Können Maschinen Leben retten? Wie künstliche Intelligenz bei der Vorhersage von schweren Fiebererkrankungen hilft

Fieber ist eines der häufigsten Symptome, das Patienten in die Notaufnahme führt. Es kann auf eine Vielzahl von Erkrankungen hinweisen, von einfachen Infektionen bis hin zu lebensbedrohlichen Zuständen wie Sepsis oder Schlaganfällen. Die Herausforderung für Ärzte besteht darin, frühzeitig zu erkennen, welche Patienten ein hohes Risiko für schwerwiegende Komplikationen haben. Traditionelle Methoden sind oft unzureichend. Können Maschinen hier helfen?

Hintergrund und Bedeutung

Fieber ist ein Signal des Körpers, das auf eine Störung hinweist. Es kann durch Infektionen, Krebs, Durchblutungsstörungen oder Autoimmunerkrankungen verursacht werden. In den letzten Jahren haben Ausbrüche wie SARS gezeigt, wie wichtig es ist, Fieberpatienten schnell und genau zu beurteilen. Doch kein einzelner Test kann eindeutig vorhersagen, ob ein Patient schwer erkranken wird. Bisherige Bewertungssysteme sind oft kompliziert und nicht spezifisch genug.

Hier kommt die künstliche Intelligenz (KI) ins Spiel. KI kann große Datenmengen analysieren und Muster erkennen, die für das menschliche Auge unsichtbar sind. Diese Studie hat untersucht, ob KI dabei helfen kann, das Risiko für lebensbedrohliche Komplikationen bei Fieberpatienten frühzeitig zu erkennen.

Methoden

Studiendesign und Datensammlung

Die Studie analysierte Daten von 28.400 Patienten, die zwischen November 2014 und März 2018 in der Notaufnahme des chinesischen Allgemeinkrankenhauses der Volksbefreiungsarmee behandelt wurden. Eingeschlossen wurden Patienten mit einer Körpertemperatur von 37,3°C oder höher, die mindestens 12 Jahre alt waren. Patienten, die innerhalb von vier Stunden nach der Aufnahme starben oder keine vollständigen Laboruntersuchungen hatten, wurden ausgeschlossen.

Die Patienten wurden in zwei Gruppen eingeteilt: die Gruppe mit schwerwiegenden Komplikationen (z.B. Herz-Lungen-Wiederbelebung oder Tod) und die Gruppe mit gutem Verlauf. Die Daten umfassten demografische Informationen, Vitalzeichen, Laborergebnisse und andere klinische Indikatoren. Nach der Bereinigung der Daten blieben 39 Variablen für 3.682 Patienten übrig.

Datenanalyse und Merkmalsauswahl

Die Daten wurden gereinigt und aufbereitet. Basierend auf statistischen Tests wurden signifikante Unterschiede zwischen den Gruppen identifiziert. Eine Methode namens „rekursive Merkmalseliminierung“ (RFE) wurde verwendet, um die wichtigsten Variablen für die Vorhersage zu bestimmen. Ein Entscheidungsbaumalgorithmus half dabei, die Genauigkeit verschiedener Variablenkombinationen zu bewerten.

Maschinelle Lernmodelle

Vier Algorithmen wurden getestet: logistische Regression, Random Forest, AdaBoost und Bagging. Die Daten wurden in Trainings- und Testdatensätze aufgeteilt. Die Leistung der Modelle wurde anhand von Genauigkeit, F1-Score, Präzision, Sensitivität und der Fläche unter der ROC-Kurve (ROC-AUC) bewertet. Eine zehnfache Kreuzvalidierung und eine externe Validierung wurden durchgeführt, um die Robustheit der Modelle zu bestätigen.

Ergebnisse

Basisdatenanalyse

Es gab signifikante Unterschiede zwischen den Gruppen. Patienten mit schwerwiegenden Komplikationen hatten höhere Werte bei CK-MB (einem Marker für Herzmuskelschäden), LDH (einem Enzym, das bei Gewebeschäden freigesetzt wird), AMY (einem Verdauungsenzym), CTnT (einem Herzmuskelmarker) und Kalium. Sie hatten niedrigere Werte bei Gesamtprotein und Albumin.

Merkmalsauswahl

Die RFE-Methode identifizierte 15 Schlüsselvariablen, darunter Herzfrequenz, Atemfrequenz, Blutdruck, Sauerstoffsättigung, Temperatur und verschiedene Laborwerte. Die sechs wichtigsten Variablen waren CTnT, LDH, Sauerstoffsättigung, CK-MB, Herzfrequenz und Temperatur.

Modellleistung

Das logistische Regressionsmodell erreichte die höchste Genauigkeit (0,951), während das Bagging-Modell die höchste ROC-AUC (0,885) aufwies. In der externen Validierung zeigte das Entscheidungsbaummodell die höchste Genauigkeit (0,901) und den höchsten F1-Score (0,915). Das Bagging-Modell hatte die höchste Sensitivität (0,605) und ROC-AUC (0,863).

Schlüsselvariablen und ihre Bedeutung

CTnT war der stärkste Prädiktor für schwerwiegende Komplikationen. Andere wichtige Variablen waren Atemfrequenz, Sauerstoffsättigung, Temperatur, Albumin und Kalium. Diese Werte sollten in der klinischen Praxis besonders beachtet werden.

Diskussion

Die Studie zeigt, dass KI ein wertvolles Werkzeug sein kann, um das Risiko für schwerwiegende Komplikationen bei Fieberpatienten frühzeitig zu erkennen. CTnT, ein Marker für Herzmuskelschäden, war der wichtigste Prädiktor. Niedrige Albuminwerte, die auf einen Proteinmangel hinweisen, waren ebenfalls ein kritischer Faktor. Vitalzeichen wie Herzfrequenz, Atemfrequenz und Blutdruck hatten eine hohe klinische Bedeutung.

Die logistische Regression und das Bagging-Modell zeigten die beste Leistung. Das Bagging-Modell war besonders gut darin, Hochrisikopatienten frühzeitig zu identifizieren. Die Reduzierung der Variablen auf 11 beeinträchtigte die Modellleistung nicht, was die Anwendung in der Praxis erleichtert.

Einschränkungen

Die Studie hat zwei Hauptbeschränkungen. Erstens wurden Patienten mit verschiedenen Fieberursachen eingeschlossen, und die Genauigkeit des Modells für spezifische Ursachen wurde nicht bewertet. Zweitens könnte die retrospektive Natur der Studie und die relativ kleine Stichprobe die Allgemeingültigkeit der Ergebnisse einschränken. Größere, prospektive Studien sind notwendig, um das Modell weiter zu validieren.

Fazit

Diese Studie hat erfolgreich ein KI-basiertes Vorhersagemodell für schwerwiegende Komplikationen bei Fieberpatienten entwickelt. Das Modell identifizierte wichtige klinische Indikatoren wie CTnT, Atemfrequenz, Sauerstoffsättigung, Temperatur, Albumin und Kalium. Die logistische Regression und das Bagging-Modell waren besonders effektiv und bieten wertvolle Werkzeuge für die Früherkennung von kritischen Patienten. Die Anwendung von KI in der medizinischen Forschung hat das Potenzial, die Diagnose und Behandlung von Fiebererkrankungen zu verbessern und damit die Patientenversorgung zu optimieren.

For educational purposes only.

doi.org/10.1097/CM9.0000000000000675