Kann künstliche Intelligenz die Sterblichkeit in den Jahren nach einer Hüftfraktur vorhersagen?

Eine neue im Journal of Orthopaedic Research veröffentlichte Studie zeigt, dass ein KI-basiertes Modell, das mit grundlegenden Bluttest- und Labordaten sowie grundlegenden demografischen Daten trainiert wird, das Sterberisiko eines Patienten in 1, 5 und 10 Jahren vorhersagen kann einen Hüftbruch erleiden.

Bei der Analyse von 3.751 Patientenakten mit Hüftfrakturen aus zwei Krankenhausdatenbanksystemen am Beth Israel Deaconess Medical Center in Boston betrug die Ein-Jahres-Sterblichkeitsrate für alle Patienten 21 % und für diejenigen im Alter von 80 Jahren oder älter 29 %. Nach der Auswertung von 10 verschiedenen Klassifizierungsmodellen für maschinelles Lernen stellten die Forscher fest, dass das LightGBM- Modell die genaueste 1-Jahres-Sterblichkeitsvorhersageleistung aufwies.

Alter, Blutzuckerspiegel, bestimmte Eigenschaften roter Blutkörperchen, weißer Blutkörperchen, Harnstoffstickstoffspiegel, Blutplättchenzahl, Kalziumspiegel und Blutgerinnungszeit waren die stärksten Faktoren. prädiktiv. Die meisten davon gehörten auch zu den Top-10-Funktionen der 5- und 10-Jahres-Mortalitätsvorhersagemodelle von LightGBM.

„Unsere Modelle zeigen, dass bestimmte Biomarker besonders nützlich sein können, um das Risiko schlechter Ergebnisse nach Hüftfrakturen zu charakterisieren“, sagte der korrespondierende Autor George Asrian von der University of Pennsylvania.

Einführung

Hüftfrakturen sind eine häufige Erkrankung mit einem hohen Maß an Morbidität und Mortalität. Jedes Jahr ereignen sich in den USA mehr als 300.000 Hüftfrakturen, die für mehr als 40 % der Fraktur-bedingten Einweisungen in Pflegeheime und 70 % (12 Milliarden US-Dollar) der direkten Kosten der Frakturversorgung verantwortlich sind. Innerhalb eines Jahres nach der Verletzung 20 %. 30 % der Patienten sterben und 50 % verlieren die Gehfähigkeit.

Die Wahrscheinlichkeit einer Fraktur, die am häufigsten nach einem Sturz auftritt, steigt exponentiell mit dem Alter, was es zu einem besonders wichtigen Thema macht, das in einer alternden Bevölkerung angegangen werden muss. Zu den Risikofaktoren zählen Alter, Osteoporose, erhöhte Körpermasse, verminderte visuelle Wahrnehmung, körperliche Inaktivität, Muskelschwäche, chronische Krankheiten, die das Risiko eines Ungleichgewichts erhöhen, wie Arthritis und Parkinson-Krankheit, sowie kognitive Beeinträchtigungen.

Zusammenfassung

Der Zweck dieser retrospektiven Studie bestand darin, zu bewerten, ob die Mortalität nach Hüftfrakturen durch ein maschinelles Lernmodell vorhergesagt werden kann, das mit grundlegenden Bluttest- und Labordaten sowie grundlegenden demografischen Daten trainiert wurde. Darüber hinaus bestand das Ziel darin, die Schlüsselvariablen zu identifizieren, die am stärksten mit der 1-, 5- und 10-Jahres-Mortalität assoziiert sind, und ihre klinische Bedeutung zu untersuchen.

Zu den Eingabedaten gehörten 3.751 Patientenakten mit Hüftfrakturen, die aus der Datenbank „Medical Information Mart for Intensive Care IV“ stammten , die Aufzeichnungen aus Krankenhausdatenbanksystemen des Beth Israel Deaconess Medical Center bereitstellte. Die 1-Jahres-Mortalitätsrate lag bei allen untersuchten Patienten bei 21 % und bei den über 80-Jährigen bei 29 %.

Wir haben 10 verschiedene Klassifizierungsmodelle für maschinelles Lernen ausgewertet und festgestellt, dass LightGBM mit einer Genauigkeit von 81 %, einer AUC von 0,79, einer Sensitivität von 0,34 und einer Spezifität von 0,98 im Testsatz die stärkste 1-Jahres-Mortalitätsvorhersageleistung aufweist.

