Development and Multicenter Validation of an Ensemble Machine Learning Model for Symptom-Based Triage of Hepatopancreatobiliary Diseases

Hepatopankreatobiliäre Erkrankungen betreffen die Leber, die Gallenblase, die Bauchspeicheldrüse und das Netzwerk der Röhren, die die Galle transportieren. Diese Zustände können von schmerzhaften Steinen bis hin zu lebensbedrohlichen Krebsarten reichen. Eine große Herausforderung bei ihrer Behandlung besteht darin, dass die frühen Warnzeichen oft vage sind. Eine Person könnte allgemeines Unbehagen, Übelkeit oder leichte Schmerzen verspüren – Symptome, die auf Dutzende anderer, weniger schwerwiegender Probleme hindeuten könnten. Da diese frühen Signale so unspezifisch sind, warten Patienten häufig zu lange, bevor sie einen Spezialisten aufsuchen, und bis eine definitive Diagnose durch Bildgebung oder Operation gestellt wird, kann die Krankheit bereits in ein Stadium fortgeschritten sein, in dem die Behandlung weitaus schwieriger ist. In vielen Teilen der Welt ist der Zugang zu fortschrittlichen diagnostischen Werkzeugen begrenzt, was es noch schwieriger macht, zu unterscheiden, wer dringende Hilfe benötigt und wer nicht.

Um dies zu adressieren, haben sich Forscher dem maschinellen Lernen zugewandt, einem Bereich, in dem Computer lernen, Muster aus großen Datensätzen zu erkennen. Anstatt sich auf einen einzelnen Test zu verlassen, können diese Systeme viele kleine Hinweise gemeinsam abwägen – wie etwa die Art des Schmerzes, den ein Patient fühlt, das Alter oder ob er in letzter Zeit an Gewicht verloren hat –, um einen Risiko-Score zu berechnen. Das Ziel ist es, ein Werkzeug zu schaffen, das direkt am ersten Kontaktpunkt mit einem Arzt funktioniert und dabei hilft, Patienten zu identifizieren, die sofortige, spezialisierte Aufmerksamkeit benötigen. Dieser Ansatz ersetzt nicht die Notwendigkeit fortschrittlicher Tests, zielt aber darauf ab, sicherzustellen, dass die richtigen Patienten viel früher an die richtigen Spezialisten überwiesen werden.

Ein Forschungsteam aus Indien hat ein solches Werkzeug entwickelt und getestet, indem es ein Computermodell erschuf, das darauf ausgelegt ist, Patienten allein basierend auf ihren Symptomen und der medizinischen Basisgeschichte zu triagieren. In einer Studie mit tausenden von Personen in mehreren Krankenhäusern entwickelten sie ein System, das der Geschichte eines Patienten zuhört und entscheidet, wie wahrscheinlich es ist, dass dieser an einer schwerwögigen hepatopankreatobiliären Erkrankung leidet. Die Forscher sammelten Daten von 2.296 Menschen, die Krankenhäuser mit Symptomen besuchten, die auf diese Krankheiten hindeuteten. Sie teilten diese Gruppe in zwei Sätze auf: eine große Gruppe, um den Computer zu lehren, wie man Muster erkennt, und eine separate, völlig andere Gruppe, um zu testen, wie gut der Computer bei neuen, ungesehenen Patienten performte.

Das von ihnen geschaffene Computermodell ist ein „Ensemble“, was bedeutet, dass es die Entscheidungskraft von drei verschiedenen Arten von Algorithmen kombiniert. Stellen Sie sich dies wie ein Gremium aus drei Experten vor, von denen jeder eine etwas andere Art hat, die Beweise zu betrachten, und die gemeinsam über ein endgültiges Ergebnis abstimmen. Ein Typ von Algorithmus ist besonders gut darin, komplexe, nicht-lineare Beziehungen zwischen Symptomen aufzuspüren, ein anderer konzentriert sich darauf, seine Fehler während des Lernens zu korrigieren, und der dritte ist geschickt darin, klare Linien zwischen verschiedenen Datengruppen zu ziehen. Durch die Mittelung ihrer Vorhersagen hoffte das Team, ein System zu schaffen, das sowohl sensibel genug ist, um die meisten Fälle zu erfassen, als auch spezifisch genug, um gesunde Menschen nicht zu unnötigen, teuren Tests zu schicken.

Als die Forscher dieses kombinierte Modell an der unabhängigen Gruppe von 781 Patienten testeten, waren die Ergebnisse beeindruckend. Das System identifizierte korrekt 76,1 % der Patienten, die tatsächlich eine hepatopankreatobiliäre Erkrankung hatten. Noch wichtiger war, dass es bei der Identifizierung derer, die die Krankheit nicht hatten, hochgradig genau war und 93,9 % der gesunden Kontrollpersonen korrekt identifizierte. Das bedeutet, dass, wenn das Modell einen Patienten als Hochrisikofall markierte, die Wahrscheinlichkeit bei 94,9 % lag, dass der Patient tatsächlich eine behandlungsbedürftige Erkrankung hatte. Das Modell erreichte eine Gesamtgenauigkeit von 83,2 %, einer Zahl, die angibt, wie oft die Vermutung des Computers mit der endgültigen medizinischen Diagnose übereinstimmte.

