An explainable machine learning model integrating multidimensional clinical information for early identification and probability stratification of Non-ST-Segment Elevation Myocardial Infarction

Jedes Jahr eilen Millionen von Menschen mit Brustschmerzen in die Notaufnahme, ein Symptom, das auf einen potenziellen Herzinfarkt hindeutet. Ärzte stehen vor einem schwierigen Rätsel: der Unterscheidung zwischen einem Herzinfarkt, bei dem das Herzmuskelgewebe aktiv abstirbt, und einem Zustand namens instabile Angina Pectoris, bei dem das Herz zwar unter Sauerstoffmangel leidet, das Muskelgewebe aber noch keinen dauerhaften Schaden erlitten hat. Das Standardwerkzeug für diese Aufgabe ist ein Bluttest, der ein Protein namens hochsensitives kardiales Troponin I misst. Wenn Herzzellen geschädigt werden, tritt dieses Protein in den Blutkreislauf aus. Während dieser Test hervorragend darin ist, schwere Schäden zu erkennen, lässt er Ärzte oft in einer Grauzone zurück, wenn die Werte nur leicht erhöht sind. In diesen unsicheren Momenten kann das Protein allein nicht immer feststellen, ob der Patient einen echten Herzinfarkt erleidet oder nur schwere Brustschmerzen hat, was es schwierig macht zu entscheiden, wer eine sofortige, aggressive Behandlung benötigt und wer lediglich engmaschig überwacht werden kann.

Ein Forscherteam des Beijing Jishuitan Hospitals hat einen neuen Weg entwickelt, um diese Unsicherheit zu bewältigen. Sie haben ein Computermodell entwickelt, das wie ein hochqualifizierter Assistent fungiert, indem es nicht nur den einzelnen Proteintest betrachtet, sondern gleichzeitig eine breite Palette von Routine-Blutwerten und der Patientengeschichte analysiert. Indem sie dem Computer Informationen über Entzündungen, Blutgerinnung, Nierenfunktion und den Zeitpunkt der Symptome zusätzlich zum Standard-Protein-Test zuführen, lernt das Modell, subtile Muster zu erkennen, die dem menschlichen Auge entgehen könnten. Das Ziel war nicht, den Arzt zu ersetzen, sondern eine klarere, personalisierte Wahrscheinlichkeit für einen Herzinfarkt zu liefern und so eine vage Vermutung in ein kalkuliertes Risiko zu verwandeln, das lebensrettende Entscheidungen leiten kann.

Die Forscher begannen damit, Daten von fast 3.700 Patienten zu sammeln, die zwischen 2021 und 2025 mit Verdacht auf Herzprobleme in ihr Krankenhaus eingeliefert wurden. Sie überprüften die Krankenakten jeder Person sorgfältig und unterteilten sie in zwei Gruppen: jene, bei denen letztlich ein Nicht-ST-Hebungsinfarkt diagnostiziert wurde – der spezifische Typ des Herzinfarkts, den sie identifizieren wollten – und jene mit instabiler Angina Pectoris. Aus einer umfangreichen Liste von 124 möglichen Hinweisen in den Patientenakten nutzte das Team ein ausgeklügeltes Auswahlverfahren, um die 16 nützlichsten Informationen zu finden. Diese umfassten den Standard-Proteintest, aber auch Marker für Entzündungen, Blutzucker, Nierengesundheit und die Dauer, die der Patient bereits Schmerzen verspürt hatte, bevor er das Krankenhaus erreichte.

Anschließend trainierten sie einen Computer-Algorithmus, ein System des maschinellen Lernens, das als „Gradient Boosting Decision Tree“ bekannt ist, um den Unterschied zwischen den beiden Gruppen zu erlernen. Dieses System arbeitet, indem es eine Serie einfacher Entscheidungsregeln aufbaut, die in Kombination einen leistungsstarken Prädiktor ergeben. Der Computer wurde an einer Gruppe von Patienten getestet, die er zuvor noch nie gesehen hatte, um sicherzustellen, dass er reale Situationen bewältigen kann. Die Ergebnisse zeigten, dass das Modell bemerkenswert genau war und die überwiegende Mehrheit der Herzinfarktfälle korrekt identifizierte. Wichtiger noch: Als die Forscher ihr neues Modell mit der Standardmethode verglichen, die nur den Proteintest nutzt, stellten sie fest, dass der neue Ansatz das tatsächliche Risiko für jeden einzelnen Patienten signifikant besser einschätzen konnte. Er reduzierte die Anzahl der Vorhersagefehler und war wesentlich besser darin, Patienten in die korrekten Risikogruppen neu einzustufen, wodurch sichergestellt wurde, dass weniger Herzinfarkt-Fälle übersehen wurden.

