Development and internal validation of a pre-operative machine-learning model for prolonged postoperative stay in older adults undergoing colorectal cancer surgery

Krankenhäuser sind Orte der Heilung, doch für ältere Erwachsene kann ein langer Aufenthalt zu einer neuen Quelle von Schaden werden. Wenn eine ältere Person wegen einer großen Operation aufgenommen wird, kann die Krankenhausumgebung selbst einen Rückgang ihrer körperlichen und geistigen Fähigkeiten auslösen. Dieses Phänomen, bekannt als krankheitsassoziierte Behinderung (hospital-associated disability), umfasst einen Verlust an Muskelkraft, Verwirrtheit und eine verringerte Fähigkeit zur Selbstversorgung – allesamt Entwicklungen, die allein dadurch eintreten können, dass ein Patient zu lange im Bett oder in einem Zimmer festgehalten wird. Für Patienten, die vor einer Darmkrebsoperation stehen, wird die Herausforderung dadurch verschärft, dass sie oft mit einer Mischung aus anderen gesundheitlichen Problemen, einer reduzierten körperlichen Reserve und komplexen sozialen Bedürfnissen eintreffen, die eine Rückkehr nach Hause erschweren. Ärzte wissen schon lange, dass Gebrechlichkeit (Frailty) – ein Zustand erhöhter Vulnerabilität gegenüber Stress – ein besserer Prädiktor für schlechte Ergebnisse ist als das Alter allein, doch die genaue Vorhersage, wer einen langen Krankenhausaufenthalt benötigen wird, bleibt schwierig. Traditionelle Instrumente konzentrieren sich oft auf das Risiko des Todes oder schwerer Komplikationen und übersehen dabei das subtilere, aber ebenso schädliche Risiko eines verlängerten Aufenthalts, der einen Patienten schwächer zurücklässt, als er angekommen ist.

In einer aktuellen Studie setzten sich Forscher des Southend University Hospital und des Southmead Hospital zum Ziel, ein digitales Werkzeug zu entwickeln, um genau dieses Problem zu lösen. Sie wollten wissen, ob sie ein Computerprogramm nutzen könnten, um die Gesundheitsdaten eines Patienten vor der Operation zu analysieren und vorherzusagen, ob dieser Patient länger als zehn Tage im Krankenhaus bleiben würde. Das Team konzentrierte sich auf 197 ältere Erwachsene im Alter von 65 Jahren oder älter, die für eine Darmkrebsoperation untersucht wurden. Aus dieser Gruppe analysierten sie die Krankenakten von 149 Patienten, die die Operation tatsächlich durchführten. Die Forscher sammelten eine breite Palette an Informationen, die vor dem Beginn der Operation verfügbar waren, einschließlich des Alters des Patienten, eines Maßes für seine Gebrechlichkeit namens Clinical Frailty Scale, der Anzahl anderer medizinischer Erkrankungen, der Anzahl der Medikamente, die sie einnahmen, sowie ihrer sozialen Situation, wie etwa ihrem Wohnort und der Unterstützung, die sie zu Hause erhielten. Sie bezogen auch Standard-Chirurgierisiko-Scores ein, die den Schwierigkeitsgrad der Operation abschätzen.

Um diese komplexe Mischung aus Daten zu interpretieren, verwendete das Team eine Machine-Learning-Methode namens Gradient-Boosted Classifier. Man kann sich dies als ein Computerprogramm vorstellen, das lernt, indem es eine Serie von Entscheidungsbäumen aufbaut, wobei jeder neue Baum die Fehler des vorangegangenen korrigiert, was schließlich zu einem hochpräzisen Modell zur Erkennung von Mustern führt. Die Forscher trainierten dieses Modell darauf, zwischen Patienten zu unterscheiden, die einen kurzen oder moderaten Aufenthalt haben würden, und solchen, die einen verlängerten Aufenthalt von mehr als zehn Tagen haben würden. Sie testeten das Modell streng, indem sie die Daten wiederholt in verschiedene Gruppen aufteilten, um sicherzustellen, dass die Ergebnisse nicht nur ein glücklicher Zufall waren. Das Modell war bei seiner Aufgabe mäßig erfolgreich. Es identifizierte Patienten, die einem Risiko für einen langen Aufenthalt ausgesetzt waren, etwa 75 % der Zeit, mit einer Sensitivität von 66 %, was bedeutet, dass es zwei Drittel der Menschen erfasste, die tatsächlich zu lange blieben. Es war auch recht gut darin, diejenigen auszuschließen, die einen kürzeren Aufenthalt haben würden, mit einer Spezifität von 75 %.

