A Machine Learning Model for Predicting In-Hospital Mortality among ICU Patients with Cirrhosis and Sepsis

Wenn die Leber eines Menschen durch eine Zirrhose schwer geschädigt ist, schwächt sich die Fähigkeit des Körpers, Infektionen zu bekämpfen, erheblich. Die Leber fungiert normalerweise als Filter und Fabrik für Immunproteine, doch wenn sie versagt, können Bakterien, die normalerweise im Darm bleiben, in die Blutbahn gelangen und einen lebensweiten Notfall auslösen, der als Sepsis bekannt ist. Diese Kombination aus einer versagenden Leber und einer grassierenden Infektion ist eine tödliche Falle für Patienten auf Intensivstationen. Ärzte verlassen sich seit langem auf Standard-Scoring-Systeme, um zu schätzen, wie krank ein Patient ist und wie hoch seine Überlebenschance ist. Diese Systeme nehmen eine Momentaufnahme der Vitalparameter und Laborergebnisse eines Patienten und addieren diese wie eine einfache Checkliste, um einen Risikowert zuzuweisen. Diese traditionellen Werkzeuge haben jedoch oft Schwierigkeiten mit der einzigartigen Komplexität der Lebererkrankung, bei der chronische Probleme akute Krisen maskieren können, was es schwierig macht, die Patienten zu erkennen, die kurz davor stehen, sich in einen schlechteren Zustand zu begeben.

Ein Forscherteam setzte sich zum Ziel, einen intelligenteren Weg zu entwickeln, um vorherzusagen, wer überleben würde und wer nicht. Sie wandten sich dem maschinellen Lernen zu, einer Form der Informatik, bei der Algorithmen Muster aus riesigen Datenmengen lernen, anstatt starren, vorgegebenen Regeln zu folgen. Das Ziel war es, ein Modell zu erstellen, das die ersten vierundzwanzig Stunden der Zeit eines Patienten auf der Intensivstation betrachten und die Wahrscheinlichkeit eines Todes vor dem Verlassen des Krankenhauses genau abschätzen kann. Indem sie den Computer mit routinemäßigen klinischen Daten fütterten – wie etwa Bluttestergebnissen, Herzfrequenz, Urinausscheidung und der Frage, ob der Patient eine Blutstrominfektion hatte –, hofften die Forscher, subtile Verbindungen aufzudecken, die menschliche Ärzte oder einfache Checklisten übersehen könnten.

Die Studie begann mit der Sammlung von Daten aus zwei sehr unterschiedlichen Quellen. Die erste war eine massive, öffentlich zugängliche Datenbank, die Aufzeichnungen von Tausenden von Intensivpatienten aus den Vereinigten Staaten enthielt. Die zweite war eine kleinere, unabhängige Gruppe von Patienten aus einem Krankenhaus in Wuhan, China. Dieser zweiteilige Ansatz ermöglichte es dem Team, ihr Computermodell an einer großen Gruppe zu trainieren und es dann an einer völlig separaten Gruppe zu testen, um zu sehen, ob es in einem anderen Umfeld funktionieren würde. Sie konzentrierten sich speziell auf Erwachsene, die sowohl eine Zirrhose als auch eine Sepsis hatten, wobei jene ausgeschlossen wurden, die weniger als einen Tag auf der Intensivstation verbrachten, da das Modell darauf ausgelegt war, Vorhersagen basierend auf dem ersten vollen Tag der Pflege zu treffen.

Die Forscher trainierten sieben verschiedene Computeralgorithmen, die von einfachen statistischen Methoden bis hin zu komplexen, baumbasierten Lernsystemen reichten. Sie baten jeden Algorithmus, aus den Trainingsdaten zu lernen, und testeten sie dann, um zu sehen, welcher am besten zwischen überlebenden und verstorbenen Patienten unterscheiden konnte. Die Ergebnisse zeigten, dass ein spezifischer Algorithmus, bekannt als XGBoost, alle anderen übertraf. Dieses Modell rät nicht einfach nur; es lernte, die Bedeutung verschiedener Faktoren auf eine komplexe, nicht-lineare Weise zu gewichten. Beispielsweise behandelt ein Standardwert einen hohen Bilirubinspiegel (ein gelbes Pigment im Blut, das auf Leberprobleme hindeutet) vielleicht nur als einen Punkt auf einer Skala, während das maschinelle Lernmodell verstand, wie dieser Wert mit anderen Faktoren wie der Blutgerinnungszeit und dem Vorhandensein einer Infektion interagiert, um ein spezifisches Risikoprofil zu erstellen.

