An Interpretable Machine Learning Framework for Predicting In-Hospital Mortality in Patients with Heart Failure and Concurrent Infection: Development Using MIMIC-IV and External Validation in eICU-CRD
Diese Studie entwickelte und validierte extern interpretierbare Modelle des maschinellen Lernens unter Verwendung von MIMIC-IV- und eICU-CRD-Daten, um die im Krankenhaus auftretende Mortalität bei Patienten mit Herzinsuffizienz und gleichzeitiger Infektion vorherzusagen, wobei eine variierende Modellleistung über verschiedene Datenbanken und Infektionssubgruppen hinweg aufgezeigt und entscheidende klinische Prädiktoren durch die SHAP-Analyse identifiziert wurden.
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 das Herz Schwierigkeiten hat, Blut effektiv zu pumpen, spürt der gesamte Körper die Belastung. Dieser Zustand, bekannt als Herzinsuffizienz, lässt Patienten mit sehr wenig Reserve zurück, um zusätzliche Belastungen zu bewältigen. Wenn ein Patient dann eine Infektion erleidet, kann sich die Situation rapide verschlechtern. Das Immunsystem des Körpers startet eine massive Entzündungsreaktion, um die Keime zu bekämpfen, aber genau diese Reaktion kann ein bereits geschwächtes Herz überfordern, was zu einem gefährlichen Kreislauf des Organversagens führt. Für Ärzte auf Intensivstationen ist die Vorhersage, ob ein Patient mit sowohl Herzinsuffizienz als auch einer Infektion den Krankenhausaufenthalt überleben wird, eine kritische Herausforderung. Traditionelle Werkzeuge zur Risikoschätzung beruhen oft auf einfachen Checklisten, die jedes Symptom als separates Element behandeln und dabei die komplexen Arten und Weise übersehen, wie diese verschiedenen Probleme interagieren. Um dies anzugehen, begannen Forscher zu untersuchen, ob Computersysteme, die in der Lage sind, verborgene Muster in riesigen Mengen von Daten zu finden, ein klareres Bild davon vermitteln könnten, wer am meisten in Gefahr ist.
Ein Team von Forschern des Wuhan Union Hospital setzte sich zum Ziel, ein solches System zu entwickeln und zu testen. Sie wollten ein Werkzeug schaffen, das in der Lage ist, die vielen verschiedenen Anzeichen, die ein Patient bei der Ankunft zeigt – wie etwa Alter, Vitalparameter und Blutergebnisse – zu betrachten und diese zu kombinieren, um die Wahrscheinlichkeit des Todes während des Krankenhausaufenthalts vorherzusagen. Zu diesem Zweck nutzten sie zwei massive, öffentlich zugängliche Sammlungen medizinischer Aufzeichnungen aus Intensivstationen in den Vereinigten Staaten. Die erste Sammlung, bekannt als MIMIC-IV, enthielt Daten aus einem einzigen großen Krankenhaus, während die zweite, die eICU-CRD, Informationen aus Hunderten von Krankenhäusern im ganzen Land sammelte. Die Forscher konzentrierten sich speziell auf Erwachsene, bei denen sowohl eine Herzinsuffizienz als auch eine Infektion diagnostiziert worden waren. Sie identifizierten 1.415 Patienten in der ersten Datenbank, um ihre Modelle zu erstellen, und testeten diese Modelle dann an 2.826 verschiedenen Patienten aus der zweiten Datenbank, um zu sehen, ob die Ergebnisse in einer breiteren Vielfalt von Umgebungen Bestand haben.
Das Team trainierte vier verschiedene Arten von Algorithmen des maschinellen Lernens, um diese Vorhersagen zu treffen. Eine Methode war ein standardmäßiger statistischer Ansatz, während die anderen drei fortschrittlichere Systeme waren, die Entscheidungsbäume aufbauen, um komplexe Beziehungen zwischen Variablen zu finden. Die Forscher unterteilten die Patienten in Gruppen basierend darauf, ob ihre Infektion durch Bakterien oder durch andere Organismen wie Viren oder Pilze verursacht wurde, da der Körper auf jede Art unterschiedlich reagiert. Dann ließen sie die Computermodelle raten, welche Patienten überleben würden und welche nicht, und verglichen die Ergebnisse mit den tatsächlich in den Krankenhäusern dokumentierten Ergebnissen.
