Prediction at Hospital Admission of In-Hospital Mortality and High-Cost Hospitalization Using Machine Learning in Patients With Severe Community-Acquired Pneumonia: An Exploratory Dual-Risk Stratification Study
Diese Studie entwickelte und validierte zeitlich separate Machine-Learning-Modelle unter Verwendung von Aufnahmedaten, um sowohl die In-Hospital-Mortalität als auch hochkostende Krankenhausaufenthalte bei Patienten mit schwerer ambulant erworbener Pneumonie vorherzusagen, wobei sie eine überlegene Leistung gegenüber traditionellen Scores demonstrierte und distinkte klinische sowie ressourcenbezogene Muster über kombinierte Risikostrati hinweg aufzeigte.
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
Jedes Jahr werden Millionen von Erwachsenen wegen schwerer Pneumonie stationär behandelt – einer lebensbedrohlichen Infektion, die die Lungen angreift. Für Ärzte besteht die unmittelbare Herausforderung darin, zweifach zu entscheiden: Sie müssen bestimmen, welche Patienten am stärksten von Todesgefahr bedroht sind und welche Patienten die teuerste, ressourcenintensivste Pflege benötigen werden. Traditionell verlassen sich Krankenhäuser auf einfache Checklisten, um den Schweregrad einer Erkrankung zu erfassen. Diese Instrumente betrachten grundlegende Anzeichen wie Alter, Verwirrtheit, Atemfrequenz und Blutdruck, um das Sterberisiko abzuschätzen. Diese Checklisten sind jedoch nicht darauf ausgelegt, die finanziellen Kosten vorherzusagen, und sie übersehen oft die komplexen biologischen Signale, die darauf hindeuten, dass ein Patient einen langen, teuren Krankenhausaufenthalt benötigen wird. Da Gesundheitssysteme unter wachsendem Druck stehen, ihre Ressourcen klug zu verwalten, besteht eine kritische Notwendigkeit zu verstehen, nicht nur wer sterben könnte, sondern wer die meisten medizinischen Vorräte und die meiste Zeit des Personals beanspruchen wird – und zwar basierend auf den Informationen, die in dem Moment zur Verfügung stehen, in dem ein Patient das Krankenhaus betritt.
Ein Forschungsteam des Nanjing First Hospital und der China Pharmaceutical University setzte sich zum Ziel, dieses Problem zu lösen, indem es ein neues System zur Vorhersage entwickelte. Sie sammelten Daten von 1.543 Erwachsenen, die zwischen 2020 und 2025 mit schwerer ambulant erworbener Pneumonie stationär aufgenommen wurden. Anstatt sich auf eine einzige Checkliste zu verlassen, nutzten sie maschinelles Lernen – eine Art von Computerprogramm, das Muster aus riesigen Datenmengen lernt –, um zwei separate Vorhersagemodelle zu erstellen. Das erste Modell wurde darauf trainiert, die Wahrscheinlichkeit vorherzusagen, dass ein Patient während seines Krankenhausaufenthalts stirbt. Das zweite Modell wurde darauf trainiert, vorherzusagen, ob die Gesamtkrankenhausrechnung eines Patienten außergewöhnlich hoch ausfallen würde, definiert in dieser Studie als Kosten von mehr als 38.969 chinesischen Yuan. Entscheidend war, dass beide Modelle ausschließlich mit den Informationen erstellt wurden, die Ärzten im Moment der Aufnahme zur Verfügung stehen, wie etwa Vitalparameter, Bluttestergebnisse und die Krankengeschichte des Patienten, wobei alle Daten ignoriert wurden, die erst nach Beginn der Behandlung verfügbar werden.