Die Studie verglich dieses digitale Werkzeug auch mit dem Urteil menschlicher Spezialisten. In ders-elben Patientengruppe identifizierten erfahrene chirurgische Gastroenterologen nur 62 % der tatsächlichen Fälle. Das Computermodell übertraf die menschlichen Experten, indem es zusätzliche 14 Prozentpunkte an Fällen fand, die die Ärzte ursprünglich übersehen hatten. Diese Verbesserung ist signifikant, da sie darauf hindeutet, dass das Modell subtile Muster in Symptomkombinationen erfassen kann, die ein Mensch vielleicht übersehen würde, insbesondere wenn er mit der Fülle an Informationen konfrontiert wird, die ein Patient präsentiert. Beispielsweise war das Modell besonders effektiv bei der Identifizierung von Gallenblasenkrebs und Gallensteinerkrankungen, fand es jedoch etwas schwieriger, bestimmte Arten von Pankreastumoren zu detektieren, was darauf hindeutet, dass das Werkzeug zwar leistungsstark, aber noch nicht perfekt für jede einzelne Unterart der Erkrankung ist.

Um diese Technologie in der realen Welt nutzbar zu machen, entwickelten die Forscher eine zweisprachige mobile Anwendung. Diese App ermöglicht es einem Arzt oder einer Pflegekraft, die Symptome eines Patienten einzugeben, wie etwa den Ort der Bauchschmerzen, das Vorhandensein von Fieber oder eine Vorgeschichte von Gewichtsverlust. Die App berechnet dann sofort einen Risiko-Score. Wenn der Score niedrig ist, wird der Patient als risikoarm eingestuft und kann mit Routineversorgung behandelt werden. Wenn der Score hoch ist, empfiehlt die App eine sofortige Überweisung zur erweiterten Bildgebung oder fachärztlichen Untersuchung. Dieser Arbeitsablauf ist darauf ausgelegt, einfach und schnell zu sein, indem er die komplexe Mathematik des maschinellen Lernmodells in eine klare, handlungsrelevante Entscheidung für einen Primärversorger umwandelt.

Die Forscher untersuchten auch, wie sich der Zeitpunkt einer Diagnose auf das Ergebnis für Patienten mit Krebs auswirkt. Sie fanden heraus, dass Patienten, die innerhalb von vier Monaten nach Beginn ihrer Symptome zur Behandlung überwiesen wurden, mit größerer Wahrscheinlichkeit eine kurative chirurgische Entfernung ihres Krebses erhielten. Bei jenen, bei denen die Diagnose verzögert über vier Monate hinaus erfolgte, war die Wahrscheinlichkeit, diese lebensrettende Behandlung zu erhalten, signifikant geringer. Obwohl die Studie nicht bewies, dass das Computermodell selbst dazu führte, dass diese Patienten früher überwiesen wurden, legen die Daten nahe, dass ein Werkzeug, das in der Lage ist, das Risiko früher zu identifizieren, helfen könnte, die Lücke zwischen Symptombeginn und kurativer Behandlung zu schließen.

Trotz dieser vielversprechenden Ergebnisse betonen die Autoren vorsichtig die Grenzen ihrer Arbeit. Die Daten, die für das Training und Testen des Modells verwendet wurden, stammten aus großen, spezialisierten Krankenhäusern, was bedeutet, dass die Patienten bereits recht schwer erkrankt waren oder komplexe Zustände aufwiesen. Das Modell wurde noch nicht in einer primären Versorgungsumgebung getestet, wo Patienten möglicherweise mildere Symptome oder andere Gesundheitsprofile aufweisen könnten. Die Forscher räumen ein, dass das Werkzeug weitere Tests in der Gemeinschaft benötigt, um sicherzustellen, dass es für die Allgemeinbevölkerung ebenso gut funktioniert wie für die Krankenhauspatienten in dieser Studie. Sie weisen auch darauf hin, dass das Modell ein Entscheidungshilfsmittel ist und kein Ersatz für das Urteil eines Arztes, und dass es dazu dienen sollte, die klinische Expertise zu unterstützen, nicht sie zu ersetzen.

Die Studie kommt zu dem Schluss, dass ein symptombasiertes maschinelles Lernmodell als leistungsstarkes, kostengünstiges Werkzeug zur Sortierung von Patienten in den frühen Stadien einer Erkrankung dienen kann. Indem es sich auf die Informationen konzentriert, die bereits beim ersten Besuch verfügbar sind, könnte ein solches System Gesundheitssystemen, insbesondere in ressourcenarmen Regionen, helfen, die Patienten zu priorisieren, die am dringendendsten medizinische Hilfe benötigen. Die Forscher planen, ihre Arbeit fortzusetzen, indem sie die Anwendung in realen Primärversorgungs-Kliniken testen, um zu sehen, ob sie tatsächlich die Zeit verkürzen kann, die für die Diagnose dieser schwierigen und oft stillen Krankheiten benötigt wird.