Machine learning-based identification of key risk factors for deep vein thrombosis within one week after total joint arthroplasty in elderly patients

Jedes Jahr unterziehen sich Millionen älterer Menschen einer großen Operation, um abgenutzte Hüft- oder Kniegelenke zu ersetzen – ein Eingriff, der die Mobilität wiederherstellt und Schmerzen lindert. Der Genesungsprozess birgt jedoch eine verborgene Gefahr: die Bildung von Blutgerinnseln in den tiefen Venen der Beine, ein Zustand, der als tiefe Venenthrombose bekannt ist. Für ältere Patienten ist diese Komplikation besonders schwerwiegend. Sie kann Krankenhausaufenthalte verlängern, die medizinischen Kosten erhöhen und in schweren Fällen zu lebensbedrohlichen Ereignissen führen, wenn ein Gerinnsel in die Lunge wandert. Ärzte verlassen sich seit langem auf Standard-Checklisten, um einzuschätzen, wer am stärksten gefährdet ist, aber diese Werkzeuge behandeln alle Patienten nach einer Gelenkersatzoperation oft gleich und stufen sie alle als Hochrisikopatienten ein, ohne zu unterscheiden, wer wirklich in Gefahr ist. Dieser Mangel an Präzision macht es schwierig, für jeden Einzelnen das richtige Maß an Schutz zu gewährleisten.

Um dies zu lösen, wandten sich Forscher einem Zweig der Informatik namens maschinelles Lernen zu. Anstatt festen Regeln zu folgen, lernen diese Computerprogramme aus riesigen Mengen vergangener Patientendaten, um komplexe Muster zu finden, die menschlichen Beobachtern entgehen könnten. Das Ziel ist es, ein digitales Werkzeug zu entwickeln, das die Krankengeschichte, die Ergebnisse der Bluttests und Details der Operation eines Patienten analysiert, um mit hoher Genauigkeit vorherzusagen, ob der Patient innerhalb der ersten Woche nach der Operation ein Blutgerinnsel entwickeln wird. Durch die Identifizierung der spezifischen Faktoren, die am wichtigsten sind, könnte ein solches Werkzeug Ärzten helfen, die Präventionsstrategien individuell anzupassen, sodass diejenigen, die zusätzliche Betreuung benötigen, diese auch erhalten, während unnötige Behandlungen bei denen, die sie nicht benötigen, vermieden werden.

Ein Team von Forschern der University of Science and Technology of China unternahm den Versuch, ein solches Werkzeug zu bauen und zu testen. Sie sammelten Informationen über 3.050 ältere Patienten, alle im Alter von 60 Jahren oder älter, die im Jahr 2024 in einem einzigen Krankenhaus eine totale Gelenkarthroplastie durchführen ließen. Das Team sammelte für jede Person eine breite Palette von Datenpunkten, einschließlich Alter, Geschlecht, Body-Mass-Index und der Krankengeschichte mit Erkrankungen wie Diabetes oder Krebs. Sie zogen auch spezifische Werte aus präoperativen Bluttests, wie etwa das Niveau von Entzündungen und Blutgerinnungsfaktoren, und erfassten Details aus dem Operationssaal, darunter die Dauer der Operation, die Verwendung von Knochenzement und ob ein Tourniquet angewendet wurde, um den Blutfluss zu stoppen. Das Ergebnis, das sie vorherzusagen versuchten, war einfach, aber entscheidend: Entwickelte der Patient innerhalb von sieben Tagen nach der Operation ein Blutgerinnsel im Bein, bestätigt durch eine Ultraschalluntersuchung?

Um ihre Computermodelle zu trainieren, mussten die Forscher ein häufiges Problem in medizinischen Daten angehen: Die meisten Patienten entwickeln keine Gerinnsel, während eine kleinere Anzahl dies tut. Dieses Ungleichgewicht kann einen Lernalgorithmus verwirren. Um dies zu beheben, verwendeten sie eine Technik, die synthetische Beispiele der seltener vorkommenden Gruppe erstellt und so den Datensatz effektiv ausgleicht, damit der Computer von beiden Seiten gleichermaßen lernen kann. Anschließend teilten sie die Daten auf, wobei sie den Großteil dazu nutzten, vier verschiedene Arten von Algorithmen des maschinellen Lernens das Vorhersagen beizubringen, und den Rest aufbewahrten, um zu testen, wie gut diese Vorhersagen bei neuen, unbekannten Patienten funktionierten. Die vier getesteten Algorithmen umfassten eine traditionelle statistische Methode, die als logistische Regression bekannt ist, einen Entscheidungsbaum, der eine Serie von Ja-Nein-Fragen stellt, einen Random Forest, der viele Entscheidungsbäume kombiniert, und eine leistungsstarke Methode namens XGBoost, die ein hochpräzises Modell aufbaut, indem sie aus ihren eigenen Fehlern lernt.

