Machine Learning and Large Language Models for Maternal Cardiometabolic Risk Prediction Across Harmonised Public Pregnancy Datasets

Schwangerschaft ist ein tiefgreifendes physiologisches Ereignis, das als strenger Belastungstest für das Herz und den Stoffwechsel einer Frau fungiert. Während dieser neun Monate muss der Körper ein erhöhtes Blutvolumen, schwankende Hormonspiegel und die metabolischen Anforderungen eines wachsenden Fötus bewältigen. Für viele verläuft dieser Prozess reibungslos, doch für andere offenbart er zugrunde liegende Schwachstellen. Zustände wie Bluthochdruck, unregelmäßiger Blutzucker und ein niedriger Eisenwert im Blut können entstehen oder sich verschlimmern und ein komplexes Geflecht von Risiken schaffen, die sowohl die Mutter als auch das Baby gefährden. Diese Komplikationen sind keine isolierten Ereignisse; sie sind oft miteinander verknüpft, und ihr Vorhandensein kann auf eine höhere Wahrscheinlichkeit für schwierige Geburten, Frühgeburten oder langfristige Gesundheitsprobleme der Mutter zu einem späteren Zeitpunkt im Leben hindeuten. Die frühzeitige Identifizierung dieser Risiken ermöglicht es Ärzten, einzugreifen, genauer zu überwachen und die Versorgung maßgeschneidert anzupassen, um schwerwiegende Folgen zu verhindern.

Seit Jahrzehnten verlassen sich Mediziner auf spezifische Schwellenwerte und individuelle Indikatoren, um diese Gefahren aufzuspüren. Ein Blutdruckwert über einer bestimmten Zahl oder ein Glukosespiegel außerhalb eines Normalbereichs löst eine Warnung aus. Der menschliche Körper folgt jedoch nicht immer einfachen, linearen Regeln. Das Zusammenspiel zwischen dem Alter einer Frau, ihrer Gewichtszunahme, ihrer Vorgeschichte früherer Schwangerschaften und ihren aktuellen Vitalzeichen erzeugt ein Muster, das mit einer einfachen Checkliste nur schwer zu erfassen ist. Diese Komplexität hat Forscher dazu veranlasst zu untersuchen, ob Computer lernen können, diese subtilen, nicht-linearen Muster besser zu erkennen als traditionelle Methoden. Die Hoffnung ist, dass Maschinen durch die Einspeisung riesiger Mengen klinischer Daten lernen könnten, wer am stärksten gefährdet ist, noch bevor Symptome offensichtlich werden.

Eine aktuelle Studie setzte diese Idee mit zwei verschiedenen Ansätzen um: traditionelles maschinelles Lernen und die neueren, konversationsfähigen Large Language Models (große Sprachmodelle). Die Forscher begannen damit, Daten aus zwei öffentlich zugänglichen Sammlungen von mütterlichen Gesundheitsakten zu sammeln. Ein Datensatz enthielt allgemeine Informationen über schwangere Frauen, während der andere sich spezifisch auf eine Erkrankung namens Präeklampsie konzentrierte, eine schwere Störung, die mit hohem Blutdruck einhergeht. Um diese zwei unterschiedlichen Quellen zusammenzuführen, musste das Team ihre Variablen in eine gemeinsame Sprache übersetzen. Sie glichen Messwerte wie Blutdruck, Hämoglobinwerte und Gestationsalter ab, sodass ein Wert im einen Datensatz dasselbe bedeutete wie im anderen. Sie standardisierten auch die Risiko-Labels, indem sie Frauen basierend auf ihren bestehenden medizinischen Unterlagen in niedrig-, mittel- und hochriskante Kategorien einteilten.

Die erste Phase der Forschung bestand darin, eine Reihe von Computermodellen auf dem ersten Datensatz zu trainieren. Diese Modelle hatten die Aufgabe, das klinische Profil einer Frau zu analysieren und ihre Risikokategorie vorherzusagen. Die Forscher testeten mehrere verschiedene Arten von Algorithmen, einschließlich Entscheidungsbäumen und Support-Vektor-Maschinen, um zu sehen, welches Modell die Muster am effektivsten erlernt. Ein Modell, bekannt als HistGradientBoosting, erwies sich als der stärkste Performer. In Tests gegen die Daten, die es gelernt hatte, identifizierte es das Risikoniveau in fast 8-8 Prozent der Fälle korrekt. Es zeigte eine starke interne Diskriminierung bei der Trennung von Hochrisikopatientinnen vom Rest, mit einer Area Under the Receiver Operating Characteristic Curve von 0,989 und einer Area Under the Precision-Recall Curve von etwa 0,974. Das Modell identifizierte auch, welche Faktoren am wichtigsten waren, wobei es hervorhob, dass die Entfernung zu einem Krankenhaus, der Blutzuckerspiegel und die Gewichtszunahme während der Schwangerschaft die entscheidenden Treiber seiner Entscheidungen waren.

