Machine learning prediction of clinical trajectories after N-terminal pro-B-type natriuretic peptide exceeds 35,000 pg/mL: a retrospective development and external validation study
Diese retrospektive Studie entwickelte und validierte extern ein maschinelles Lernmodell unter Verwendung routinemäßig verfügbarer Variablen, um kurzfristige klinische Verläufe im Krankenhaus (speziell Entlassung bei lebend oder NT-proBNP-Normalisierung) nach einem initialen N-terminalen pro-B-Typ-natriuretischen Peptid-Ergebnis von über 35.000 pg/mL vorherzusagen, wobei eine moderate Diskriminierung nachgewiesen wurde, die primär durch Überlebensraten als vielmehr durch biochemische Erholung getrieben wird.
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
Wenn ein Herz Schwierigkeiten hat, Blut effektiv zu pumpen, sendet es ein chemisches Notsignal aus. Ärzte messen ein spezifisches Protein namens N-terminales pro-B-Typ-natriuretisches Peptid oder NT-proBNP, um zu erfassen, wie schwerwiegend dieser Kampf ist. Je höher der Spiegel, desto mehr unter Stress steht das Herz. Dieser Test ist ein Standardwerkzeug zur Behandlung von Herzinsuffizienz und hilft Klinikern zu entscheiden, wer dringende Pflege benötigt und wer sich möglicherweise erholt. Die Maschinen, die dieses Protein messen, haben jedoch eine Grenze. Genau wie ein Lineal bei einer bestimmten Länge aufhört, hören diese medizinischen Assays auf, exakte Zahlen zu melden, sobald die Konzentration zu hoch wird. In den Systemen, die von den Forschern verwendet wurden, gibt die Maschine bei 35.000 pg/ml keine spezifische Zahl mehr an. Alles darüber wird einfach als „größer als 35.000“ gelesen. Dies schafft einen blinden Fleck. Ein Arzt weiß zwar, dass der Wert gefährlich hoch ist, kann aber nicht sagen, ob er nur leicht über dem Limit liegt oder ob er um ein Vielfaches höher ist. Ohne die genaue Zahl zu kennen, wird es schwierig zu verfolgen, ob der Patient besser wird oder sich verschlechtert, da die übliche Methode, den sinkenden Wert zu beobachten, nicht mehr verfügbar ist.
Ein Forscherteam setzte sich zum Ziel, dieses Problem der fehlenden Zahl zu lösen. Sie stellten eine praktische Frage: Wenn ein Patient mit einem Ergebnis, das weit außerhalb der Skala liegt, ins Krankenhaus kommt, können wir vorhersagen, was als Nächstes mit ihm passieren wird? Anstatt zu versuchen, die exakte verborgene Zahl zu erraten, entwickelten sie ein Computermodell, um den klinischen Weg des Patienten vorherzusagen. Sie wollten wissen, ob der Patient lebend entlassen wird oder ob sich sein Zustand so weit verbessert, dass der nächste Test schließlich wieder einen Wert unter der 35.000er-Grenze anzeigt. Um dies zu erreichen, sammelten sie Daten aus zwei verschiedenen Patientengruppen. Die erste Gruppe stammte aus einer großen, öffentlichen Datenbank von Krankenhausakten, und die zweite Gruppe stammte aus einem lokalen Krankenhaus in China. In beiden Gruppen betrachteten sie ausschließlich den Moment, in dem ein Patient dieses „zu hohe, um messbare“ Ergebnis zum ersten Mal erhielt. Danach beobachteten sie, was geschah, wobei sie ein breites Spektrum anderer in der Patientenakte verfügbarer Informationen nutzten, wie etwa das Alter, Bluttestergebnisse zur Nierenfunktion und die Konzentration anderer Proteine im Blut.
