Construction of a Retinopathy of Prematurity Onset Prediction Model Using the Random Forest Machine Learning Algorithm

Jedes Jahr stehen tausende Babys, die zu früh geboren werden, vor einer stillen Bedrohung für ihr Sehvermögen. Dieser Zustand, bekannt als Retinopathie der Frühgeborenen, ist eine Erkrankung, bei der sich die Blutgefäße im hinteren Teil des Auges nicht korrekt entwickeln. Da diese Säuglinge geboren wurden, bevor ihre Augen voll ausgebildet waren, kann das empfindliche Netzwerk von Gefäßen, das später das Blut zur Netzhaut transportieren soll, aufhören zu wachsen oder auf chaotische, schädigende Weise wachsen. Wenn dies unkontrolliert bleibt, kann dieses abnormale Wachstum die Netzhaut von der Rückwand des Auges wegziehen, was zu dauerhafter Blindheit führt. Das Zeitfenster zur Prävention ist eng; Ärzte müssen identifizieren, welche Babys gefährdet sind, und sie behandeln, bevor der Schaden irreversibel wird. Die derzeitige Praxis jedoch, jedes Frühgeborene auf diese Erkrankung zu untersuchen, stellt eine enorme Belastung dar. Die meisten dieser Säuglinge werden die Krankheit niemals entwickeln, dennoch müssen sie sich wiederholten, oft stressigen Augenuntersuchungen unterziehen, die medizinische Ressourcen verbrauchen und bei den Familien Angst auslösen. Die Herausforderung für die Ärzte besteht darin, einen Weg zu finden, um zwischen den wenigen, die wirklich eine Intervention benötigen, und den vielen, die sie nicht benötigen, zu unterscheiden, ohne dabei auch nur einen einzigen Fall zu übersehen.

Um dieses Rätsel zu lösen, wandten Forscher in Guangxi, China, ein mächtiges Werkzeug aus der Welt der Informatik an: einen Machine-Learning-Algorithmus namens Random Forest. Anstatt sich auf eine einzige Regel oder eine einfache Checkliste zu verlassen, ahmt dieser Ansatz die Art und Weise nach, wie eine Gruppe von Experten über eine Diagnose debattieren würde, indem er viele verschiedene Informationen kombelt, um zu einem zuverlässigeren Ergebnis zu gelangen. Das Team unter der Leitung von Yong Yang und Minli Huang setzte sich zum Ziel, ein Modell zu entwickeln und zu testen, das vorhersagen kann, welche Frühgeborenen eine Retinopathie der Frühgeborenen entwickeln würden, basierend auf ihrer medizinischen Vorgeschichte. Sie sammelten Daten von 150 Babys, die zwischen Januar und September 2024 in einem örtlichen Krankenhaus untersucht worden waren. Jedes Kind in dieser Gruppe war zu früh geboren, hatte ein niedriges Geburtsgewicht oder andere schwerwiegende gesundheitliche Komplikationen, die es gefährdeten. Die Forscher überprüften sorgfältig die elektronischen Krankenakten dieser Kinder und suchten nach Mustern in ihren frühen Lebensphasen, die auf Probleme für ihre Augen hindeuten könnten.

Die Forscher begannen mit einer langen Liste von sechsundvierzig potenziellen Warnzeichen, die von der Gesundheit der Mutter während der Schwangerschaft bis hin zu den spezifischen Behandlungen reichten, die das Baby nach der Geburt erhielt. Sie speisten diese Informationen in fünf verschiedene Computermodelle ein, von denen jedes darauf ausgelegt war, die wichtigsten Hinweise zu finden. Das Ziel war es, die Faktoren zu finden, bei denen sich alle Modelle einig waren, dass sie entscheidend seien. Nach der Auswertung der Zahlen identifizierte der Computer neun Schlüsselprädiktoren, die konsistent über die verschiedenen Methoden hinweg auftauchten. Diese umfassten das Gestationsalter des Babys und das Geburtsgewicht, die Anwendung von Sauerstofftherapie und die spezifische Sauerstoffkonzentration, die verabreicht wurde, sowie das Vorhandensein von Zuständen wie Anämie, Atemnot und einer schweren Darminfektion, die als nekrotisierende Enterokolitis bekannt ist. Die Liste enthielt auch, ob das Baby durch In-vitro-Fertilisation gezeugt wurde und ob während des Krankenhausaufenthalts Antibiotika verwendet wurden. Durch die Konzentration auf diese neun spezifischen Details verengten die Forscher die riesige Menge an medizinischen Daten auf die wirksamsten Signale.

