Transfusionen und Infektionen nach perkutaner Nephrolitholapaxie? Maschinelles Lernen sagt´s vorher

Hintergrund: Maschinelles Lernen (ML) ist ein Teilbereich der künstlichen Intelligenz, der zur Vorhersage bestimmter Ergebnisse verwendet werden kann. Bislang gibt es nur wenige kleine ML-Studien zu den Ergebnissen nach einer perkutanen Nephrolitholapaxie (PCNL). Ziel dieser Studie war es, ML-Modelle für Transfusionen und Infektionen nach einer PCNL zu erstellen und intern zu validieren, wobei eine umfassende nationale Datenbank verwendet wurde.

Studie: Es wurden Daten aus der PCNL-Datenbank der BAUS (British Association of Urological Surgeons) analysiert, in der die demografischen Daten der Patienten/Steine, die intraoperativen Merkmale und die postoperativen Ergebnisse detailliert erfasst sind. 43 prä-/perioperative Faktoren wurden als Prädiktoren ausgewählt. Für jedes Ergebnis wurden 6 Modelle des maschinellen Lernens (“Random Forest”, “Partitioning”, “Extreme Gradient Boosting”, “Logistische Regression”, “Neuronales Netzwerk” und “Bayesian Generalised Linear Model”) erstellt. Die Daten wurden nach dem Zufallsprinzip in Trainings- und Testgruppen aufgeteilt (70 % bzw. 30 % der gesamten Datenbank).

Ergebnisse: Es wurden 4.412 Patienten eingeschlossen, davon 3.088 in der Trainingsgruppe und 1.324 in der Testgruppe. Die ‘Area under the curve‘ (AUC) für die Post-PCNL-Transfusionsmodelle lag zwischen 0,97 und 1, während die AUC für die Post-PCNL-Infektionsmodelle zwischen 0,97 und 0,99 lag. Das leistungsfähigste Transfusionsmodell war das Extreme Gradient Boosting (xgboost)-Modell, das 96,9 % (62/64) der transfundierten Patienten und 100 % (1260/1260) der nicht transfundierten Patienten in der Testgruppe korrekt vorhersagte (AUC=0,99; Accuracy=0,999, 95%KI: 0,995-1,00; Sensitivität=1,00; Spezifität=0,97). Das leistungsfähigste Infektionsmodell war auch xgboost, das 97,2 % (274/282) der Infektionen nach PCNL und 98,6 % (1031/1044) der Infektionen ohne Infektion in der Testgruppe korrekt vorhersagte (AUC=1,00, Genauigkeit=0,984, 95%KI: 0,976-0,990 Sensitivität=0,990; Spezifität=0,972).

Fazit: Dies ist die bisher größte Studie zum maschinellen Lernen über die Ergebnisse nach einer PCNL. ML kann den Bedarf an Transfusionen nach einer PCNL und Infektionen nach einer PCNL auf individueller Ebene mit großer Genauigkeit vorhersagen. Dies könnte Patientenberatung, die Einwilligung und die Operationsplanung revolutionieren, berichten die Studienautoren.

Quelle: Geraghty R et al., #A1025

Innovation: ★★☆    Datenqualität: ★★☆    Praxisrelevanz: ★★★