Electronic Health Record-Based Machine Learning Models for Predicting Revascularization, Amputation, and Cardiovascular Mortality in At-Risk Patients

Jedes Jahr stehen Tausende von Menschen vor einer erschütternden Entscheidung: der Verlust eines Gliedmaßes oder der Verlust ihres Lebens. Dieser Kampf beginnt oft mit einem stillen, schleichenden Zustand, bei dem sich die Blutgefäße in den Beinen verengen und verhärten, wodurch Muskeln und Haut mit Sauerstoff unterversorgt werden. Wenn diese Blockade schwerwiegend wird, kann dies zu offenen Wunden führen, die nicht heilen wollen, oder zu einem Zustand, in dem das Gliedmaß ständig von einem Absterben bedroht ist. Ärzte nennen dies periphere arterielle Verschlusskrankheit, und in ihrer kritischsten Form chronische Ischämie der Extremitäten. Für Patienten mit diesen Erkrankungen oder mit diabetischen Fußgeschwüren ist der vor ihnen liegende Weg von Ungewissheit geprägt. Ein Arzt muss entscheiden, ob er eine komplexe Operation durchführt, um den Blutfluss wiederherzustellen, das geschädigte Gliedmaß amputiert, um das Leben des Patienten zu retten, oder sich auf eine Palliativversorgung konzentriert. Diese Entscheidungen sind unglaublich schwierig, da jeder Patient anders ist und eine einzigartige Mischung anderer Gesundheitsprobleme mit sich bringt – von Diabetes bis hin zu Herzerkrankungen – sowie soziale Faktoren, die beeinflussen, wie er auf eine Behandlung anspricht.

Jahrzehntelang haben sich Ärzte auf Bewertungssysteme und Risikorechner verlassen, um diese Entscheidungen zu leiten, aber diese Werkzeuge konnten oft kein breites Vertrauen gewinnen. Sie sind zu starr für eine Krankheit, die so komplex und persönlich ist, oder sie stützen sich auf Daten, die nur schwer konsistent zu erfassen sind. Nun hat ein Forscherteam der University of North Carolina sich einem anderen Leitfaden zugewandt: den massiven, digitalen Aufzeichnungen der Patientenversorgung selbst. Durch die Verwendung einer neuen Art, Millionen elektronischer Gesundheitsakten zu organisieren, entwickelten sie eine Reihe von Computermodellen, die darauf ausgelegt sind, vorherzusagen, was als Nächstes einem Patienten passieren wird. Ihr Ziel war es nicht, den Arzt zu ersetzen, sondern ihm eine klarere Sicht auf die Zukunft zu geben, um zu entscheiden, wer eine Operation benötigt, wer ein Gliedmaß verlieren könnte und wer Gefahr läuft, an herzbedingten Ursachen zu sterben.

Die Forscher begannen mit einem riesigen Pool von fast 179.000 erwachsenen Patienten, die zwischen 2014 und 2024 innerhalb des UNC Health Systems versorgt wurden. Dies waren Menschen, die bereits als Risiko für einen Verlust von Gliedmaßen bekannt waren, einschließlich jener mit peripherer arterieller Verschlusskrankheit, chronischer Ischämie der Extremitäten oder diabetischen Fußgeschwüren. Um diese enorme Menge an Informationen sinnvoll zu erfassen, nutzte das Team ein standardisiertes System namens OMOP Common Data Model, das wie ein universeller Übersetzer für medizinische Daten fungiert und es verschiedenen Krankenhäusern ermöglicht, dieselbe Sprache zu sprechen. Sie fügten diesem System eine spezielle Erweiterung hinzu und füllten sie mit 127 spezifischen Variablen im Zusammenhang mit Gefäßerkrankungen, die in Standardakten normalerweise fehlen. Dies ermöglichte es ihnen, die Patienten nicht nur als eine Sammlung von Symptomen zu betrachten, sondern als ganze Menschen mit Tausenden von Datenpunkten, die von ihrem Blutdruck und ihren Laborergebnissen bis hin zu ihrer Rauchergeschichte, ihrer Mobilität und sogar ihrem kognitiven Zustand reichen.

Mit diesem reichhaltigen, harmonisierten Datensatz trainierte das Team Computeralgorithmen, um nach Mustern zu suchen, die menschliche Ärzte vielleicht übersehen würden. Sie entwickelten drei separate Vorhersagemodelle. Das erste versuchte zu erraten, ob ein Patient einen Revascularisationsprozedur erhalten würde, eine Operation, die darauf abzielt, blockierte Arterien zu öffnen. Das zweite versuchte vorherzusagen, ob ein Patient schließlich eine Amputation benötigen würde. Das dritte versuchte zu prognostizieren, ob ein Patient an einem kardiovaskulären Ereignis, wie etwa einem Herzinfarkt oder Schlaganfall, sterben würde. Der Computer betrachtete nicht nur die offensichtlichen Anzeichen von Beinkrankheiten; er scannte Tausende potenzieller Faktoren, von der Präsenz spezifischer Infektionen bis hin zur Art der vom Patienten eingenommenen Medikamente, um zu sehen, welche davon tatsächlich am wichtigsten für das Ergebnis waren.

