Programme für maschinelles Lernen sagen das Sterberisiko auf der Grundlage der Ergebnisse routinemäßiger Krankenhaustests voraus

Jun 18, 2023

Zusammenfassung: Anhand von EKG-Daten konnte ein neuer Algorithmus für maschinelles Lernen den Tod eines Patienten innerhalb von 5 Jahren nach der Einlieferung ins Krankenhaus mit einer Genauigkeit von 87 % vorhersagen. Die KI war in der Lage, Patienten in fünf Kategorien einzuteilen, die von niedrigem bis hohem Sterberisiko reichen.

Quelle:Universität von Alberta

Wenn Sie jemals ins Krankenhaus eingeliefert wurden oder eine Notaufnahme aufgesucht haben, wurde bei Ihnen wahrscheinlich ein Elektrokardiogramm oder EKG durchgeführt, ein Standardtest, bei dem winzige Elektroden an der Brust angebracht werden, um den Rhythmus und die elektrische Aktivität Ihres Herzens zu überprüfen.

Krankenhaus-EKGs werden normalerweise von einem Arzt oder einer Krankenschwester an Ihrem Krankenbett gelesen, aber jetzt nutzen Forscher künstliche Intelligenz, um noch mehr Informationen aus diesen Ergebnissen zu gewinnen, um Ihre Pflege und das Gesundheitssystem auf einmal zu verbessern.

In kürzlich veröffentlichten Ergebnissen hat das Forschungsteam maschinelle Lernprogramme entwickelt und trainiert, die auf 1,6 Millionen EKGs basieren, die zwischen 2007 und 2020 an 244.077 Patienten in Nord-Alberta durchgeführt wurden.

Der Algorithmus prognostizierte das Sterberisiko ab diesem Zeitpunkt für jeden Patienten aus allen Gründen innerhalb eines Monats, eines Jahres und fünf Jahren mit einer Genauigkeit von 85 Prozent und sortierte die Patienten in fünf Kategorien vom niedrigsten bis zum höchsten Risiko.

Die Vorhersagen waren sogar noch genauer, wenn demografische Informationen (Alter und Geschlecht) und sechs Standard-Laborbluttestergebnisse einbezogen wurden.

Laut der Hauptforscherin Padma Kaul, Professorin für Medizin und Co-Direktorin des Canadian, ist die Studie ein Proof-of-Concept für die Verwendung routinemäßig erhobener Daten zur Verbesserung der individuellen Versorgung und ermöglicht es dem Gesundheitssystem, im Laufe der Zeit zu „lernen“. VIGOR-Zentrum.

„Wir wollten wissen, ob wir neue Methoden wie künstliche Intelligenz und maschinelles Lernen nutzen können, um die Daten zu analysieren und Patienten zu identifizieren, die einem höheren Sterberisiko ausgesetzt sind“, erklärt Kaul.

„Diese Ergebnisse veranschaulichen, wie Modelle des maschinellen Lernens eingesetzt werden können, um routinemäßig in der klinischen Praxis gesammelte Daten in Wissen umzuwandeln, das als Teil eines lernenden Gesundheitssystems zur Verbesserung der Entscheidungsfindung am Point-of-Care genutzt werden kann.“

Ein Arzt wird ein Elektrokardiogramm anordnen, wenn Sie hohen Blutdruck oder Symptome einer Herzerkrankung wie Brustschmerzen, Kurzatmigkeit oder unregelmäßigen Herzschlag haben. In der ersten Phase der Studie wurden die EKG-Ergebnisse aller Patienten untersucht, doch Kaul und ihr Team hoffen, diese Modelle für bestimmte Untergruppen von Patienten verfeinern zu können.

Sie planen außerdem, die Vorhersagen über die Gesamtmortalität hinaus zu konzentrieren, um speziell auf herzbedingte Todesursachen zu achten.

