CKD: KI-Modelle können Vorhersage der Progression verbessern

In einer neuen Studie nutzten US-Forscher maschinelles Lernen und Deep-Learning-Modelle sowie erklärbare künstliche Intelligenz (KI), um die Prognose des Fortschreitens von Chronischer Nierenkrankheit (CKD) zu terminaler Niereninsuffizienz (ESRD) zu verbessern.

In dieser Studie nutzten die Forscher der Carnegie Mellon University (USA) Daten von mehr als 10.000 CKD-Patienten und kombinierten klinische Daten und Leistungsinformationen aus den Jahren 2009 bis 2018. Sie evaluierten mehrere statistische, maschinelle und Deep-Learning-Modelle anhand von fünf verschiedenen Beobachtungsfenstern. Ihre Arbeit wurde durch erklärbare KI unterstützt, um die Interpretierbarkeit zu verbessern und Verzerrungen zu reduzieren.

Die Ergebnisse wurden im „Journal of the American Medical Informatics Association“ veröffentlicht.

Reduzierung rassistischer Vorurteile

Im Gesamtergebnis zeigte sich, dass die integrierten Datenmodelle der Studie Modelle mit nur einer Datenquelle übertrafen. Ein 24-monatiges Beobachtungsfenster sorgte für ein optimales Gleichgewicht zwischen Früherkennung und Vorhersagegenauigkeit. Die Gleichung zur geschätzten glomerulären Filtrationsrate von 2021 verbesserte die Vorhersagegenauigkeit und reduzierte rassistische Vorurteile, insbesondere bei afroamerikanischen Patienten, berichten die Autoren.

Eine verbesserte Vorhersagegenauigkeit, Interpretierbarkeit und Strategien zur Minderung von Verzerrungen hätten das Potenzial, das CKD-Management zu verbessern, gezielte Interventionen zu unterstützen und Ungleichheiten in der Gesundheitsversorgung zu verringern, betonen die Wissenschaftler. „Unsere Arbeit schließt eine kritische Lücke, indem wir ein Rahmenwerk entwickeln, das integrierte klinische Daten und Leistungsdaten anstelle isolierter Datenquellen nutzt“, kommentiert Co-Autor Yubo Li.

„Unsere Studie präsentiert einen robusten Rahmen für die Vorhersage von ESRD-Ergebnissen und verbessert die klinische Entscheidungsfindung durch integrierte Daten aus mehreren Quellen und fortschrittliche Analytik“, erklärt die Studienleiterin Prof. Rema Padman. Sie fügt hinzu: „Zukünftige Forschung wird die Datenintegration ausbauen und diesen Rahmen auf andere chronische Krankheiten ausweiten.“

Einschränkungen der Studie

Zu den Einschränkungen der Studie zählen laut den Autoren die Abhängigkeit von Daten einer einzigen Institution, die die Übertragbarkeit des Modells auf andere Versorgungsbereiche einschränken könnte. Darüber hinaus könne die Verwendung von Daten aus elektronischen Patientenakten zu Beobachtungsverzerrungen, unvollständigen Aufzeichnungen und einer Unterrepräsentation bestimmter Patientengruppen führen, was sowohl die Genauigkeit als auch die Fairness beeinträchtigen würde.

(ri/BIERMANN)