Die Forscher trainierten ein Computerprogramm, um nach Mustern in diesen siebenundzwanzig verschiedenen Informationen zu suchen. Sie brachten dem Programm bei, welche Kombinationen von Faktoren am wahrscheinlichsten dazu führen, dass ein Patient das Krankenhaus lebend verlässt oder dass seine Testergebnisse wieder in den messbaren Bereich zurückkehren. Sie testeten dieses Programm zuerst an der ursprünglichen Patientengruppe und sperrten dann – entscheidend – die Einstellungen ab und testeten es an der völlig separaten Gruppe aus dem lokalen Krankenhaus. Dieser zweite Test ist wichtig, da er zeigt, ob das Modell auch bei neuen Menschen funktioniert, die es noch nie gesehen hat. Die Ergebnisse zeigten, dass das Modell seine Aufgabe recht gut erfüllte. In der ersten Gruppe hatte es einen AUC von 0,76. Bei der Anwendung auf die zweite, unabhängige Gruppe verbesserte sich die Leistung sogar auf einen AUC von 0,81. Dies deutet darauf hin, dass das Modell zuverlässig identifizieren kann, welche Patienten wahrscheinlich einen besseren kurzfristigen Verlauf haben und welche einem höheren Risiko unterliegen.
Die Forscher fanden jedoch etwas Überraschendes darüber heraus, was das Modell tatsächlich vorhersagt. Sie brachen die Ergebnisse auf, um zu sehen, ob das Modell gut darin war, zwei spezifische Dinge vorherzusagen: ob der Patient lebend entlassen wird und ob der nächste Bluttest einen niedrigeren, messbaren Wert zeigen wird. Das Modell war sehr gut darin, vorherzusagen, wer lebend entlassen wird. Es war jedoch nicht gut darin, vorherzusagen, ob sich die Herzinsuffizienz des Patienten so weit verbessern würde, dass der Proteinspiegel wieder in den messbaren Bereich sinkt. Tatsächlich war die Leistung des Modells bei den Patienten, die erneut Bluttests erhielten, nicht besser als der Zufall, wenn es darum ging zu erraten, ob der Wert sinken würde. Das bedeutet, dass das Modell kein Werkzeug ist, um die verborgene chemische Zahl zu erraten oder die biologische Erholung des Herzens zu verfolgen. Stattdessen ist es ein Werkzeug zur Vorhersage des allgemeinen klinischen Schicksals des Patienten. Es sagt einem Arzt, dass ein Patient mit einem außerhalb der Skala liegenden Ergebnis wahrscheinlich das Krankenhausaufhalten überleben wird, selbst wenn der Bluttest selbst am oberen Limit verharrt.
Die Studie kommt zu dem Schluss, dass dieser Ansatz eine nützliche Methode darstellt, um Patienten zu managen, wenn der übliche Test versagt. Wenn ein Patient ein Ergebnis hat, das die Maschine nicht quantifizieren kann, können Ärzte dieses Modell nutzen, um ein Gefühl für die kurzfristige Prognose des Patienten basierend auf dessen anderen Vitalwerten und Blutwerten zu bekommen. Das Modell legt nahe, dass das Herz zwar immer noch unter extremem Stress stehen mag, der Gesamtzustand des Patienten jedoch stabil genug für eine Entlassung sein könnte. Die Forscher betonen, dass dieses Werkzeug nicht dazu verwendet werden sollte, automatisierte Entscheidungen über die Behandlung zu treffen oder davon auszugehen, dass das Herz geheilt ist, nur weil das Modell ein gutes Ergebnis vorhersagt. Es dient als Leitfaden zur Risikostratifizierung und hilft Ärzten zu entscheiden, wer eine intensivere Überwachung benötigt. Bevor dieses Modell im alltäglichen Praxisbetrieb eingesetzt werden kann, müsste es leicht angepasst werden, um auf die spezifische Patientenpopulation eines neuen Krankenhauses zugeschnitten zu sein, und es müsste in Echtzeit getestet werden, um sicherzustellen, dass es Ärzten hilft, bessere Entscheidungen zu treffen. Vorerst steht es als Demonstration dafür da, dass selbst wenn eine Schlüsselmessung an eine Wand stößt, andere verfügbare Daten dennoch den Weg für die Versorgung eines Patienten beleuchten können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.