„Wir wollen die vom Gesundheitssystem generierten Daten in Wissen umwandeln und wieder in das System einspeisen, damit wir die Versorgung und die Ergebnisse verbessern können. Das ist die Definition eines lernenden Gesundheitssystems.“

Autor:Ross NeitzQuelle:Universität von AlbertaKontakt:Ross Neitz – Universität AlbertaBild:Das Bild ist gemeinfrei

Ursprüngliche Forschung: Open Access „Auf dem Weg zu einem auf künstlicher Intelligenz basierenden lernenden Gesundheitssystem zur Vorhersage der Sterblichkeit auf Bevölkerungsebene mithilfe von Elektrokardiogrammen“ von Padma Kaul et al. npj Digitale Medizin

Abstrakt

Auf dem Weg zu einem auf künstlicher Intelligenz basierenden lernenden Gesundheitssystem zur Vorhersage der Sterblichkeit auf Bevölkerungsebene mithilfe von Elektrokardiogrammen

Die Machbarkeit und der Wert der Verknüpfung von Elektrokardiogramm-Daten (EKG) mit Längsschnittdaten zur administrativen Gesundheit der Bevölkerung, um die Entwicklung eines lernenden Gesundheitssystems zu erleichtern, wurden noch nicht vollständig untersucht. Wir haben EKG-basierte Modelle für maschinelles Lernen entwickelt, um das Sterblichkeitsrisiko von Patienten vorherzusagen, die aus irgendeinem Grund eine Notaufnahme oder ein Krankenhaus aufsuchen.

Unter Verwendung der 12-Kanal-EKG-Kurven und Messungen von 1.605.268 EKGs aus 748.773 Gesundheitsepisoden von 244.077 Patienten (2007–2020) in Alberta, Kanada, haben wir ResNet-basiertes Deep Learning (DL) und Gradient Boosting-basiertes XGBoost (XGB) entwickelt und validiert. Modelle zur Vorhersage der 30-Tage-, 1-Jahres- und 5-Jahres-Mortalität. Die Modelle für die 30-Tage-, 1-Jahres- und 5-Jahres-Mortalität wurden an 146.173, 141.072 und 111.020 Patienten trainiert und an 97.144, 89.379 bzw. 55.650 Patienten ausgewertet. In der Auswertungskohorte starben 7,6 %, 17,3 % und 32,9 % der Patienten innerhalb von 30 Tagen, 1 Jahr bzw. 5 Jahren.

ResNet-Modelle, die allein auf EKG-Kurven basierten, zeigten eine gute bis ausgezeichnete Leistung mit einer Fläche unter der Receiver Operating Characteristic Curve (AUROC) von 0,843 (95 %-KI: 0,838–0,848), 0,812 (0,808–0,816) und 0,798 (0,792–0,803). für 30-Tage-, 1-Jahres- bzw. 5-Jahres-Vorhersage; und waren den XGB-Modellen basierend auf EKG-Messungen mit einem AUROC von 0,782 (0,776–0,789), 0,784 (0,780–0,788) und 0,746 (0,740–0,751) überlegen.

Diese Studie demonstriert die Gültigkeit von EKG-basierten DL-Mortalitätsvorhersagemodellen auf Bevölkerungsebene, die für die Prognose am Point-of-Care genutzt werden können.

Toller Artikel, Ross! Es ist beeindruckend zu sehen, wie maschinelle Lernalgorithmen das Sterberisiko mit so hoher Genauigkeit auf der Grundlage von EKG-Daten und anderen routinemäßigen Krankenhaustests vorhersagen können. Glauben Sie, dass diese Technologie im Gesundheitssystem weit verbreitet sein wird, und welche Auswirkungen wird sie auf die Patientenversorgung haben?

Wenn es mit ausreichenden und genauen Daten programmiert wurde, kommt es nur noch auf die Statistik an. Sozusagen nichts Neues unter der Sonne. Was mit einem bestimmten Ergebnis schon oft passiert ist, wird wahrscheinlich noch einmal passieren.

Ich frage mich, ob iatrogene Todesursachen einbezogen wurden?

Kommentarfunktion ist geschlossen.