Die Ergebnisse offenbarten eine Geschichte von überraschender Klarheit für einige Ergebnisse und hartnäckiger Komplexität für andere. Das Modell, das vorhersagen sollte, wer eine Revascularisationsoperation erhält, war außergewöhnlich genau. Es identifizierte die Patienten, die den Eingriff unterziehen würden, mit einer Präzision, die Perfektion nahekam. Die Faktoren, die diese Vorhersage antrieben, entsprachen genau dem, was ein Gefäßchirurg erwarten würde: Das Modell fand heraus, dass die stärksten Signale die spezifischen Erkrankungen der Arterien selbst waren, wie etwa Blockaden in den unteren Extremitäten und Blutgerinnsel. Der Computer lernte, dass das medizinische System bei Vorliegen dieser spezifischen arteriellen Probleme konsistent mit einer Operation reagiert. Es war eine Bestätigung dafür, dass die Entscheidung zur Operation durch klare, objektive Anzeichen des arteriellen Versagens gesteuert wird.

Die Vorhersage für eine Amputation war ebenfalls stark, wenn auch die Geschichte dahinter nuancierter war. Das Modell zeigte, dass davon abhängt, wie der Körper und der Geist des Patienten mit dem Stress einer Behandlung umgehen, ob ein Gliedmaß verloren geht. Die aussagekräftigsten Prädiktoren waren nicht nur die Schwere der Wunde am Bein, sondern wie die Behandlung mit der allgemeinen Gebrechlichkeit des Patienten interagierte. Wenn beispielsweise ein Patient mit Demenz oder schwerer körperlicher Schwäche eine Revascularisation erhielt, sagte das Modell eine höhere Wahrscheinlichkeit für eine spätere Amputation voraus. Umgekehrt deutete das Modell für Patienten, die zu gebrechlich für eine Operation waren, darauf hin, dass sie weniger wahrscheinlich eine Amputation erleiden würden, da ihr Behandlungsteam sie wahrscheinlich zu palliativen Optionen lenkte. Dieser Befund unterstreicht eine schwierige Realität: Der Weg zum Verlust eines Gliedmaßes wird oft nicht nur durch die Krankheit im Bein bestimmt, sondern durch die Fähigkeit des Patienten, den Weg der Behandlung zu überleben.

Das Modell zur Vorhersage des kardiovaskulären Todes erzählte jedoch eine andere Geschichte. Obwohl der Computer die üblichen Verdächtigen identifizieren konnte – Bedingungen wie Herzinsuffizienz, Diabeteskomplikationen und hoher Blutzucker –, konnte er den Tod nicht mit derselben Zuversicht vorhersagen, die er für die anderen Ergebnisse zeigte. Die Genauigkeit dieses Modells war moderat, was darauf hindeutet, dass zwar die Risikofaktoren bekannt sind, der eigentliche Zeitpunkt des Todes jedoch von zu vielen unvorhersehbaren Variablen beeinflusst wird, um von einer einzelnen Formel erfasst zu werden. Die Forscher stellten fest, dass die Revascularisationsoperation, die das lokale Problem im Bein behebt, das Risiko, an einem kardiovaskulären Ereignis zu sterben, nicht zu verändern schien. Dies impliziert, dass die Rettung eines Gliedmaßes und die Rettung eines Lebens vor Herzkrankheiten zwei getrennte Kämpfe sind, und dass das Beheben des einen keinen Sieg im anderen garantiert.

Die Studie befasste sich auch mit einer gängigen Hoffnung in der medizinischen Forschung: dass künstliche Intelligenz völlig neue, verborgene Risikofaktoren entdecken könnte, die Ärzte noch nie in Betracht gezogen haben. In diesem Fall fand der Computer keine geheimen Codes. Die wichtigsten Variablen, die er identifizierte, waren diejenigen, von denen Kliniker bereits wussten, dass sie entscheidend seien. Der Machine-Learning-Ansatz erfand kein neues Wissen; stattdessen bestätigte er, dass das bestehende Verständnis der Gefäßerkrankung robust ist. Er bewies, dass die Muster der Krankheit klar werden, wenn man genügend Daten in einer sauberen, organisierten Form sammelt. Die Tatsache, dass das Modell eine Amputation so gut vorhersagen konnte, deutet darauf hin, dass wir mit den richtigen Daten solche Ergebnisse voraussehen können, zeigt aber auch, dass die Vorhersage des Todes eine viel größere Herausforderung bleibt, weil der menschliche Körper auf so viele verschiedene Arten versagen kann.

Diese Arbeit stellt einen bedeutenden Schritt nach vorn in der Art und Weise dar, wie wir Daten nutzen, um Patienten mit lebensbedrohlichen Zuständen der Extremitäten zu versorgen. Indem sie elektronische Gesundheitsakten in ein Standardformat organisierten und spezifische Details über Gefäßerkrankungen hinzufügten, schufen die Forscher ein Werkzeug, das aus den Erfahrungen von fast 180.000 Menschen lernen kann. Die von ihnen entwickelten Modelle sind nicht perfekt, und sie wurden an Patienten eines einzelnen Gesundheitssystems getestet, was bedeutet, dass sie gegen Daten anderer Krankenhäuser geprüft werden müssen, um sicherzustellen, dass sie überall funktionieren. Dennoch bieten die Ergebnisse einen vielversprechenden Ausblick auf eine Zukunft, in der Ärzte die kollektive Weisheit von Millionen von Patientenakten nutzen können, um bessere, personalisiertere Entscheidungen zu treffen. Für den Patienten, der vor dem Verlust eines Gliedmaßes steht, könnte diese Art von Klarheit den Unterschied zwischen einem Behandlungsplan, der funktioniert, und einem, der es nicht tut, bedeuten – und so eine erschütternde Ungewissheit in einen handhabbaren Weg verwandeln.