Die Ergebnisse zeigten, dass kein einzelnes Computerprogramm perfekt für jede Situation war. In der ursprünglichen Gruppe von Patienten aus dem einzelnen Krankenhaus schnitt eines der fortgeschrittenen Modelle namens LightGBM insgesamt am besten ab und war besonders gut darin, die Ergebnisse bei Patienten mit bakteriellen Infektionen vorherzusagen. Bei Patienten mit nicht-bakteriellen Infektionen war jedoch ein anderes Modell namens XGBoost genauer. Als die Forscher dieselben Modelle an der zweiten, größeren Gruppe von Patienten aus vielen verschiedenen Krankenhäusern testeten, verschoben sich die Rangfolgen erneut. In dieser breiteren Gruppe wurde ein drittes Modell namens AdaBoost zum Top-Performer für bakterielle Infektionen, während XGBoost das stärkste Modell für nicht-bakterielle Infektionen blieb. Diese Variation deutet darauf hin, dass das beste Werkzeug zur Risikoabschätzung stark von der spezifischen Patientengruppe und der Art der Infektion abhängt, anstatt dass es einen universellen Algorithmus gibt, der überall am besten funktioniert.
Um zu verstehen, wie diese Computermodelle ihre Entscheidungen trafen, nutzten die Forscher eine Technik namens SHAP-Analyse, die wie ein Scheinwerfer wirkt und zeigt, welche Faktoren für jede Vorhersage am wichtigsten waren. Sie fanden heraus, dass die Modelle stark auf einigen Schlüsselindikatoren angewiesen waren. Der Score, der den Bewusstseinszustand eines Patienten misst, bekannt als Glasgow Coma Scale, war ein wesentlicher Faktor. Andere kritische Eingabewerte waren die Anzahl der weißen Blutkörperchen im Blut, der Spiegel eines Abfallprodukts namens Blut-Harnstoff-Stickstoff, das Körpergewicht des Patienten und die Menge des produzierten Urins. Die Analyse zeigte, dass höhere Werte der weißen Blutkörperchen und des Blut-Harnstoff-Stickstoffs die Vorhersage in Richtung eines höheren Sterberisikos drängten, während eine höhere Urinausscheidung und ein höheres Körpergewicht mit einem geringeren Risiko assoziiert waren.
Trotz dieser Erkenntnisse betonen die Forscher vorsichtig, dass ihre Arbeit noch nicht bereit ist, als Standardwerkzeug in einem Krankenhaus eingesetzt zu werden. Die Studie war ein retrospektiver Blick auf vergangene Daten, was bedeutet, dass der Computer aus Aufzeichnungen von Patienten lernte, die bereits behandelt worden waren, anstatt eine neue Behandlung in Echtzeit zu testen. Die Unterschiede in der Leistung zwischen den beiden Datenbanken verdeutlichen, dass medizinische Daten je nach Ort der Erhebung erheblich variieren können und dass ein Modell, das in einem Krankenhaus gut funktioniert, ohne Anpassung möglicherweise nicht so gut in einem anderen funktioniert. Darüber hinaus stellt die Studie explizit fest, dass die vom Computer identifizierten Faktoren keine bewiesenen Todesursachen sind; sie sind lediglich die Signale, die das Modell nutzte, um seine Vermutungen anzustellen. Die Forscher kommen zu dem Schluss, dass diese interpretierbaren maschinellen Lernsysteme zwar einen vielversprechenden Weg darstellen, um Risikomuster bei komplexen Patienten zu untersuchen, sie jedoch weiterer Tests in zukünftigen, realen klinischen Studien bedürfen, bevor man ihnen bei Entscheidungen über Leben und Tod vertrauen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.