Als das Team die Ergebnisse verglich, stach ein Modell deutlich hervor. Der XGBoost-Algorithmus erwies sich als der effektivste, da er die überwiegende Mehrheit der Patienten, die ein Gerinnsel entwickeln würden und die es nicht entwickeln würden, korrekt identifizierte. Er erreichte ein Maß an Genauigkeit, das die anderen Methoden, einschließlich des traditionellen statistischen Ansatzes, der Schwierigkeiten hatte, die komplexen Beziehungen zwischen den verschiedenen Risikofaktoren zu erfassen, weit übertraf. Das Random-Forest-Modell schnitt gut ab, war aber nicht ganz so präzise, während der Entscheidungsbaum und das traditionelle statistische Modell deutlich zurückfielen. Die überlegene Leistung des XGBoost-Modells deutet darauf hin, dass das Risiko, ein Gerinnsel zu entwickeln, nicht von einem einzelnen Faktor getrieben wird, sondern von einem komplexen Geflecht von Wechselwirkungen, das nur ein hochentwickeltes Computerprogramm entwirren kann.

Um zu verstehen, warum dieses Modell so gut funktionierte, nutzten die Forscher eine Methode, um die Schichten des Algorithmus abzutragen und zu sehen, welche spezifischen Informationen die Vorhersagen beeinflussten. Sie fanden heraus, dass die einflussreichsten Faktoren nicht die Dauer der Operation oder die Verwendung von Knochenzement waren, wie man es vielleicht erwarten würde, sondern vielmehr die präoperative Blutarbeit des Patienten. Insbesondere die Zeit, die das Blut zum Gerinnen benötigte, das Niveau eines Proteins namens C-reaktives Protein, das Entzündungen signalisiert, und die Menge einer Substanz namens D-Dimer waren die stärksten Prädiktoren. Auch das Geschlecht des Patienten spielte eine signifikante Rolle, wobei Frauen in dieser Gruppe ein höheres Risiko zeigten als Männer. Diese Erkenntnisse stimmen mit dem überein, was über das Zusammenspiel von Entzündungen und Blutgerinnung im Körper bekannt ist, was darauf hindeutet, dass der interne Zustand eines Patienten vor der Operation ein zuverlässigerer Indikator für das frühe Risiko ist als die Details der Operation selbst.

Die Studie kommt zu dem Schluss, dass dieser Ansatz des maschinellen Lernens einen vielversprechenden Weg zur Verbesserung der Patientenversorgung bietet. Durch den Einsatz eines Modells, das in der Lage ist, komplexe medizinische Daten präzise zu durchforsten, können Ärzte demnach bald ältere Patienten mit einem hohen Risiko für Blutgerinnsel mit wesentlich größerer Genauigkeit identifizieren können, als dies mit aktuellen Methoden möglich ist. Dies würde gezieltere Präventionsstrategien ermöglichen, die Ressourcen auf diejenigen konzentrieren, die sie am dringendsten benötigen. Während die Forscher anmerken, dass ihre Arbeit auf Daten aus einem einzigen Krankenhaus basiert und weitere Tests in größeren Gruppen erfordert, um ihre Zuverlässigkeit zu bestätigen, bilden die Ergebnisse ein starkes Fundament für eine neue Ära der personalisierten Risikobewertung in der orthopädischen Chirurgie. Der Weg nach vorn besteht darin, diese Erkenntnisse in verschiedenen medizinischen Zentren zu validieren, um sicherzustellen, dass das Werkzeug für alle funktioniert, aber das Potenzial, eine gefährliche Komplikation durch bessere Vorhersage zu verhindern, ist nun in greifbare Nähe gerückt.