Klinische Merkmale und Laborparameter auf Basis von Maschinellem Lernen und Deep Learning zur Vorhersage von Sarkopenie
Zusammenfassung
Sarkopenie ist eine altersbedingte, progressive Erkrankung der Skelettmuskulatur, die durch den Verlust von Muskelmasse, -kraft und physiologischer Funktion gekennzeichnet ist. Sie stellt ein bedeutendes Gesundheitsproblem in alternden Populationen dar und ist mit nachteiligen Folgen wie Gebrechlichkeit, Stürzen, Behinderungen und erhöhter Mortalität assoziiert. Früherkennung und Intervention sind entscheidend, um diese Risiken zu reduzieren. Traditionelle Diagnosemethoden wie Magnetresonanztomographie (MRT), Computertomographie (CT), Dual-Energy-Röntgenabsorptiometrie (DXA) und bioelektrische Impedanzanalyse (BIA) weisen Limitationen auf: MRT und CT sind kostspielig und mit Strahlenexposition verbunden, während BIA trotz portabler Anwendbarkeit populations- und gerätespezifische Grenzwerte besitzt. Messungen der Griffstärke oder Gehgeschwindigkeit sind bei älteren Patienten mit Komorbiditäten oft nicht praktikabel. Daher besteht Bedarf an kosteneffizienten, zugänglichen Diagnoseverfahren.
In dieser Studie wurde ein maschinelles Lernmodell zur Sarkopenie-Diagnose entwickelt, das klinische Merkmale und Laborparameter alternder Kohorten nutzt. Vier Modelle wurden verglichen: Support-Vector-Machine (SVM), Random Forest (RF), eXtreme Gradient Boosting (XGB) und das Wide-and-Deep-Modell (W&D). Das W&D-Modell, das lineare Modelle mit tiefen neuronalen Netzen (DNN) kombiniert, zeigte die beste Leistung.
Methoden
Die Daten stammten aus der West China Health and Aging Trend (WCHAT)-Studie (Entwicklungskohorte: 4057 Teilnehmer, 772 mit Sarkopenie) und der Xiamen Aging Trend (XMAT)-Kohorte (externe Validierung: 553 Teilnehmer, 149 mit Sarkopenie). Es wurden 109 Merkmale erfasst, darunter Basisdaten, Erkrankungen, Muskelkraft und Serumbiomarker. Die Merkmalsauswahl erfolgte mittels Mann-Whitney-U-Test (kontinuierliche Variablen) und Chi-Quadrat-Test (kategorische Variablen; p <0,05). Mittels Hauptkomponentenanalyse (PCA) wurden 12 relevante Merkmale identifiziert:
- Alter, Körpergewicht, Trizepshautfaltendicke (TST), Wadenumfang (CC), Oberarmumfang (MAC), AST/ALT-Quotient, juckende Haut (SBITCS), Synkopen (SBAPSY), kürzliche Pflegebedürftigkeit (MCANEE), Arztbesuche (MCAILL), reduzierte körperliche Aktivität (LFPHY) und Haushaltstätigkeiten (LFIACT).
Modellentwicklung
Das W&D-Modell integriert ein lineares „Wide“-Modell (Gedächtniseffekte) und ein „Deep“-Modell (drei verborgene Schichten). Die Ausgangslog-Odds wurden aus beiden Komponenten kombiniert und mittels logistischer Verlustfunktion optimiert. Die Leistung wurde anhand der Area under the Curve (AUC) und Genauigkeit (ACC) bewertet.
Ergebnisse
Im Training erzielte W&D die höchste AUC (0,916 ± 0,006) und ACC (0,882 ± 0,006), gefolgt von SVM (AUC = 0,907; ACC = 0,877), XGB (AUC = 0,877; ACC = 0,868) und RF (AUC = 0,843; ACC = 0,836). In der Testung blieb W&D führend (AUC = 0,881; ACC = 0,862). Extern validiert erreichte W&D AUC = 0,970 und ACC = 0,911, deutlich vor RF (AUC = 0,830), SVM (AUC = 0,766) und XGB (AUC = 0,722).
Diskussion
Die Überlegenheit des W&D-Modells erklärt sich durch die Synergie aus linearer Gedächtnisfunktion und DNN-Generalisierung. Die ausgewählten Merkmale sind klinisch relevant und ökonomisch zugänglich: Anthropometrische Maße (CC, MAC) reflektieren Muskelmasse, der AST/ALT-Quotient korreliert mit Gebrechlichkeit, und Aktivitätsparameter (LFPHY, LFIACT) erfassen funktionelle Einschränkungen.
Einschränkungen
Die externe Validierung beschränkte sich auf zwei Kohorten. Zukünftige Studien sollten regionale Unterschiede berücksichtigen und die Sensitivität weiter optimieren.
Schlussfolgerung
Das W&D-Modell bietet eine präzise, kosteneffiziente Diagnose von Sarkopenie unter Verwendung leicht verfügbarer klinischer Daten. Es eignet sich insbesondere für die primäre Gesundheitsversorgung in Regionen mit alternder Bevölkerung und unterstreicht das Potenzial KI-basierter Ansätze in der Medizin.
Schlüsselwörter: Sarkopenie; Maschinelles Lernen; Diagnostisches Modell; Altern; Künstliche Intelligenz
doi.org/10.1097/CM9.0000000000002633