eines neuen Krankenhauses anzupassen, bevor man ihm vertrauen kann. Die Forscher betonen, dass ein solches Modell, bevor es die Behandlung von Patienten durch Ärzte verändern kann, in einem realen Umfeld getestet werden muss, wo bewiesen werden kann, dass es tatsächlich die Ergebnisse verbessert. Für den Moment dient die Arbeit als solide Grundlage und zeigt, dass es möglich ist, ein Vorhersagesystem unter Verwendung von Routine-Daten zu bauen, die sechs Stunden nach der Operation verfügbar sind, auch wenn das System noch verfeinert werden muss, um wirklich zuverlässig zu sein.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.