Prädiktion letaler ungünstiger Prognosen bei Patienten mit fieberassoziierten Erkrankungen mittels maschinellen Lernens: eine retrospektive Studie
Fieber ist eines der häufigsten Leitsymptome in Notaufnahmen und ein wesentlicher pathophysiologischer Prozess, der mit zahlreichen febrilen Erkrankungen assoziiert ist. Es kann sowohl infektiöse (z. B. Sepsis) als auch nicht-infektiöse Ursachen (z. B. Malignome, Gewebeischämie, Autoimmunerkrankungen) aufweisen. Die frühzeitige Identifizierung von Patienten mit erhöhtem Letalitätsrisiko ist entscheidend zur Verbesserung klinischer Outcomes. Die Komplexität fieberassoziierter Erkrankungen erschwert jedoch die Prognoseabschätzung mittels traditioneller Methoden. Diese Studie zielte darauf ab, ein maschinelles Lernmodell zur Risikostratifizierung bei febrilen Patienten zu entwickeln.
Hintergrund und Relevanz
Der Mangel an spezifischen Biomarkern und die limitierte Aussagekraft etablierter Scores wie APACHE II unterstreichen den Bedarf an innovativen Prognoseinstrumenten. Maschinelle Lernverfahren zeigen in jüngerer Zeit überlegene Performance bei der Mortalitätsprädiktion in septischen Kohorten. Dies motivierte die Entwicklung eines spezifischen Prädiktionsmodells für febrile Patienten unter Nutzung multivariater klinischer Parameter.
Methoden
Studiendesign und Datenerfassung
Retrospektiv analysiert wurden klinische Daten von 28.400 Patienten der Notaufnahme des PLA General Hospitals (11/2014–03/2018). Einschlusskriterien: Alter ≥12 Jahre, Körpertemperatur ≥37,3°C. Nach Anwendung der Ausschlusskriterien (frühe Letalität <4h, unvollständige Labordaten) verblieben 3.682 Patienten (3.474 gute vs. 208 ungünstige Prognose).
Ausgewertet wurden 39 Variablen aus dem Notfalldatenbank-System, darunter:
- Vitalparameter: Herzfrequenz, Atemfrequenz, Blutdruck
- Laborparameter: CK-MB, LDH, Troponin T, Elektrolyte
- Demografische Daten
Datenanalyse und Merkmalsselektion
Fehlende Werte (>30% fehlend) führten zum Variablenausschluss. Rekursive Feature-Elimination (RFE) identifizierte 15 prognoserelevante Parameter. Korrelationsanalysen mittels Pearson-Koeffizienten visualisierten Interdependenzen.
Maschinelle Lernmodelle
Vier Algorithmen wurden verglichen:
- Logistische Regression
- Random Forest
- AdaBoost
- Bagging
Die Datensätze wurden stratifiziert in Trainings-/Testdaten (70:30) geteilt. Die Performanzbewertung erfolgte über:
- ROC-AUC
- F1-Score
- Sensitivität/Spezifität
- 10-fache Kreuzvalidierung
- Externe Validierung (12/2018–12/2019)
Ergebnisse
Basischarakteristika
Signifikante Unterschiede (p<0,05) zeigten sich bei:
- Erhöht: CK-MB (156 vs. 24 U/L), LDH (435 vs. 268 U/L), Troponin T (0,78 vs. 0,03 ng/ml)
- Erniedrigt: Albumin (28,4 vs. 34,6 g/L), Gesamtprotein (58,9 vs. 66,2 g/L)
Merkmalsselektion
Die RFE identifizierte 6 Schlüsselprädiktoren:
- Kardiales Troponin T (OR: 1,413)
- Laktatdehydrogenase
- Pulsoximetrie (SpO2)
- CK-MB
- Herzfrequenz
- Körpertemperatur
Modellperformanz
| Modell | ROC-AUC | Sensitivität | F1-Score |
|---|---|---|---|
| Logistische Regression | 0,885 | 0,571 | 0,938 |
| Bagging | 0,885 | 0,762 | 0,930 |
In der externen Validierung erreichte der Bagging-Algorithmus die höchste Sensitivität (0,605) bei einer ROC-AUC von 0,863.
Diskussion
Die Studie demonstriert die Überlegenheit maschineller Lernverfahren gegenüber konventionellen Prognosescores. Kardiales Troponin T erwies sich als stärkster Indikator für Myokardschäden, was die Bedeutung kardialer Komplikationen bei febrilen Erkrankungen unterstreicht. Der kombinierte Einsatz von Vitalparametern (Atemfrequenz, Sauerstoffsättigung) und Laborparametern (Elektrolyte, Proteinstatus) ermöglicht eine ganzheitliche Risikobewertung.
Klinisch relevante Implikationen:
- Engmaschiges Monitoring der Troponin-T-Dynamik
- Frühe Korrektur von Hypoproteinämie (<30 g/L)
- Priorisierung von Patienten mit Tachypnoe (>22/min) und Hypoxämie (SpO2 <92%)
Limitationen umfassen die heterogene Ätiologie des Fiebers und retrospektive Datenerhebung. Prospektive Multicenterstudien mit ätiologiespezifischen Subanalysen werden empfohlen.
Fazit
Das entwickelte Bagging-Modell mit 11 Input-Variablen zeigt optimale Sensitivität für die Früherkennung hochriskant er febriler Patienten. Die Integration in klinische Entscheidungssysteme könnte die Triage-Qualität in Notaufnahmen substanziell verbessern. Die Studienergebnisse unterstreichen das Potenzial künstlicher Intelligenz zur Lösung komplexer prognostischer Fragestellungen in der Notfallmedizin.
doi.org/10.1097/CM9.0000000000000675