Development and External Validation of a Machine Learning–Based Clinical Prediction Model for Postoperative Ischemic Stroke in Patients Undergoing Coronary Artery Bypass Grafting: Validation Using the eICU Collaborative Research Database
Diese Studie entwickelte und validierte extern ein Random-Forest-Maschinelles-Lernmodell unter Verwendung der eICU-Datenbank, das eine gute diskriminative Leistung bei der Vorhersage von postoperativem ischämischem Schlaganfall bei Patienten nach koronarer Bypass-Operation zeigt und entscheidende Prädiktoren wie RDW-CV und SII identifiziert, um die frühzeitige Risikostratifizierung zu unterstützen.
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
Herzoperationen sind eine bemerkenswerte Errungenschaft der modernen Medizin und bieten Menschen, deren Arterien gefährlich verstopft sind, einen Rettungsanker. Der Eingriff, bekannt als koronarer Bypass-Eingriff, leitet das Blut um diese Blockaden herum, um den Fluss zum Herzmuskel wiederherzustellen. Doch selbst mit geschickten Chirurgen und fortschrittlicher Technologie birgt die Reise eine verborgene Gefahr. Während und nach der Operation können winzige Blutgerinnsel oder Trümmerteile in das Gehirn gelangen und einen Schlaganfall verursachen. Diese Komplikation ist zwar nicht das häufigste Ergebnis, aber eine der schwerwiegendsten. Sie kann den Genesungsprozess eines Patienten drastisch verändern, das Sterberisiko erhöhen und bleibende Behinderungen hinterlassen. Da der Einsatz so hoch ist, suchen Ärzte schon lange nach besseren Wegen, um vorherzusagen, wer am wahrscheinlichsten dieses Schicksal erleidet, noch bevor der erste Schnitt gesetzt wird. Traditionelle Methoden verlassen sich auf das Abfragen einer Liste bekannter Risikofaktoren, wie etwa Alter oder medizinische Vorgeschichte, aber diese Werkzeuge übersehen oft die subtilen, komplexen Wechselwirkungen zwischen den Körpersystemen eines Patienten, die auf Probleme hindeuten könnten.
Ein Team von Forschern aus Krankenhäusern in China hat einen anderen Ansatz gewählt und sich der Kraft des maschinellen Lernens zugewandt, um ein präziseres Vorhersagewerkzeug zu entwickeln. Sie begannen damit, detaillierte Aufzeichnungen von 938 Patienten zu sammeln, die sich zwischen 2019 und 2021 in einem einzigen Krankenhaus in Peking einem Bypass-Eingriff unterzogen hatten. Das Ziel war es, den Computer darauf zu trainieren, Muster in den Daten zu erkennen, die dem menschlichen Auge entgehen könnten. Das Team fütterte den Computer mit einer riesigen Menge an Informationen, darunter das Alter des Patienten, der Blutdruck und die medizinische Vorgeschichte, aber auch spezifische Werte aus Bluttests, die Entzündungen, die Nierenfunktion und die Sauerstofftransportkapazität des Blutes messen. Der Computer hatte die Aufgabe, die spezifische Kombination dieser Faktoren zu finden, die die Patienten, die einen Schlaganfall erlitten, am besten von denen unterschieden, die keinen erlitten. Um sicherzustellen, dass das Werkzeug nicht nur die spezifischen Patienten auswendig lernt, mit denen es trainiert wurde, testeten die Forscher es an einer völlig anderen Gruppe von 1.177 Patienten aus einer massiven Multi-Krankenhaus-Datenbank in den Vereinigten Staaten. Diese zweite Gruppe diente als strenger Test, um zu sehen, ob das Werkzeug in einem anderen Umfeld mit anderen Menschen funktionieren würde.
Der Computer analysierte die Daten mit mehreren verschiedenen mathematischen Strategien und entschied sich schließlich für eine, die am besten abschnitt. Dieses leistungsstärkste Modell identifizierte sieben Schlüsselinformationen, die am kritischsten für die Vorhersage eines Schlaganfalls waren. Dazu gehörten die Vorgeschichte des Patienten bezüglich früherer Schlaganfälle, die Körpergröße und spezifische Messwerte aus ihrem Blut. Zu den aussagekräftigsten Indikatoren gehörten ein Maß dafür, wie stark die Größe ihrer roten Blutkörperchen variierte, ein Score, der die Anzahl verschiedener Immunzellen kombiniert, um die allgemeine Entzündung zu bewerten, und eine Berechnung dessen, wie viel Sauerstoff ihr Blut tatsächlich transportieren konnte. Das Modell berücksichtigte auch, wie gut ihre Nieren Abfall filterten. Als die Forscher untersuchten, wie diese Faktoren die Vorhersage beeinflussten, fanden sie heraus, dass höhere Entzündungswerte und eine geringere Sauerstofftransportkapazität mit einem größeren Schlaganfallrisiko verbunden waren, während eine bessere Nierenfunktion einen gewissen Schutz bot.
Als die Forscher dieses neue Modell an den amerikanischen Patientendaten testeten, erwies es sich als zuverlässiger Leitfaden, der zwischen Hochrisiko- und Niedrigrisikopatienten deutlich besser unterschied als der Zufall. Obwohl es nicht perfekt war, behielt es eine starke Fähigkeit bei, diejenigen in Gefahr zu identifizieren, selbst wenn es auf eine Bevölkerung angewendet wurde, die es zuvor noch nie gesehen hatte. Die Studie legt nahe, dass Ärzte ein klareres Bild des Risikos erhalten können, indem sie den Körper als ein komplexes System betrachten, in dem Entzündungen, Sauerstoffversorgung und die Zusammensetzung des Blutes interagieren, anstatt einzelne Faktoren isoliert zu betrachten. Die Forscher betonen, dass dieses Werkzeug kein Kristallball ist, sondern vielmehr eine Möglichkeit, Patienten zu kennzeichnen, die möglicherweise eine zusätzliche Überwachung oder eine spezifische präventive Versorgung benötigen. Bevor diese Methode zu einem Standardbestandteil des Routinenbetriebs in jedem Krankenhaus wird, muss sie an noch größeren und vielfältigeren Personengruppen getestet werden. Dennoch markiert die Arbeit einen bedeutenden Schritt in Richtung der Nutzung von Daten, um das Gehirn während eines der kritischsten Momente im Leben eines Patienten zu schützen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.