KI-Tool nur mäßig erfolgreich bei der Vorhersage einer Nieren-Funktionseinschränkung

Forscher von Mass General Brigham Digital, USA, haben in einer neuen Studie festgestellt, dass das KI-Vorhersagemodell Epic Risk of HA-AKI bei der Vorhersage einer Nierenfunktionseinschränkung im Zusammenhang mit einem Krankenhausaufenthalt nur mäßig erfolgreich ist.

Eine im Krankenhaus erworbene Akute Nierenfunktionseinschränkung (HA-AKI) ist eine häufige Komplikation bei Krankenhauspatienten. sie kann zu einer chronischen Nierenkrankheit führen und ist mit längeren Krankenhausaufenthalten, höheren Gesundheitskosten und erhöhter Mortalität verbunden. Angesichts dieser negativen Folgen kann die Prävention von HA-AKI die Behandlungsergebnisse für Krankenhauspatienten verbessern. Aufgrund einer Vielzahl beteiligter Faktoren ist es jedoch schwierig, den Beginn von HA-AKI vorherzusagen.

Die Wissenschaftler testeten ein kommerzielles Tool mit Maschinellem Lernen – das Vorhersagemodell Epic Risk of HA-AKI – und stellten fest, dass es bei der Vorhersage des HA-AKI-Risikos in aufgezeichneten Patientendaten nur mäßig erfolgreich war. Die Studie ergab eine geringere Leistung als bei der üblichen internen Validierung.

Das Epic-Modell bewertet stationäre Kontakte von Erwachsenen auf das Risiko von HA-AKI, das durch einen vordefinierten Anstieg des Serum-Kreatinin-Spiegels gekennzeichnet ist. Nachdem die Forscher das Modell anhand von Daten aus MGB-Krankenhäusern trainiert hatten, testeten sie es anhand der Daten zu fast 40.000 stationären Krankenhausaufenthalten über einen Zeitraum von fünf Monaten zwischen August 2022 und Januar 2023.

Der Datensatz war umfangreich und enthielt viele Punkte, die zu Patientenkontakten gesammelt wurden, darunter Informationen wie z B. Patientendaten, Komorbiditäten, Hauptdiagnosen, Serum-Kreatinin-Spiegel und Dauer des Krankenhausaufenthalts. Es wurden zwei Analysen durchgeführt, die die Modellleistung auf Kontakt- und Vorhersageebene untersuchten.

Die Forscher stellten fest, dass das Tool bei der Beurteilung von Patienten mit geringerem HA-AKI-Risiko zuverlässiger war. Obwohl das Modell sicher identifizieren konnte, welche Patienten mit geringem Risiko kein HA-AKI entwickeln würden, war es schwierig vorherzusagen, wann Patienten mit höherem Risiko HA-AKI entwickeln könnten.

Die Ergebnisse variierten auch je nach bewertetem Stadium des HA-AKI – die Vorhersagen waren für HA-AKI im Stadium 1 erfolgreicher als für schwerere Fälle. Die Autoren kamen insgesamt zu dem Schluss, dass die Implementierung zu hohen Falsch-Positiv-Raten führen könnte, und forderten eine weitere Untersuchung der klinischen Auswirkungen des Tools.

„Wir haben herausgefunden, dass das Epic-Vorhersagemodell besser dazu geeignet ist, Patienten mit geringem Risiko auszuschließen, als Patienten mit hohem Risiko zu identifizieren“, erläutert der leitende Studienautor Sayon Dutta vom klinischen Informatikteam des MGB. Er fügt hinzu: „Die Identifizierung des HA-AKI-Risikos mithilfe von Vorhersagemodellen könnte dabei helfen, klinische Entscheidungen zu unterstützen, indem beispielsweise Ärzte vor der Bestellung nephrotoxischer Medikamente gewarnt werden. Vor der klinischen Implementierung sind jedoch weitere Studien erforderlich.“