Kann eine Maschine Lungenembolien besser erkennen als Ärzte?
Jedes Jahr sterben weltweit Tausende Menschen an einer akuten Lungenembolie (APE). Diese lebensbedrohliche Erkrankung ist schwer zu diagnostizieren, weil ihre Symptome oft unspezifisch sind. Viele Patienten klagen über Brustschmerzen, Atemnot oder Husten mit Blut. Doch diese Beschwerden können auch bei anderen Krankheiten auftreten. Eine frühzeitige Diagnose ist entscheidend, um Leben zu retten. Aber wie können Ärzte sicher sein, dass es sich wirklich um eine Lungenembolie handelt?
Warum ist die Diagnose so schwierig?
Eine akute Lungenembolie entsteht, wenn ein Blutgerinnsel in die Lunge wandert und dort die Blutgefäße blockiert. Das führt zu einer Unterversorgung des Körpers mit Sauerstoff. Die Erkrankung ist die dritthäufigste Herz-Kreislauf-Erkrankung weltweit, direkt nach Herzinfarkten und Schlaganfällen. Trotz ihrer Schwere wird sie oft übersehen oder falsch diagnostiziert.
Die derzeitigen Diagnosemethoden sind nicht perfekt. Ärzte verwenden häufig klinische Bewertungstools wie den Wells-Score, den revidierten Geneva-Score oder den Years-Algorithmus. Diese Tools helfen, die Wahrscheinlichkeit einer Lungenembolie einzuschätzen. Sie sind jedoch nicht für alle Patienten geeignet. Zum Beispiel kann der Wells-Score nicht bei stationären Patienten angewendet werden, und der Geneva-Score ist für schwer kranke Patienten weniger zuverlässig. Zudem sind diese Methoden komplex und zeitaufwendig.
Kann künstliche Intelligenz die Lösung sein?
Maschinelles Lernen (ML), eine Form der künstlichen Intelligenz, hat in der Medizin bereits vielversprechende Ergebnisse gezeigt. ML-Algorithmen können große Datenmengen analysieren und komplexe Muster erkennen. Das macht sie ideal für die Diagnose von Krankheiten wie der Lungenembolie. Eine aktuelle Studie hat untersucht, ob ein ML-Modell die Diagnose von Lungenembolien verbessern kann.
Wie wurde das Modell entwickelt?
Die Studie wurde im China-Japan Friendship Hospital in Peking durchgeführt. Die Forscher analysierten die Daten von 454 Patienten, bei denen der Verdacht auf eine Lungenembolie bestand. Alle Patienten hatten eine Computertomographie der Lunge (CTPA) durchgeführt, die als Goldstandard für die Diagnose gilt. Die Patienten wurden in zwei Gruppen aufgeteilt: eine Trainingsgruppe (340 Patienten) und eine Testgruppe (114 Patienten). Zusätzlich gab es eine interne Validierungsgruppe mit 204 Patienten.
Die Forscher sammelten Daten zu 27 klinischen Merkmalen, darunter Alter, Geschlecht, frühere Lungenembolien oder tiefe Venenthrombosen (DVT), kürzliche Operationen oder Knochenbrüche, Herzrasen, chronische Herzschwäche, aktive Krebserkrankungen und verschiedene Symptome wie Brustschmerzen, Atemnot und Husten mit Blut. Nach einer sorgfältigen Auswahl blieben acht Merkmale übrig, die für das Modell verwendet wurden: D-Dimer (ein Blutwert, der auf Gerinnsel hinweist), kardiales Troponin T (ein Marker für Herzschäden), Sauerstoffsättigung im Blut, Herzfrequenz, Brustschmerzen, Schmerzen in den Beinen, Husten mit Blut und chronische Herzschwäche.
Welche Algorithmen wurden getestet?
Die Forscher testeten acht verschiedene ML-Algorithmen, darunter Naive Bayes, logistische Regression, K-Nächste-Nachbarn, Random Forest (RF), Entscheidungsbäume, Gradient Boosting Decision Tree (GBDT), Support Vector Machine und Multi-Layer Perceptron. Der Random-Forest-Algorithmus erzielte die besten Ergebnisse.
Wie gut war das Modell?
In der Testgruppe erreichte das Random-Forest-Modell eine Fläche unter der Kurve (AUC) von 0,813. Das bedeutet, dass das Modell sehr gut zwischen Patienten mit und ohne Lungenembolie unterscheiden konnte. Es übertraf den Wells-Score in Kombination mit D-Dimer (AUC = 0,709) und war vergleichbar mit dem revidierten Geneva-Score (AUC = 0,713) und dem Years-Algorithmus (AUC = 0,719). Das Modell hatte auch den höchsten negativen Vorhersagewert (NPV) von 0,953. Das bedeutet, dass es sehr zuverlässig Patienten ausschließen kann, die keine Lungenembolie haben.
In der internen Validierungsgruppe erreichte das Modell eine AUC von 0,726. Das zeigt, dass es auch in anderen Patientengruppen gut funktioniert. Unter den ausgewählten Merkmalen hatte D-Dimer den größten Einfluss auf das Modell, gefolgt von kardialem Troponin T, Sauerstoffsättigung und Herzfrequenz.
Was bedeutet das für die Praxis?
Das Random-Forest-Modell könnte die Diagnose von Lungenembolien erheblich verbessern. Es bietet eine objektive und automatisierte Methode, die weniger fehleranfällig ist als traditionelle klinische Bewertungstools. Das Modell könnte dazu beitragen, unnötige CTPA-Untersuchungen zu reduzieren, die mit Strahlenbelastung und Kosten verbunden sind.
Allerdings hat die Studie auch einige Einschränkungen. Sie wurde nur in einem Krankenhaus durchgeführt, was die Ergebnisse möglicherweise verzerrt. Zudem wurden die Daten manuell erhoben, was die Skalierbarkeit des Modells einschränken könnte. In Zukunft könnten natürliche Sprachverarbeitung und automatisierte Datenanalyse die Genauigkeit weiter verbessern.
Fazit
Das Random-Forest-Modell zeigt, dass maschinelles Lernen die Diagnose von Lungenembolien verbessern kann. Es könnte Ärzten helfen, schneller und genauer zu diagnostizieren, was Leben retten kann. Weitere Studien sind jedoch notwendig, um das Modell in der Praxis zu testen und zu optimieren.
For educational purposes only.
doi.org/10.1097/CM9.0000000000002837