Als das XGBoost-Modell an der internen Patientengruppe getestet wurde, identifizierte es das Ergebnis mit einem hohen Grad an Genauigkeit. Viel wichtiger war, dass das Modell, als die Forscher dasselbe Modell auf die unabhängige Gruppe von Patienten aus dem chinesischen Krankenhaus anwandten, immer noch gut funktionierte, was bewies, dass die von dem Modell gelernten Muster kein Zufall der ersten Datensatz waren. Die Fähigkeit des Modells, Überlebende von Nicht-Überlebenden zu trennen, war signifikant besser als die der herkömmlichen Scoring-Systeme, die derzeit in Krankenhäusern verwendet werden. Die Standardwerte, die weit verbreitet vertrauenswürdig sind, scheiterten daran, das volle Bild des Risikos bei diesen komplexen Patienten zu erfassen, und übersahen oft die subtilen Warnsignale, die das maschinelle Lernmodell erkannte.

Um zu verstehen, warum der Computer die Entscheidungen traf, nutzten die Forscher ein Werkzeug, das wie ein Scheinwerfer wirkt und hervorhebt, welche Variablen für jede Vorhersage am wichtigsten waren. Sie fanden heraus, dass zu den kritischsten Faktoren gehörten, ob der Patient ein Kandidat für eine Lebertransplantation war, der Bilirubinspiegel im Blut, wie lange das Blut zur Gerinnung brauchte, ob er eine Infektion im Blutstrom hatte und wie viel Urin er produzierte. Diese Erkenntnisse stimmen mit der medizinischen Intuition überein, bieten aber eine präzise, datengestützte Bestätigung ihrer Bedeutung. Zum Beispiel lernte das Modell, dass ein Patient mit einer Blutstrominfektion und geringer Urinausscheidung ein viel höheres Risiko hatte als jemand mit nur einem dieser Probleme – eine Nuance, die einfache, auf Addition basierende Scores oft übersehen.

Die Studie zeigte auch, dass die spezifische Ursache der Lebererkrankung matter war. Patienten, deren Zirrhose durch chronische Virushepatitis verursacht wurde, wiesen andere Überlebensraten auf als jene, deren Leberschaden durch Alkohol bedingt war. Diese Variation in den Patientenpopulationen zwischen den beiden Krankenhäusern erklärte einige der Leistungsunterschiede des Modells, dennoch blieb das Modell robust genug, um in beiden Gruppen nützlich zu sein. Die Forscher merkten an, dass das Modell zwar hochspezifisch war – das heißt, es war sehr gut darin, Patienten zu identifizieren, die überleben würden –, es jedoch weniger sensitiv war, um jeden einzelnen Patienten zu erfassen, der schließlich sterben würde. Dies deutet darauf darauf hin, dass das Werkzeug zwar exzellent darin ist, Patienten mit geringem Risiko auszuschließen, aber dennoch einige Hochrisikopatienten übersehen könnte, die sich nach dem ersten Tag schnell verschlechtern.

Letztendlich demonstriert diese Forschung, dass maschinelles Lernen eine nuanciertere und genauere Möglichkeit bieten kann, das Risiko für einige der verletzlichsten Patienten im Krankenhaus einzuschätzen. Durch die Analyse des ersten Pflegetages liefert das Modell ein klareres Bild der Zukunft als aktuelle Standardmethoden. Es ersetzt nicht das Urteil des Arztes, bietet aber eine leistungsstarke Zweitmeinung, die auf den Mustern tausender vergangener Fälle basiert. Die Studie kommt zu dem Schluss, dass solche Werkzeuge medizinischen Teams helfen können, Hochrisikopatienten früher zu identifizieren, was gezieltere und zeitnahe Interventionen ermöglicht. Obwohl das Modell kein perfektes Kristallkugel-Instrument ist, stellt es einen bedeutenden Schritt nach vorn dar, um Daten zu nutzen, um durch die Ungewissheit der Intensivpflege zu navigieren und rohe Zahlen in handlungsrelevante Erkenntnisse umzuwandeln, die Leben retten können.