Paper of the Month

Oktober 2018


Machine learning for real-time prediction of complications in critical care: a retrospective study. Lancet Resp Med. DZHK-Autoren: Meyer, Kühne, Sündermann, Stamm, Falk

In der Studie wurden Deep Learning-Methoden (rekurrente neuronale Netze) entwickelt, um verschiedene schwere Komplikationen (Mortalität, Nierenversagen mit der Notwendigkeit einer Nierenersatztherapie und postoperative Blutung mit nachfolgender operativer Revision) bei der herzchirurgischen Nachsorge in Echtzeit vorherzusagen. 11.492 erwachsene Patienten, die sich an einem Schwerpunktzentrum für kardiovaskuläre Erkrankungen einem großen offenen herzchirurgischen Eingriff unterzogen hatten, bildeten den Hauptdatensatz für die Ableitung. Genauigkeit und Pünktlichkeit der Prognosen des Deep Learning-Modells wurden mit der Vorhersagequalität etablierter, üblicherweise verwendeter klinischer Referenzinstrumente verglichen. Die Ergebnisse wurden anhand von 5.898 Fällen aus der MIMIC-III Intensivpatienten-Datenbank extern retrospektiv validiert.

Die Vorhersageleistung war deutlich besser als mit den üblichen klinischen Referenzinstrumenten und verbesserte die AUC für die absolute Komplikationsvorhersage um 0,29 (95% KI 0,23–0,35) bezüglich Blutungen, um 0,24 (0,19–0,29) bezüglich Mortalität und um 0,24 (0,13–0,35) bezüglich Nierenversagen (p < 0,0001 bei allen drei Analysen). Die Deep Learning-Methoden zeigten sofort nach Aufnahme des Patienten auf die Intensivstation genaue Vorhersagen, die klinischen Referenzinstrumente dagegen erreichten ihre höchste Leistung erst nach einigen Stunden postoperativer Nachbeobachtung des Patienten.

Diese Ergebnisse sind insofern bemerkenswert, als die Methoden ausschließlich routinemäßig erhobene klinische Daten nutzen und keine manuelle Bearbeitung notwendig ist. Damit erscheinen sie besonders vielversprechend für den künftigen Einsatz auf Intensivstationen, wo ein System die Aufmerksamkeit des Personals auf jene Patienten lenken könnte, die das höchste Komplikationsrisiko haben.

Link