Die Forscher fanden heraus, dass ihre Modelle für maschinelles Lernen signifikant besser bei diesen Vorhersagen waren als die derzeit verwendeten Standardinstrumente. Für die Vorhersage des Todes erreichte ihr bestes Modell einen AUC-Wert von 0,73, eine bemerkenswerte Verbesserung gegenüber dem Standard-Scoring-System, das nur etwa 54 Prozent der Fälle korrekt erfasste. Auch bei der Vorhersage hoher Kosten übertraf ihr Modell eine einfache Baseline, die lediglich das Alter und die Anzahl bestehender gesundheitlicher Probleme berücksichtigte. Die Studie zeigte, dass die Faktoren, die ein hohes Sterberisiko antreiben, nicht exakt dieselben sind, die zu hohen Kosten führen. Obwohl beide Modelle ähnliche Datenpunkte wie Sauerstoffgehalt und Herzfunktion betrachteten, lernte der Computer, dass unterschiedliche Kombinationen dieser Anzeichen auf unterschiedliche Ergebnisse hindeuteten.
Um diese Erkenntnisse einzuordnen, gruppierten die Forscher die Patienten in vier Kategorien basierend auf der Kombination der von ihren Modellen vorhergesagten Risiken. Sie entdeckten zwei besonders unterschiedliche Gruppen, die traditionelle Methoden oft übersehen. Eine Gruppe bestand aus Patienten, bei denen ein sehr hohes Sterberisiko, aber ein geringes Risiko für hohe Kosten vorhergesagt wurde. Diese Patienten waren typischerweise älter und zeigten schwere Anzeichen körperlicher Not, wie etwa sehr hohe Atemfrequenzen und hohe Werte eines Proteins namens Laktat, was darauf hindeutet, dass der Körper unter Sauerstoffmangel leidet. Aufgrund ihres kritischen Zustands benötigten sie oft Intensivpflege und mechanische Beatmung, doch ihre Krankenhausaufenthalte wurden häufig durch den Tod verkürzt, was zu niedrigeren Gesamtkosten führte.
Im Gegensatz dazu stand eine zweite Gruppe, bei der ein geringes Sterberisiko, aber ein sehr hohes Risiko für hohe Kosten vorhergesagt wurde. Diese Patienten waren körperlich meist stabiler, benötigten jedoch eine breite Palette an teuren Ressourcen. Ihre hohen Kosten ergaben sich aus dem kumulativen Einsatz von medizinischem Material, Pflegepersonal, Labortests und Medikamenten über einen längeren Zeitraum. Die Studie zeigte, dass diese beiden Gruppen sehr unterschiedliche klinische Profile aufwiesen, was darauf hindeutet, dass ein einzener Risiko-Score nicht ausreicht, um das Krankenhausmanagement zu leiten. Durch die gleichzeitige Betrachtung beider Risiken könnten Ärzte potenziell identifizieren, welche Patienten sofortige lebensrettende Interventionen benötigen und welche eine sorgfältige, ressourcenintensive Betreuung benötigen, um Komplikationen zu vermeiden.
Die Forscher betonten, dass ihre Modelle in Tests zwar gut abschnitten, sich aber noch in einer explorativen Phase befinden. Die Studie wurde in einem einzelnen Krankenhaus durchgeführt, und die spezifisch vorhergesagten Kosten sind an lokale Preisgestaltungen und Gesundheitspolitiken gebunden. Das Team merkte an, dass ihre Arbeit nicht beweist, dass eine Änderung der Behandlung basierend auf diesen Vorhersagen die Ergebnisse verbessert, aber sie bietet eine neue Möglichkeit, den Patientenbedarf zu visualisieren. Sie schlagen vor, dass solche dualen Risikoanalysen Krankenhäusern in Zukunft helfen könnten, ihre begrenzten Ressourcen effektiver zuzuweisen, um sicherzustellen, dass die schwerstkranken Patienten dringende Hilfe erhalten, während diejenigen, die wahrscheinlich lange und komplexe Aufenthalte haben werden, die notwendige Aufmerksamkeit erhalten, ohne das System zu überlasten. Die Studie kommt zu dem Schluss, dass die Verwendung derselben Aufnahmedaten zur Vorhersage sowohl des Todes als auch der Kosten ein vollständigeres Bild der Herausforderungen für Patienten mit schwerer Pneumonie liefert, als dies mit aktuellen Methoden möglich ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.