Die Studie zeigte, dass die aussagekräftigsten Hinweise für die Vorhersage eines langen Aufenthalts nicht einfach das Alter des Patienten oder die Art der Operation waren, sondern vielmehr sein Grad an Gebrechlichkeit und sein allgemeiner chirurgischer Risikoscore. Auch die Anzahl anderer gesundheitlicher Probleme und die Mobilität des Patienten spielten eine signifikante Rolle. Interessanterweise stellten die Forscher fest, dass das Modell zwar ganz gut darin war, ein binäres Ergebnis vorherzusagen – also ob ein Aufenthalt lang sein würde oder nicht –, aber wesentlich weniger zuverlässig bei der Vorhersage der exakten Anzahl der Tage, die ein Patient im Krankenhaus verbringen würde. Wenn sie versuchten, den Computer zur Prognose spezifischer Zeitspannen einzusetzen, lagen die Vorhersagen oft um mehrere Tage daneben, was darauf hindeutet, dass die genaue Dauer eines Krankenhausaufenthalts von zu vielen unvorhersehbaren Faktoren beeinflusst wird, um sie im Voraus präzise berechnen zu können. Diese Unterscheidung ist entscheidend: Das Werkzeug ist besser darin, einen Hochrisiko-Patienten zu kennzeichnen, der zusätzliche Planung benötigt, als einem Arzt genau zu sagen, wann dieser Patient entlassen wird.

Die Auswirkungen der Identifizierung dieser Hochrisikopatienten sind erheblich. Die Forscher schätzten, dass, wenn dieses Modell auf die etwa 21.000 großen Darmkrebsoperationen angewendet würde, die jährlich in England und Wales durchgeführt werden, es dazu beitragen könnte, tausende Patienten zu identifizieren, die wahrscheinlich einen längeren Aufenthalt vor sich haben. Ein verlängerter Aufenthalt ist nicht nur eine Frage der Krankenhauskapazitäten; er ist eine direkte Bedrohung für die Unabhängigkeit des Patienten. Die Studie hob hervor, dass Patienten, die länger bleiben, einem höheren Risiko für funktionellen Abbau, Delirium und andere im Krankenhaus erworbene Komplikationen ausgesetzt sind. Durch die frühzeitige Identifizierung dieser Patienten könnten medizinische Teams potenziell mit intensiverer präoperativer Vorbereitung oder postoperativer Unterstützung intervenieren, um deren Aufenthalt zu verkürzen. Auch das wirtschaftliche Argument ist überzeugend; die Forscher berechneten, dass eine Reduzierung der Aufenthaltsdauer um nur einen Tag bei 10 % dieser nationalen Fälle allein die Bettenkosten um fast 2 Millionen £ senken könnte – eine Zahl, die auf über 5 Millionen £ steigen würde, wenn die Reduzierung bei 20 % der Fälle erreicht würde.

Trotz dieser vielversprechenden Ergebnisse weisen die Autoren vorsichtig darauf hin, dass dieses Werkzeug noch nicht bereit für den sofortigen Einsatz in jedem Krankenhaus ist. Die Studie wurde in einem einzelnen Zentrum durchgeführt und stützte sich auf retrospektive Daten, was bedeutet, dass das Modell an vergangenen Aufzeichnungen getestet wurde und nicht an zukünftigen Patienten. Die Leistung des Modells variierte je nachdem, wie die Daten getestet wurden, und die Forscher betonten, dass es in einer größeren, vielfältigeren Patientengruppe validiert werden muss, bevor man ihm vertrauen kann, um klinische Entscheidungen zu leiten. Die Studie kommt zu dem Schluss, dass Machine Learning großes Potenzial bietet, um Ärzten bei der Planung der Versorgung älterer Erwachter unter Darmkrebsoperation zu helfen, doch der nächste Schritt besteht darin, das Modell in prospektiven Echtzeit-Studien zu testen, um zu sehen, ob das Handeln nach seinen Vorhersagen tatsächlich zu kürzeren, sichereren Krankenhausaufenthalten führt. Bis dahin bleibt das Werkzeug ein hochentwickeltes Hilfsmittel zur Risikostratifizierung, das einen klareren Blick darauf bietet, wer am anfälligsten für die verborgenen Gefahren eines langen Krankenhausaufenthalts ist.