10
Feb

„Machine Learning“ zur real-time Vorhersage von intensivmedizinischen Komplikationen

Wir möchten unseren BBGK-Mitgliedern nachfolgend unseren diesjährigen Preisträger des BBGK-Nachwuchspreises 2019 vorstellen.

Nach dem Begutachtungsverfahren hat unser Vorstand am 10.2.2019 unter den eingereichten Publikationen die Arbeit des Herzchirurgen Herrn Alexander Meyer als Preisarbeit ausgewählt, die Impact-Faktoren der vorgelegten, hochwertigen Publikationen reichten auch diesmal wieder von 4,5 bis 21,5.

Herr Meyer wurde 1983 in Offenbach am Main geboren, wurde zunächst in Aschaffenburg als Informatiker (Computer Scientist) ausgebildet und studierte danach von 2005 bis 2012 an der Goethe-Universität Frankfurt Humanmedizin. Während des Studiums absolvierte er einen Ausbildungsabschnitt für Bioinformatik an der Rockefeller University New York. Nach dem Staatsexamen arbeitete er von 2013 bis 2015 an der Herzchirurgie des Herzzentrums Bad Nauheim und wurde von dort über das Herzzentrum Leipzig 2014 mit einer tierexperimentellen Arbeit zur ventrikulären Dysfunktion promoviert. Seit Juli 2015 ist Herr Meyer in der herzchirurgischen Klinik des Deutschen Herzzentrums Berlin tätig. 

Über den folgenden Link gelangen Sie zur jetzigen Preis-Publikation: PDF-Download

Machine Learning zur real-time Vorhersage von intensivmedizinischen Komplikationen

Alexander Meyer

Klinik für Herzchirurgie, Deutsches Herzzentrum Berlin

In der Studie wurden Deep Learning-Methoden (rekurrente neuronale Netze) entwickelt, um verschiedene schwere Komplikationen (Mortalität, Nierenversagen mit der Notwendigkeit einer Nierenersatztherapie und postoperative Blutung mit nachfolgender operativer Revision) bei der herzchirurgischen Nachsorge in Echtzeit vorherzusagen. 11.492 erwachsene Patienten, die sich an einem Schwerpunktzentrum für kardiovaskuläre Erkrankungen einem großen offenen herzchirurgischen Eingriff unterzogen hatten, bildeten den Hauptdatensatz für die Ableitung. Genauigkeit und Pünktlichkeit der Prognosen des Deep-Learning-Modells wurden mit der Vorhersagequalität etablierter, üblicherweise verwendeter klinischer Referenzinstrumente verglichen. Die Ergebnisse wurden anhand von 5.898 Fällen aus der MIMIC-Ill Intensivpatienten-Datenbank extern retrospektiv validiert.

Die Vorhersageleistung war deutlich besser als mit den üblichen klinischen Referenzinstrumenten und verbesserte die AUC für die absolute Komplikationsvorhersage um 0,29 (95% KI 0,23-0,35) bezüglich Blutungen, um 0,24 (0,19-0,29) bezüglich Mortalität und um 0,24 (0,13-0,35) bezüglich Nierenversagen (p < 0,0001 bei allen drei Analysen).

Die Deep Learning-Methoden zeigten sofort nach Aufnahme des Patienten auf die Intensivstation genaue Vorhersagen, die klinischen Referenzinstrumente dagegen erreichten ihre höchste Leistung erst nach einigen Stunden postoperativer Nachbeobachtung des Patienten.

Diese Ergebnisse sind insofern bemerkenswert, als die Methoden ausschließlich routinemäßig erhobene klinische Daten nutzen und keine manuelle Bearbeitung notwendig ist. Damit erscheinen sie besonders vielversprechend für den künftigen Einsatz auf Intensivstationen, wo ein System die Aufmerksamkeit des Personals auf jene Patienten lenken könnte, die das höchste Komplikationsrisiko haben.