Interpretable Machine Learning and Point-of-Care Digital Risk Stratification for Pneumothorax Following Lung Tumor Ablation: A Multicenter Validation Study

Wenn Ärzte Lungentumore behandeln, die zu klein für eine Operation oder zu riskant für eine Entfernung sind, greifen sie oft auf eine Technik namens thermische Ablation zurück. Bei diesem Verfahren wird eine dünne Nadel durch die Haut in den Tumor geführt, wo intensive Hitze eingesetzt wird, um die Krebszellen zu zerstören. Es ist eine minimalinvasive Alternative zur offenen Operation, die vielen Patienten eine schnellere Genesung ermöglicht. Die Lunge ist jedoch ein empfindliches, luftgefülltes Organ, und das Einstechen mit einer Nadel birgt ein spezifisches Risiko: Die Luft kann entweichen, was zum Kollaps der Lunge führt. Dieser Zustand, bekannt als Pneumothorax, ist eine häufige Komplikation. Während viele Fälle geringfügig sind und von selbst heilen, enden ein erheblicher Teil der Patienten mit einem schweren Kollaps, der den Einsatz eines Schlauchs erfordert, der in den Brustkorb eingeführt wird, um die Luft abzulassen und die Lunge wieder aufzublähen. Derzeit behandeln Ärzte jeden Patienten nach dem Eingriff auf die gleiche Weise: Sie beobachten sie einen vollen Tag lang genau, um zu sehen, ob sich diese Komplikation entwickelt. Dieser „Einheitsansatz“ führt dazu, dass viele Patienten mit geringem Risiko unnötig viel Zeit im Krankenhaus verbringen, während Hochrisikopatienten möglicherweise nicht die nötige zusätzliche Aufmerksamkeit erhalten, bevor es zu spät ist.

Ein Forscherteam von Krankenhäusern aus Yunnan, China, setzte sich zum Ziel, diesen reaktiven Ansatz zu ändern, indem es ein Werkzeug entwickelte, das vorhersagen kann, wer gefährdet ist, noch bevor das Problem überhaupt auftritt. Sie sammelten Daten von über 1.100 Patienten, die sich einer Ablation eines Lungentumors unterzogen hatten, an einem großen Krankenhaus, und nutzten diese Informationen, um ein Computerprogramm zu trainieren. Das Ziel war es, einen einfachen Weg zu finden, um die spezifischen Details eines Patienten zu betrachten – wie etwa wie nah der Tumor an der äußeren Schicht der Lunge lag, wie oft die Nadel eingeführt werden musste und wie lange der Erwärmungsprozess dauerte – und die exakte Wahrscheinlichkeit eines schweren Lungenkollapses zu berechnen. Die Forscher testeten ihr Computermodell gegen acht andere mathematische Ansätze und fanden heraus, dass eine bestimmte Art von Algorithmus, bekannt als Random Forest, am genauesten war. Dieses Modell lernte, komplexe Muster in den Daten zu erkennen, die menschliche Ärzte vielleicht übersehen würden, wie etwa, wie das Risiko eines Lecks steil ansteigt, wenn die Erwärmungszeit einen bestimmten Punkt überschreitet oder wenn die Nadel mehr als ein paar Mal eingeführt wird.

Das Team beschränkte sich nicht nur darauf, das Modell zu entwickeln; sie testeten es streng, um sicherzustellen, dass es in der realen Welt funktioniert. Sie validierten ihre Ergebnisse anhand von Daten aus zwei anderen Krankenhäusern in verschiedenen Städten und bewiesen damit, dass das Werkzeug auch bei Anwendung auf unterschiedliche Gruppen von Menschen und unterschiedliche medizinische Teams gut funktionierte. Sie testeten es auch an Patienten, die zu einem späteren Zeitpunkt behandelt wurden, um sicherzustellen, dass das Werkzeug mit der Entwicklung medizinischer Techniken Schritt hält. Die Ergebnisse zeigten, dass das Werkzeug einen AUC-Wert von 0,86 erreichte. Viel wichtiger war, dass der Computer seine Argumentation erklärte und hervorhob, dass die gesamte Zeit, in der der Tumor erhitzt wurde, die Anzahl der Nadelstiche und der Abstand zwischen dem Tumor und der Lungenwand die kritischsten Faktoren waren. Die Analyse deckte spezifische Sicherheitsschwellenwerte auf: So senkten beispielsweise die Einhaltung einer Erwärmungszeit von unter zwölf Minuten und die Begrenzung der Nadelstiche auf weniger als drei das Risiko erheblich.

Um diese Entdeckung für Ärzte nutzbar zu machen, verwandelten die Forscher den komplexen Computercode in eine einfache, kostenlose Website, die am Krankenbett verwendet werden kann. Ein Arzt kann nun die spezifischen Details eines Patienten in diesen Rechner eingeben und erhält sofort einen Risikoscore, der ihn einer von vier Kategorien zuordnet: niedriges, moderates, hohes oder sehr hohes Risiko. Dies ermöglicht einen Wechsel in der Art und Weise, wie Patienten versorgt werden. Patienten, die als risikoarm identifiziert wurden, könnten potenziell früher nach Hause geschickt werden, was Krankenhausressourcen freisetzt, während Patienten, die als Hochrisikopatienten eingestuft wurden, enger überwacht oder auf eine sofortige Intervention vorbereitet werden können. Die Studie ergab auch, dass bestimmte Blutmarker, die Entzündungen oder die Tumorlast anzeigen, eine Rolle bei der Vorhersage des Risikos spielten, was darauf hindeutet, dass die biologische Konstitution eines Patienten ebenso wichtig ist wie der physische Eingriff. Indem sie von einem System, in dem alle warten und beobachten, zu einem System übergehen, in dem die Pflege auf das individuelle Risikoprofil zugeschnitten ist, bietet dieses digitale Werkzeug eine Möglichkeit, die Behandlung von Lungenkrebs sicherer, effizienter und persönlicher zu gestalten.