Maschinelles Lernen zur Vorhersage von akutem Nierenversagen bei Patienten mit akuter Pankreatitis auf der Intensivstation
Zusammenfassung
Akutes Nierenversagen (ANV) ist eine schwerwiegende Komplikation bei Patienten mit akuter Pankreatitis auf der Intensivstation (ICU). Betroffene weisen eine signifikant höhere Mortalitätsrate auf als Patienten ohne ANV. Die Diagnose erfolgt typischerweise über einen plötzlichen Abfall der glomerulären Filtrationsrate, erkennbar an einem Anstieg des Serumkreatinins oder Oligurie innerhalb von 48 Stunden bis 7 Tagen. Oft schreitet die Nierenschädigung jedoch irreversibel fort, bevor diese Marker auftreten. Diese Studie zielte darauf ab, Vorhersagemodelle mittels maschineller Lernalgorithmen und traditioneller logistischer Regression zu entwickeln, um ANV bei akuter Pankreatitis frühzeitig zu erkennen.
Methoden
Die retrospektive Studie nutzte Daten von Patienten mit akuter Pankreatitis, die zwischen Dezember 2015 und Dezember 2019 auf der ICU des West China Hospital, Sichuan University, behandelt wurden. Die Diagnose von ANV erfolgte nach den KDIGO-Leitlinien (Kreatinin und Urinauscheidung), die akute Pankreatitis gemäß den Kriterien: charakteristische Schmerzen, Lipase-/Amylaseerhöhung (≥3-fach des Normwerts) oder bildgebende Befunde. Ausschlusskriterien umfassten chronische Nierenerkrankungen, vorbestehendes ANV bei Aufnahme, Alter <18 Jahre sowie Pankreastraumata oder Tumoren.
Der Datensatz (488 Patienten, davon 30,9 % mit ANV) wurde in Trainings- (70 %) und Testdatensatz (30 %) unterteilt. Die logistische Regression (LR) identifizierte Risikofaktoren mittels univariater und multivariabler Analyse. Maschinelle Lernmodelle (Gradient Boosting [GB], Random Forest [RF], Extreme Gradient Boosting [XGB]) wurden unter Hyperparameteroptimierung via Grid Search trainiert. Die Leistung der Modelle wurde anhand der AUC (Area Under the Curve), Netto-Reclassifikationsverbesserung (NRI) und integrierter Diskriminationsverbesserung (IDI) bewertet.
Ergebnisse
Patienten mit ANV zeigten höhere Werte bei Leukozyten, Neutrophilen, Kreatinin, Harnsäure, Cystatin C, Amylase, Lipase, aPTT, D-Dimer, Procalcitonin, CRP, ICU-Verweildauer und 28-Tage-Mortalität. In der multivariablen Analyse waren Procalcitonin, logarithmierter BNP (Ln BNP) und Kreatinin unabhängige Prädiktoren für ANV. Die AUC-Werte der Modelle betrugen:
- LR: 0,763
- GB: 0,828
- RF: 0,812
- XGB: 0,809
Obwohl die AUC-Unterschiede zwischen maschinellen Lernmodellen und LR nicht signifikant waren, wiesen erstere signifikante Verbesserungen in NRI und IDI auf. Die Entscheidungskurvenanalyse zeigte einen höheren Nettonutzen der maschinellen Lernmodelle bei Schwellenwerten <0,4. Die SHAP-Analyse des GB-Modells identifizierte Kreatinin, Harnsäure, Procalcitonin, Thrombinzeit und BNP als wichtigste Prädiktoren.
Schlussfolgerung
Maschinelle Lernmodelle übertrafen die traditionelle logistische Regression in der Netto-Reclassifikation und im klinischen Nutzen, insbesondere bei niedrigen Schwellenwerten. Trotz nicht signifikanter AUC-Unterschiede könnten sie zukünftig die klinische Entscheidungsfindung unterstützen, sofern weitere Validierungen erfolgen.
doi.org/10.1097/CM9.0000000000002531