Statistical learning and prediction of diseases associated with the occurrence of death in the emergency department: An observational study on administrative data from Saint Joseph Hospital in Kinshasa-DRC

Stellen Sie sich vor, Sie betreten einen geschäftigen, chaotischen Bahnhof. Menschen eilen aus allen Richtungen herein, einige mit einem verstauchten Knöchel, andere halten sich die Brust, und manche wirken völlig orientierungslos. Die Aufgabe des Bahnhofsmanagers besteht darin, herauszufinden, wer sofortige Hilfe benötigt und wer warten kann, während er gleichzeitig versucht vorherzusagen, wer es aus dem Bahnhof nicht lebend heraus schaffen wird. Dies ist genau das, was in der Notaufnahme eines Krankenhauses passiert. Es ist die Eingangstür zur Gesundheitsversorgung, ein Ort, an dem Leben und Tod oft in der Schwebe liegen.

Lange Zeit haben Ärzte versucht zu erraten, welche Patienten in der größten Gefahr schweben. Sie nutzen Werkzeuge wie Checklisten oder ihre eigene Erfahrung, ähnlich wie ein Wettervorhersager, der in die Wolken schaut, um einen Sturm vorherzusagen. Aber manchmal sind die Wolken tückisch, und der Sturm schlägt zu, wenn niemand es erwartet hat. Hier kommt das „statistische Lernen“ ins Spiel. Stellen Sie sich das wie das Geben eines superintelligenten Computergehirns an den Wettervorhersager vor. Anstatt nur auf ein paar Wolken zu schauen, betrachtet dieses Computergehirn tausende vergangener Stürme, lernt die Muster und findet heraus, welche spezifischen Kombinationen von Wetterbedingungen normalerweise zu einer Katastrophe führen. In der Welt der Medizin bedeutet dies, einen Computer mit Daten über vergangene Patienten zu füttern – was sie krank gemacht hat, wie alt sie waren und was mit ihnen geschah –, um zu sehen, ob der Computer die verborgenen Muster erkennen kann, die zum Tod führen, Muster, die ein Mensch vielleicht übersehen würde.

---

Das große Experiment im Saint Joseph Hospital

In der Demokratischen Republik Kongo, an einem Ort namens Saint Joseph Hospital in Kinshasa, beschloss ein Forscherteam, diesen „superintelligenten Computergehirn“ einen Blick auf ihre Notaufnahme zu werfen. Sie wollten wissen: Von all den verschiedenen Krankheiten, mit denen die Menschen zu ihnen kommen, welche sind die größten Warnsignale für den Tod?

Sie haben nicht einfach nur geraten; sie sind in die Vergangenheit gereist. Sie durchforsteten die Papierakten von 5.172 Patienten, die zwischen dem 1. Januar 2018 und dem 31. Dezember 2019 die Notaufnahme aufsuchten. Es war wie das Betrachten eines riesigen Fotoalbums mit über 5.000 Geschichten. Sie notierten das Alter des Patienten, das Geschlecht, wie viele Probleme gleichzeitig vorlagen und, am wichtigsten, ob sie überlebten oder verstarben. In dieser Gruppe überlebten etwa 7,5 % der Menschen ihren Besuch nicht.

Den Computer das Sehen lehren

Die Forscher hatten ein Problem: Die Ärzte hatten über tausend verschiedene Arten aufgeschrieben, um Krankheiten zu beschreiben! Ein Arzt schreibt vielleicht „schlechte Bauchschmerzen“, während ein anderer „chirurgisches Abdomen“ schreibt. Um das Sinn zu geben, agierte das Team wie ein Bibliothekar, der ein unordentliches Bücherregal sortiert. Sie gruppierten all diese tausenden chaotischen Beschreibungen in 19 ordentliche Kategorien, wie zum Beispiel „Krebs“, „Malaria“, „Schock“ oder „Gehirnverletzungen“.

Dann teilten sie ihre Daten in zwei Stapel auf. Sie gaben 70 % der Geschichten dem Computer zum Studieren (den „Trainingsdatensatz“) und hielten die anderen 30 % verborgen (den „Testdatensatz“). Sie baten den Computer, sechs verschiedene Arten des Lernens auszuprobieren, so als würde man sechs verschiedene Lernmethoden testen, um zu sehen, welche die besten Noten erzielt.

Die Ergebnisse: Wer gewann das Rennen?