Mit diesen neun Faktoren in der Hand konstruierte das Team sein Vorhersagemodell und testete es gegen die Realwelt-Daten der 150 Babys. Die Ergebnisse waren vielversprechend. Das Modell erwies sich als äußerst effektiv darin, die Babys zu identifizieren, die nicht an der Krankheit erkrankten, indem es fast alle von ihnen korrekt als risikoarm einstufte. Tatsächlich bestätigte die Studie, dass keines der 135 Frühgeborenen, die keine ROP entwickelten, vom Modell übersehen wurde. Es sagte auch den Beginn der Erkrankung in der Mehrheit der Fälle, in denen sie auftrat, erfolgreich voraus. Die Genauigkeit des Computers bei der Unterscheidung zwischen gesunden Augen und solchen, die eine Erkrankung entwickeln, war stark, mit einem Leistungswert, der darauf hindeutete, dass es ein zuverlässiges Werkzeug ist. Die Studie zeigte, dass das Modell durch die Verwendung dieser neun spezifischen medizinischen Indikatoren die Daten mit einem hohen Maß an Zuversicht sortieren konnte, was darauf hindeutet, dass es Ärzten helfen könnte, zu entscheiden, welche Babys die dringendste Aufmerksamkeit benötigen und welche möglicherweise keine so häufigen, intensiven Untersuchungen erfordern.

Die Ergebnisse bieten eine neue Sichtweise auf die komplexe Biologie der Frühgeburt. Die Studie bestätigte, dass die signifikantesten Risiken mit der Unreife des Körpers des Säuglings und den Interventionen verknüpft sind, die notwendig sind, um ihn am Leben zu erhalten. Beispielsweise kann der Bedarf an hohen Sauerstoffkonzentrationen, obwohl er lebensrettend für die Lungen ist, schädlich für die sich entwickelnden Blutgefäße im Auge sein. Ähnlich verhält es sich mit Zuständen, die Entzündungen oder Stress im Körper verursachen, wie etwa schwere Infektionen oder Atembeschwerden, die offenbar eng mit der Entwicklung von Augenproblemen verknüpft sind. Das Modell rätte nicht einfach nur; es lernte aus den tatsächlichen Ergebnissen von 150 echten Patienten und fand heraus, dass Babys, die die Erkrankung entwickelten, im Allgemeinen kleiner waren, früher geboren wurden und schwerere medizinische Verläufe hatten als diejenigen, die es nicht taten. Diese Verbindung zwischen dem allgemeinen Überlebenskampf des Körpers und der spezifischen Gesundheit der Augen liefert ein klareres Bild davon, wer am verwundbarsten ist.

Obwohl das Modell großes Potenzial zeigte, merkten die Forscher an, dass es keine perfekte Kristallkugel ist. In ihren Tests war das System extrem gut darin, die Krankheit bei gesunden Babys auszuschließen, wobei es alle 135 Säuglinge, die die Erkrankung nicht entwickelten, korrekt identifizierte. Das Modell sah sich jedoch einer Einschränkung gegenüber, nämlich bei der Vorhersage, welche der mit ROP diagnostizierten Säuglinge keine weiteren Untersuchungen benötigen würden, da seine Sensitivität bei der Erkennung des spezifischen Auftretens in der kleineren Gruppe der Betroffenen geringer war. Dies ist eine entscheidende Unterscheidung in der Medizin; es ist oft sicherer, ein paar potenzielle Fälle zu übersehen und sie später zu behandeln, als viele gesunde Familien fälschlicherweise in Alarmbereitschaft zu versetzen. Die Studie legt nahe, dass dieses Werkzeug Ärzten helfen könnte, ihre Screening-Bemühungen zu priorisieren, um sicherzustellen, dass die am stärksten gefährdeten Säuglinge zuerst untersucht werden. Es ersetzt nicht die Notwendigkeit einer sorgfältigen Untersuchung durch einen Arzt, aber es bietet einen datengestützten Weg, um die Pflege zu organisieren und die Anzahl unnötiger Eingriffe zu reduzieren. Durch die Konzentration auf die neun identifizierten spezifischen Faktoren können medizinische Teams den Verlauf der Gesundheit eines Frühgeborenen besser verstehen und fundiertere Entscheidungen zum Schutz ihres Sehvermögens treffen.