Zu den am besten bewerteten Funktionen des 1-Jahres-Modells gehörten:

• Alter
• Blutzucker
• Verteilung der roten Blutkörperchen
• Mittlere korpuskuläre Hämoglobinkonzentration
• weiße Blutkörperchen
• Harnstoffstickstoff
• Prothrombin-Zeit
• Thrombozytenzahl
• Kalziumspiegel
• Partielle Thromboplastinzeit

Die meisten davon befanden sich auch in den Top-10-Funktionen der trainierten 5- und 10-Jahres-LightGBM-Vorhersagemodelle. Das Testen dieser hochrangigen Biomarker bei neuen Patienten mit Hüftfrakturen kann Ärzten dabei helfen, die Wahrscheinlichkeit schlechter Ergebnisse für Patienten mit Hüftfrakturen einzuschätzen, und weitere Forschungen könnten diese Biomarker nutzen, um einen Risikoscore für Hüftfrakturen zu entwickeln. Mortalität.

Abbildung : Balkendiagramm mit Merkmalswichtigkeitswerten für die Top-10-Merkmale unter Verwendung des LightGBM-1-Jahres-Mortalitätsvorhersagemodells, das auf den 156 Merkmalen trainiert wurde. Unterhalb der Grafik sind die prozentualen Unterschiede der Mittelwerte jeder Variablen für die Kohorte, die innerhalb eines Jahres verstorben ist, im Vergleich zu der Kohorte, die ein Jahr überlebt hat, berechnet als ([1]/[0] − 1 × 100 %). MCHC, mittlere korpuskuläre Hämoglobinkonzentration; PT: Prothrombinzeit; PTT: partielle Thromboplastinzeit; RDW: Verteilungsbreite der roten Blutkörperchen.

Diskussion

Insgesamt haben wir gezeigt, dass es möglich ist, in diesem Datensatz ein hochpräzises maschinelles Lernmodell zu entwickeln, das die 1-Jahres-Mortalität bei Patienten mit Hüftfrakturen abschätzen kann. Es ist möglich, die meisten Biomarker und demografischen Attribute zu isolieren und ein Vorhersagemodell nur anhand der zehn wichtigsten Merkmale neu zu trainieren, um ein Modell mit vergleichbarer Genauigkeit (innerhalb von 1 %) zu erstellen.

Viele Modelle wurden getestet, um den am besten geeigneten Klassifizierungsalgorithmus für die Vorhersage der Mortalität bei Hüftfrakturen zu ermitteln. Das LightGBM-Vorhersagemodell schnitt bei ausgewogener Genauigkeit und stärkeren AUC-Werten besser ab. LightGBM ist ein Boosting-Algorithmus, bei dem mehrere Modelle nacheinander trainiert werden, wobei jedes Modell eine Verbesserung gegenüber seinem Vorgänger aufweist.

Wie aus vielen früheren Literaturquellen hervorgeht, ist das Alter aufgrund der Beeinträchtigung der Reparaturmechanismen, der Immunantwort (entscheidend für die Abwehr bakterieller Infektionen) und der Mobilität ein wichtiger Prädiktor für die Sterblichkeit von Personen.

Auch die zweitwichtigste Variable, der Blutzucker , erwies sich als wichtig. Obwohl es keinen mittleren Unterschied zwischen Patienten mit einer 1-Jahres-Mortalität und denen, die mehr als 1 Jahr überlebten, gab, kann der Blutzucker ein zusätzliches Maß für die Krankheitslast bei älteren Menschen darstellen. Wer zu viel Glukose hat, kann unter Diabetes-Folgen leiden, einschließlich schlechter Heilung und Mobilität. Bei Personen mit zu wenig Glukose kann es aufgrund des hypoglykämischen Zustands zu weiteren Stürzen kommen, was als Sturzrisiko angesehen werden kann (was die Mobilität zusätzlich einschränkt). Auch Marker für die hämatologische Gesundheit waren nützlich.

Weitere bemerkenswerte Marker, die in den Top-10-Variablen enthalten waren, waren Harnstoffstickstoff (ein Marker der gesamten Nierenfunktion, der verwendet werden kann, um zu bestimmen, ob bei Personen ein Volumenmangel vorliegt, möglicherweise aufgrund einer Sepsis), PT/PTT und Zellzahl. Blutplättchen, die bestimmen können, ob Personen ihre Gerinnungsfähigkeit aufrechterhalten, und Serumkalzium, das als Prädiktor für die Mortalität bei Patienten mit Osteoporose identifiziert wurde.