Künstliche Intelligenz zur Vorhersage des Überlebens bei kontinuierlicher Nierenersatztherapie

Eine US-Forschungsgruppe hat ein maschinelles Lernmodell entwickelt, das mit hoher Genauigkeit das kurzfristige Überleben von Dialysepatienten mit kontinuierlicher Nierenersatztherapie (CRRT) vorhersagen kann.

Die CRRT kommt bei Patienten mit akutem Nierenversagen zum Einsatz, insbesondere bei kritisch kranken Patienten auf Intensivstationen. Das kontinuierlich angewandte Verfahren ist zwar insgesamt schonender für hämodynamisch instabile Patienten, dennoch überlebt etwa die Hälfte der Erwachsenen, bei denen die CRRT begonnen wird, nicht, da die Betroffenen oft so schwer erkrankt sind, dass für sie bereits im Vorhinein keine Überlebenschance mehr bestanden hätte. „Die CRRT wird oft als letzter Ausweg eingesetzt, aber viele Patienten überleben sie nicht, was zu verschwendeten medizinischen Ressourcen und falscher Hoffnung für die Familien führt“, kommentiert Hauptstudienautor Dr. Ira Kurtz, Leiter der Abteilung für Nephrologie an der University of California, Los Angeles (UCLA, USA).

Auf Basis von knapp 9000 elektronischen Patientenakten haben die Wissenschaftler um Kurtz nun ein maschinelles Lernmodell entwickelt, um die Überlebenschancen für CRRT-Kandidaten vorherzusagen und Ärzte bei der Entscheidungsfindung zu unterstützen, ob ein Patient mit der Therapie beginnen sollte. Damit unterscheidet es sich von bestehenden Modellen, die die Sterblichkeit im Krankenhaus vorhersagen, sobald die CRRT begonnen wurde. Ihre Ergebnisse präsentieren Kurtz und Kollegen in „Nature Communications“.

Sie verwendeten einen Längsschnittdatensatz von Patienten, die an der UCLA und am Cedars-Sinai Medical Center in Los Angeles auf CRRT gesetzt wurden. Als Kontrolle diente außerdem eine gematchte Kohorte von Patienten, bei denen keine CRRT durchgeführt wurde. Bei der Validierung an einem ausklammerten Patientendatensatz erreichte das Modell eine Fläche unter der ROC-Kurve von 0,848 (95%-Konfidenzintervall 0,822–0,870). Über die Analyse der Patientenmerkmale, Fehler und Subgruppen geben die Studienautoren Aufschluss über Verzerrungen und relevante Merkmale für die Modellvorhersage.

„Indem das Modell eine Vorhersage darüber ermöglicht, welche Patienten von der CRRT profitieren werden, soll es die Ergebnisse für die Patienten und den Einsatz von Ressourcen verbessern“, erklärt Kurtz. Noch diene das Modell nur als Grundlage für die Nutzenerprobung in künftigen klinischen Studien und ist nicht für den klinischen Einsatz vorgesehen. „Wie alle Modelle des maschinellen Lernens muss es in der realen Welt getestet werden, um festzustellen, ob seine Vorhersagen bei Patienten, für die es nicht trainiert wurde, ebenso genau sind.“

(ah)