Der wahre Test für jedes medizinische Vorhersagewerkzeug ist jedoch nicht, wie gut es mit den Daten funktioniert, mit denen es trainiert wurde, sondern wie gut es mit neuen, ungesehenen Daten funktioniert. Hier nahm die Studie eine entscheidende Wendung. Die Forscher nahmen ihr leistungsfähigstes Modell und wandten es direkt auf den zweiten Datensatz an, der aus einer anderen Quelle stammte und andere Patientinnen enthielt. Sie trainierten das Modell nicht neu oder passten seine Einstellungen an; sie baten es lediglich, Vorhersagen basierend auf den sechs Variablen zu treffen, die beide Datensätze gemeinsam hatten. Die Ergebnisse waren drastisch anders. Die Genauigkeit des Modells sank signifikant und klassifizierte nur etwa 39 Prozent der Fälle korrekt. Beunruhigender war, dass es eine einzige hochriskante Frau in dieser neuen Gruppe nicht identifizieren konnte. Stattdessen stufte es alle 26 Hochrisikofälle als niedrig- oder mittelriskant ein. Dieses Scheitern deutete darauf hin, dass die Muster, die das Modell gelernt hatte, spezifisch für die erste Patientengruppe waren und sich nicht auf die zweite übertragen ließen, wahrscheinlich weil sich die beiden Gruppen in grundlegenden Punkten unterschieden, wie etwa dem Durchschnittsalter der Mütter oder dem Zeitpunkt ihrer Blutuntersuchungen.

In dem Bewusstsein, dass traditionelle Modelle mit diesem Mangel an Generalisierbarkeit kämpfen könnten, wandten sich die Forscher an Large Language Models. Dies sind dieselben Arten von künstlicher Intelligenz, die Aufsätze schreiben, Fragen beantworten und Gespräche führen können. Das Team wandelte die strukturierten medizinischen Aufzeichnungen in einfache englische Narrative um, die die Geschichte jeder Patientin und ihren aktuellen Zustand in einigen Sätzen beschrieben. Dann baten sie zwei verschiedene Sprachmodelle, DeepSeek und Qwen, diese Erzählungen zu lesen und das Risikoniveau vorherzusagen. Sie probierten verschiedene Methoden des Promptings aus, einschließlich der Methode, den Modellen Beispiele dafür zu geben, wie man ähnliche Probleme löst, bevor man sie nach der Lösung eines neuen Problems fragt. Die leistungsfähigste Konfiguration, die einen speziellen Reasoning-Prompt verwendete, konnte das Risikoniveau für etwa 58 Prozent der Fälle korrekt identifizieren. Obwohl dies besser war als die Leistung des traditionellen Modells auf den neuen Daten, war es dennoch weit von Perfektion entfernt. Das Modell zeigte eine klare Verzerrung: Es identifizierte erfolgreich alle vier Hochrisikofälle in der kleinen Testgruppe, versäumte es jedoch, die Niedrigrisikofälle zu identifizieren, und nahm im Wesentlichen an, dass jeder zumindest ein gewisses Risiko trage.

Die Forscher untersuchten auch, wie diese verschiedenen Systeme ihre Entscheidungen erklärten. Sie verglichen die Faktoren, die das traditionelle maschinelle Lernmodell als wichtig erachtete, mit den Schlüsselwörtern, die die Sprachmodelle in ihren schriftlichen Erklärungen verwendeten. Beide Systeme stimmten darin überein, dass Blutdruck, Blutzucker und Hämoglobinwerte kritische Indikatoren für das Risiko sind. Sie gingen jedoch bei anderen Faktoren auseinander. Das traditionelle Modell legte ein erhebliches Gewicht darauf, wie weit eine Patientin von einem Krankenhaus entfernt lebte und wie viel Gewicht sie zugenommen hatte, da dies starke statistische Signale in den Daten waren. Die Sprachmodelle hingegen erwähnten diese logistischen und physischen Faktoren selten. Stattdessen konzentrierten sie sich stärker auf die medizinische Vorgeschichte einer Patientin und frühere Komplikationen, wobei sie auf das in ihrem Training eingebettete klinische Wissen zurückgriffen. Dieser Unterschied verdeutlicht die Lücke zwischen dem, was die Daten statistisch suggerieren, und dem, was die Modelle klinisch plausibel finden.

Die Studie kommt zu dem Schluss, dass diese Werkzeuge zwar vielversprechend sind, aber noch nicht bereit für den klinischen Einsatz sind. Das traditionelle Modell des maschinellen Lernens funktionierte gut in der Umgebung, für die es gebaut wurde, konnte sich jedoch nicht an eine neue Population anpassen – eine häufige Hürde in der medizinischen künstlichen Intelligenz. Die Large Language Models zeigten die Fähigkeit, Fallnotizen zu lesen und menschenlesbare Erklärungen zu generieren, aber ihre Vorhersagen waren instabil und anfällig für Bias. Die Forscher betonen, dass der Wert dieser Arbeit nicht darin liegt, einen einzelnen perfekten Prädiktor zu produzieren, sondern darin, die Schwierigkeit aufzuzeigen, ein Modell von einem Datensatz auf einen anderen zu übertragen. Sie legen nahe, dass diese Technologien erst dann in realen Krankenhäusern nützlich werden können, wenn sie an viel größeren, vielfältigeren Patientengruppen getestet und gegen tatsächliche Gesundheitsergebnisse statt nur gegen bestehende Labels validiert werden. Bis dahin bleiben diese Systeme experimentelle Werkzeuge, die Informationen organisieren und Möglichkeiten aufzeigen können, aber den Urteilskraft eines Klinikers noch nicht ersetzen können.