Der Computer probierte sechs verschiedene „Lernstile“ aus:

1. ElasticNet (eine Methode, die verschiedene Hinweise ausbalanciert)
2. Logistische Regression (eine klassische mathematische Methode)
3. Neuronale Netze (die das menschliche Gehirn nachahmen)
4. xGBoost (eine leistungsstarke Boosting-Methode)
5. Entscheidungsbäume (das Treffen von Ja/Nein-Entscheidungen wie in einem Flussdiagramm)
6. Random Forest (eine ganze Menge von Entscheidungsbäumen, die zusammenarbeiten)

Als sie diese Methoden an den verborgenen 30 % der Patienten testeten, waren die Ergebnisse eindeutig. Vier der Modelle machten einen ziemlich guten Job, aber zwei von ihnen stolperten schwer. Die Modelle Decision Trees (Entscheidungsbäume) und Random Forest waren wie Schüler, die vergessen hatten zu lernen; sie schnitten so schlecht ab, dass sie kaum besser waren als ein Münzwurf.

Die Gewinner waren ElasticNet, Logistische Regression, Neuronale Netze und xGBoost. Unter ihnen war ElasticNet der Champion und erzielte die höchste „Genauigkeit“ (technisch gesehen einen AUC von 0,736). Dieser Wert deutet darauf hin, dass das Modell recht gut darin ist, zwischen Patienten, die überleben werden, und jenen, die nicht überleben werden, zu unterscheiden, auch wenn es nicht perfekt ist.

Die sechs wichtigsten Warnsignale

Was hat also das gewinnende Computergehirn gelernt? Es identifizierte die sechs spezifischen Arten von Krankheiten, die am stärksten mit dem Tod in diesem Krankenhaus verknüpft waren. Wenn Sie ein Arzt am Saint Joseph Hospital wären, sind dies die sechs Zustände, bei denen Sie den „Alarmknopf“ drücken sollten:

1. Schockzustände: Wenn die Systeme des Körpers zusammenbrechen (wie ein Automotor, der überhitzt und den Geist aufgibt).
2. Sepsis: Eine schwere, den ganzen Körper betreffende Infektion.
3. Tuberkulose oder Lungenerkrankungen: Probleme mit der Atmung und der Lunge.
4. Koma: Ein Zustand tiefer Bewusstlosigkeit.
5. Meningoenzephalitis: Entzündung des Gehirns und seiner Hüllen.
6. Krebs: Tumore und verwandte Krankheiten.

Interessanterweise fand der Computer auch, dass Malaria, die in diesem Teil der Welt sehr verbreitet ist, das siebte wichtigste Vorzeichen war, obwohl traditionelle mathematische Methoden sie nicht für so wichtig hielten. Er bemerkte auch, dass „andere Traumata“ (wie Autounfälle und Stürze) signifikant waren, wahrscheinlich weil das Krankenhaus direkt neben einer belebten Straße liegt, die zum Flughafen führt.

Was dies bedeutet (und was es nicht bedeutet)

Die Forscher sind vorsichtig zu betonen, dass dies kein Zauberstab ist, der alles löst. Sie geben zu, dass ihre Studie Grenzen hat. Sie haben nur ein einziges Krankenhaus betrachtet, daher können wir nicht zu 100 % sicher sein, dass diese exakten Regeln für jedes Krankenhaus der Welt gelten. Zudem wurden, da sie alte Papierakten verwendeten, einige Informationen von verschiedenen Ärzten möglicherweise etwas unterschiedlich aufgeschrieben, was den Computer ein wenig verwirrt haben könnte. Der Computer hatte auch Schwierigkeiten, die seltenen Fälle vorherzusagen, in denen Menschen starben, indem er oft „überlebt“ vorhersagte, um auf Nummer sicher zu gehen – ein häufiges Problem, wenn der Tod ein seltenes Ereignis ist.

Dennoch legt die Studie nahe, dass die Verwendung dieser statistischen Lernwerkzeuge Ärzten und Krankenhausmanagern helfen kann, bessere Entscheidungen zu treffen. Indem sie wissen, dass Schock, Sepsis und Lungenprobleme die Haupttöter sind, kann das Krankenhaus seine begrenzten Ressourcen darauf konzentrieren, diese Patienten besonders genau zu überwachen. Es ist wie ein intelligentes Alarmsystem, das einem genau sagt, welche Türen man zuerst abschließen muss, wenn ein Sturm aufzieht. Die Autoren hoffen, dass weitere Studien in der Zukunft diese Ergebnisse bestätigen und Ärzten in Regionen mit weniger Ressourcen helfen werden, mehr Leben zu retten.