Kommerzielles KI-Tool mäßig erfolgreich bei der Vorhersage von Nierenschäden im Zusammenhang mit einem Krankenhausaufenthalt

Eine im Krankenhaus erworbene akute Nierenschädigung (HA-AKI) ist eine häufige Komplikation bei Krankenhauspatienten, die zu einer chronischen Nierenerkrankung führen kann und mit längeren Krankenhausaufenthalten, höheren Gesundheitskosten und erhöhter Mortalität verbunden ist. Angesichts dieser negativen Folgen kann die Prävention von HA-AKI die Behandlungsergebnisse für Krankenhauspatienten verbessern. Aufgrund einer Vielzahl beteiligter Faktoren ist es jedoch schwierig, den Beginn von HA-AKI vorherzusagen.

Forscher von Mass General Brigham Digital testeten ein kommerzielles maschinelles Lerntool, das Epic Risk of HA-AKI-Vorhersagemodell, und stellten fest, dass es bei der Vorhersage des HA-AKI-Risikos in aufgezeichneten Patientendaten mäßig erfolgreich war. Die Studie ergab eine geringere Leistung als bei der internen Validierung der Epic Systems Corporation, was die Bedeutung der Validierung von KI-Modellen vor der klinischen Implementierung unterstreicht.

Das Epic-Modell bewertet stationäre Begegnungen von Erwachsenen auf das Risiko von HA-AKI, das durch einen vordefinierten Anstieg des Serumkreatininspiegels gekennzeichnet ist. Nachdem sie das Modell anhand von Daten aus MGB-Krankenhäusern trainiert hatten, testeten die Forscher es anhand von Daten von fast 40.000 stationären Krankenhausaufenthalten über einen Zeitraum von fünf Monaten zwischen August 2022 und Januar 2023. Der Datensatz war umfangreich und enthielt viele Punkte, die zu Patientenbegegnungen gesammelt wurden, darunter Informationen wie z B. Patientendaten, Komorbiditäten, Hauptdiagnosen, Serumkreatininspiegel und Dauer des Krankenhausaufenthalts. Es wurden zwei Analysen durchgeführt, die die Modellleistung auf Begegnungs- und Vorhersageebene untersuchten.

Die Forscher stellten fest, dass das Tool bei der Beurteilung von Patienten mit geringerem HA-AKI-Risiko zuverlässiger war. Obwohl das Modell sicher identifizieren konnte, welche Patienten mit geringem Risiko kein HA-AKI entwickeln würden, war es schwierig vorherzusagen, wann Patienten mit höherem Risiko HA-AKI entwickeln könnten. Die Ergebnisse variierten auch je nach bewertetem Stadium des HA-AKI – die Vorhersagen waren für HA-AKI im Stadium 1 erfolgreicher als für schwerere Fälle.

Die Autoren kamen insgesamt zu dem Schluss, dass die Implementierung zu hohen Falsch-Positiv-Raten führen könnte, und forderten eine weitere Untersuchung der klinischen Auswirkungen des Tools.

„Wir haben herausgefunden, dass das Epic-Vorhersagemodell besser dazu geeignet ist, Patienten mit geringem Risiko auszuschließen, als Patienten mit hohem Risiko zu identifizieren“, sagte der leitende Studienautor Sayon Dutta, MD, MPH, vom klinischen Informatikteam von Mass General Brigham Digital und ein Notarzt im Massachusetts General Hospital. „Die Identifizierung des HA-AKI-Risikos mit prädiktiven Modellen könnte dabei helfen, klinische Entscheidungen zu unterstützen, indem beispielsweise Anbieter vor der Bestellung nephrotoxischer Medikamente gewarnt werden. Vor der klinischen Umsetzung sind jedoch weitere Studien erforderlich.“

Die Studie wird in der Zeitschrift veröffentlicht NEJM KI.