Einer der wertvollsten Aspekte dieser Arbeit ist, dass das Modell erklärbar ist. Im Gegensatz zu vielen Computersystemen, die wie eine „Black Box“ agieren und eine Antwort geben, ohne den Grund zu nennen, kann dieses Modell genau aufzeigen, welche Faktoren die Vorhersage in welche Richtung getrieben haben. Die Forscher nutzten eine Methode, um zu visualisieren, wie der Computer jedes Stück Information gewichtet hat. Sie fanden heraus, dass der Proteintest zwar weiterhin der wichtigste Hinweis blieb, die anderen Faktoren jedoch eine entscheidende Rolle bei der Verfeinerung des Ergebnisses spielten. Wenn beispielsweise ein Patient einen leicht erhöhten Proteinwert aufwies, betrachtete der Computer seine Entzündungsmarker und die Nierenfunktion, um zu entscheiden, ob diese leichte Erhöhung ein Zeichen für einen schweren Herzinfarkt oder nur ein geringfügiges Problem war. Das Modell lernte, dass die Bedeutung dieser zusätzlichen Hinweise je nach Höhe des Proteinspiegels variierte. In Fällen, in denen das Protein nur leicht erhöht war, wurden die anderen Bluttests weita viel entscheidender für die richtige Entscheidung.

Um dieses Werkzeug für Ärzte nutzbar zu machen, entwickelte das Team einen einfachen Online-Rechner. Ein Arzt kann die 16 Routinezahlen aus dem Bluttest und der Anamnese eines Patienten eingeben, und das System genert sofort einen Wahrscheinlichkeitswert. Es unterteilt diesen Score anschließend in drei klare Kategorien: niedriges Risiko, mittleres Risiko und hohes Risiko. Für Patienten in der Gruppe mit niedrigem Risiko suggeriert das Modell eine sehr geringe Wahrscheinlichkeit für einen Herzinfarkt, was potenziell eine schnellere Entlassung oder eine weniger intensive Überwachung ermöglicht. Für diejenigen in der Hochrisikogruppe ist die Wahrscheinlichkeit so hoch, dass sie eine sofortige, aggressive Behandlung unterstützt. Die mittlere Gruppe, die einen signifikanten Teil der Patienten ausmacht, wird für eine engmaschige Beobachtung und weitere Tests markiert, da die Antwort noch unklar ist. Dieser Ansatz hilft Ärzten, sich von einer einfachen Ja-Nein-Diagnose wegzubewegen und stattdessen eine nuancierte Sicht auf das Risiko zu erhalten, die der Komplexität des menschlichen Körpers gerecht wird.

Die Studie legt nahe, dass die Kombination des Standard-Proteintests mit einer umfassenden Betrachtung der allgemeinen Gesundheit des Patienten Ärzten helfen kann, in der Notaufnahme präzisere Entscheidungen zu treffen. Das Modell erhebt nicht den Anspruch, eine perfekte Kristallkugel zu sein; es ist ein Werkzeug, das dazu dient, das klinische Urteilsvermögen zu unterstützen, nicht es zu ersetzen. Die Forscher betonen, dass ihre Arbeit auf Daten aus einem einzelnen Krankenhaus basiert und dass das Modell in anderen Umgebungen getestet werden muss, um seine Zuverlässigkeit über verschiedene Populationen hinweg zu bestätigen. Dennoch bieten die Ergebnisse einen vielversprechenden Weg nach vorn und zeigen, dass die Zukunft der Herzinfarkt-Diagnostik in der Fähigkeit liegen könnte, viele kleine, routinemäßige Informationen zu einem einzigen, klaren Bild des Patientenrisikos zusammenzuführen.