Development and Validation of a Machine Learning Model for Predicting Pulmonary Embolism Using Routine Clinical Features

Eine Lungenembolie ist eine plötzliche, lebensbedrohliche Blockade in der Lunge, die meist durch ein Blutgerinnsel verursacht wird, das aus den Beinen aufgestiegen ist. Sie ist ein stiller Killer, da ihre Symptome, wie etwa Kurzatmigkeit oder Brustschmerzen, exakt wie viele andere, weniger gefährliche Zustände aussehen. Diese Mehrdeutigkeit schafft ein schwieriges Dilemma für Ärzte in Notaufnahmen. Um auf Nummer sicher zu gehen, ordnen sie oft eine spezialisierte CT-Untersuchung an, die Strahlung und Kontrastmittel verwendet, um direkt in die Lungenarterien zu blicken. Während diese Untersuchung der Goldstandard für das Finden eines Gerinnsels ist, setzt sie Patienten Strahlung aus, kann die Nieren belasten und ist teuer. Wenn Ärzte zu viele dieser Scans anordnen, wird das Gesundheitssystem überlastet und Patienten sind unnötigen Risiken ausgesetzt. Wenn sie zu wenige anordnen, könnten sie ein tödliches Gerinnsel übersehen. Jahrzehntelang haben Ärzte versucht, dies durch einfache Checklisten zu lösen, die Faktoren wie Alter, kürzliche Operationen oder Beinschwellungen abwägen, um zu schätzen, wer eine Untersuchung benötigt. Diese Checklisten sind jedoch starr und übersehen oft die komplexen Arten und Weise, wie verschiedene Risikofaktoren miteinander interagieren.

In einer kürzlich durchgeführten Studie am Sir Run Run Shaw Hospital in China setzten sich Forscher zum Ziel, einen klügeren Weg zur Sortierung von Patienten zu entwickeln. Sie wandten sich dem maschinellen Lernen zu, einer Art Computerprogramm, das lernt, Muster zu erkennen, indem es riesige Mengen vergangener Krankenakten studiert, anstatt einem festen Satz von Regeln zu folgen. Das Team wollte ein Werkzeug schaffen, das nicht nur genau, sondern auch einfach genug für den Einsatz in einer geschäftigen Notaufnahme ist, wobei es sich nur auf Informationen stützt, die routinemäßig verfügbar sind, wenn ein Patient durch die Tür tritt. Sie sammelten Daten von 519 Erwachsenen, bei denen der Verdacht auf eine Lungenembolie bestand. Für jede Person erfassten sie grundlegende Details wie Alter, Vitalparameter und ob eine Krebsgeschichte oder hoher Cholesterinspiegel vorlag, zusammen mit einer Messung des Beinumfangs, um Schwellungen zu prüfen. Dann nutzten sie einen Computer-Algorithmus, um diese Informationen zu durchsieben und die spezifische Kombination von Faktoren zu identifizieren, die am aussagekräftigsten war.

Die Forscher testeten drei verschiedene Methoden des maschinellen Lernens, um zu sehen, welche die Anwesenheit eines Gerinnsels am besten vorhersagen konnte. Eine Methode war eine statistische Technik, die Daten vereinfacht, indem sie weniger wichtige Faktoren entfernt, während die anderen beiden fortschrittlichere Systeme waren, die in der Lage sind, subtile, nicht-lineare Verbindungen zwischen Variablen zu finden. Nachdem sie diese Systeme mit 7or prozent ihrer Patientendaten trainiert hatten, testeten sie sie an den verbleibenden 30 Prozent, die der Computer zuvor noch nie gesehen hatte. Die Ergebnisse zeigten, dass die fortschrittlichste Methode, bekannt als XGBoost, genauso gut wie die einfachere statistische Methode abschnitt und die Anwesenheit oder Abwesenheit eines Gerinnsels etwa 76 Prozent der Zeit korrekt identifizierte. Bei einer spezifischen Einstellung, die gewählt wurde, um ein Gleichgewicht zwischen dem Erfassen möglichst vieler realer Fälle und der Vermeidung von Fehlalarmen zu finden, identifizierte das Modell 74 Prozent der Patienten, die tatsächlich eine Lungenembolie hatten, korrekt. Es schloss die Bedingung auch bei zwei Dritteln der Patienten, die sie nicht hatten, korrekt aus. Dieses Maß an Genauigkeit deutet darauf heavy hin, dass das Werkzeug Ärzten helfen könnte zu entscheiden, welche Patienten wirklich eine CT-Untersuchung benötigen und welche Patienten sicher beobachtet werden können, ohne Strahlung auszusetzen.

Um sicherzustellen, dass der Computer nicht nur rät, verwendeten die Forscher eine Technik namens SHAP, um die „Black Box“ des Algorithmus zu öffnen und genau zu sehen, wie er seine Entscheidungen traf. Diese Analyse ergab, dass der Computer sehr genau auf die logischsten Hinweise achtete. Der wichtigste Einzelfaktor, den das Modell nutzte, war der Umfang des Patientenbeins; ein geschwollenes Bein, das auf ein mögliches Blutgerinnsel im Bein hindeutet, war das stärkste Signal dafür, dass ein Gerinnsel in die Lunge gelangt sein könnte. Der zweitwichtigste Faktor war der Spiegel einer Substanz im Blut namens D-Dimer, die ansteigt, wenn der Körper versucht, ein Gerinnsel abzubauen. Der dritterichtigste Hinweis war eine Krebsgeschichte. Interessanterweise stellte das Modell auch fest, dass Patienten, die immobil waren oder einen hohen Cholesterinspiegel hatten, einem Risiko ausgesetzt waren, obwohl die Beziehung zur Immobilität komplex war und eine sorgfältige Interpretation erforderte. Durch die Konzentration auf diese acht routinemäßigen Merkmale demonstrierte das Modell, dass eine anspruchsvolle Vorhersage getroffen werden konnte, ohne dass seltene oder schwer zu beschaffende medizinische Tests nötig waren.

Die Autoren weisen vorsichtig darauf hin, dass ihre Arbeit ein Ausgangspunkt und keine endgültige Lösung ist. Die Studie wurde an einem einzigen großen Krankenhaus durchgeführt, das viele Hochrisikopatienten sieht, was bedeutet, dass die Gruppe, die sie untersucht haben, eine viel höhere Rate an Lungenembolien aufwies als die Allgemeinbevölkerung. Aufgrund dessen könnte das Modell in einer kleineren Gemeinschaftsklinik, in der weniger Menschen tatsächlich an der Krankheit leiden, anders reagieren. Die Forscher betonen, dass ihr Werkzeug dazu gedacht ist, das Urteil eines Arztes zu unterstützen, nicht es zu ersetzen. Es soll dazu dienen, Patienten zu triagieren, wodurch potenziell viele vor unnötigen Scans bewahrt werden, während gleichzeitig sichergestellt wird, dass die gefährlichsten Fälle schnell erfasst werden. Bevor dieses System in Krankenhäusern weltweit eingesetzt werden kann, muss es an einer viel breiteren und vielfältigeren Gruppe von Menschen getestet werden, um zu beweisen, dass es überall zuverlässig funktioniert. Für den Moment bietet die Studie einen vielversprechenden Ausblick darauf, wie einfache, alltägliche klinische Beobachtungen, analysiert durch moderne Computer, die Notfallversorgung eines Tages für alle sicherer und effizienter machen könnten.