Ein neues Risikostratifizierungssystem für Patienten mit Verdacht auf kardialen Brustschmerz in Notaufnahmen, basierend auf maschinellem Lernen
Brustschmerz ist eines der häufigsten Beschwerden bei Patienten, die weltweit Notaufnahmen (EDs) aufsuchen. Eine genaue Risikostratifizierung des akuten Koronarsyndroms (ACS) bei diesen Patienten ist entscheidend für eine effektive klinische Entscheidungsfindung und Ressourcenallokation. Traditionelle Risikostratifizierungswerkzeuge wie der Thrombolysis in Myocardial Infarction (TIMI)-Score, der Global Registry for Acute Coronary Events (GRACE)-Score, der Banach-Score und der HEART-Score wurden in der klinischen Praxis weit verbreitet eingesetzt. Unter diesen hat der HEART-Score in früheren Studien eine überlegene Leistung bei der Vorhersage von schwerwiegenden kardialen Ereignissen (MACE) innerhalb von 7 Tagen gezeigt, mit einem C-Statistik-Wert von 0,731. Die Entwicklung von Algorithmen des maschinellen Lernens (ML) bietet jedoch das Potenzial, genauere und effizientere Risikostratifizierungsmodelle zu entwickeln. Diese Studie zielte darauf ab, ML-basierte Modelle zur Vorhersage von 7-Tage-MACE bei Patienten mit Verdacht auf kardialen Brustschmerz zu entwickeln und zu evaluieren und ihre Leistung mit dem HEART-Score zu vergleichen.
Studiendesign und Methodik
Diese Studie war eine retrospektive Beobachtungskohortenanalyse basierend auf Daten aus einer prospektiven Beobachtungsstudie. Patienten wurden aus zwei Krankenhäusern rekrutiert: dem Prince of Wales Hospital (PWH) in Hongkong und dem Second Affiliated Hospital of Guangzhou Medical University (AHGZMU) in Guangzhou, China. Die Rekrutierungszeiträume erstreckten sich von Mai 2012 bis März 2013 am PWH und von März 2012 bis August 2013 am AHGZMU. Die Studie umfasste Patienten im Alter von 18 Jahren oder älter, die in der Notaufnahme mit Brustschmerzen oder Beschwerden möglicher kardialer Ursache vorstellig wurden. Ausschlusskriterien waren nicht-chinesische Patienten, solche mit einer klaren nicht-kardialen Ursache für Brustschmerzen und Patienten mit bestätigtem ST-Strecken-Hebungs-Myokardinfarkt (STEMI), da diese Patienten keine undifferenzierten Brustschmerzen hatten.
Insgesamt wurden 1.274 geeignete Patienten identifiziert, von denen 418 aufgrund von Teilnahmeunwilligkeit, fehlender Symptombeginnzeit, fehlender Einwilligungsfähigkeit oder nicht-kardialer Brustschmerzen ausgeschlossen wurden. Dies führte zu 856 Patienten, die in die Studie aufgenommen wurden. Von diesen absolvierten 833 die 7-Tage-Nachbeobachtung. Daten zu nachfolgenden Notaufnahmebesuchen, Krankenhauswiederaufnahmen zur Brustschmerzabklärung und kardialen Eingriffen wurden aus dem Clinical Management System (CMS) am PWH und dem Health Insurance Information Management System (HIIMS) am AHGZMU erhoben. Diese Daten wurden durch Telefoninterviews, die 7 Tage nach der initialen Vorstellung durchgeführt wurden, weiter bestätigt.
Der Datensatz wurde in Trainings- und Testdatensätze aufgeteilt. Daten von 583 Patienten (70 %) wurden zur Entwicklung der Klassifikationsmodelle verwendet, während Daten von 250 Patienten (30 %) zur Bewertung der prognostischen Leistung der Modelle reserviert wurden. Drei ML-Algorithmen wurden eingesetzt: eXtreme Gradient Boosting (XGBoost), Support Vector Machine (SVM) und logistische Regression (LR). Die Leistung dieser Modelle wurde mit dem HEART-Score unter Verwendung der Receiver Operating Characteristic (ROC)-Kurvenanalyse verglichen.
Hauptergebnisse
Die Studie ergab, dass das XGBoost-Modell die anderen ML-Algorithmen und den HEART-Score bei der Vorhersage von 7-Tage-MACE übertraf. Die Fläche unter der ROC-Kurve (AUC) für XGBoost betrug 0,822 (95 %-Konfidenzintervall [KI]: 0,769 bis 0,868), was signifikant höher war als die AUCs für SVM (0,649, 95 %-KI: 0,586 bis 0,708), LR (0,667, 95 %-KI: 0,605 bis 0,725) und den HEART-Score (0,702, 95 %-KI: 0,641 bis 0,758). Die Unterschiede in den AUCs zwischen XGBoost und den anderen Modellen waren statistisch signifikant, mit p-Werten von 0,002, 0,001 und 0,098 für SVM, LR und HEART.
Der XGBoost-Algorithmus identifizierte Troponin, Geschlecht und Kreatinin als die drei wichtigsten Merkmale für die Vorhersage von 7-Tage-MACE. Diese Erkenntnis stimmt mit der bekannten klinischen Bedeutung dieser Variablen in der kardialen Risikobewertung überein. Troponin, ein Biomarker für Myokardschäden, ist ein Eckpfeiler der ACS-Diagnose. Geschlechtsunterschiede in der Präsentation und den Ergebnissen von kardiovaskulären Erkrankungen sind gut dokumentiert, während Kreatininspiegel die Nierenfunktion widerspiegeln, die eng mit der kardiovaskulären Gesundheit verbunden ist.
Stärken und klinische Implikationen
Die primäre Stärke dieser Studie liegt in der Entwicklung eines neuartigen Risikostratifizierungsmodells unter Verwendung des XGBoost-Algorithmus, das eine überlegene prognostische Leistung im Vergleich zu traditionellen ML-Modellen und dem HEART-Score zeigte. Die Fähigkeit von XGBoost, Regeln automatisch und effizient aus medizinischen Daten zu extrahieren, ermöglicht eine umfassendere Analyse, die alle Variablen aus den Rohdaten einbezieht. Diese Fähigkeit ist insbesondere in der Notaufnahme von Vorteil, wo eine schnelle und genaue Risikostratifizierung für die Triage und klinische Entscheidungsfindung entscheidend ist.
Ein weiterer bedeutender Vorteil des XGBoost-Modells ist seine Machbarkeit für die Implementierung in der Notaufnahme. Alle Schlüsselvariablen, die für das Modell erforderlich sind, einschließlich Symptome, Anzeichen und Blutbiomarker, können innerhalb von zwei Stunden nach der Patientenaufnahme erhoben werden. Dies macht das Modell zu einem praktischen Werkzeug für das Notaufnahmepersonal, das es ihnen ermöglicht, klinische Ergebnisse vorherzusagen und fundierte Entscheidungen über die Triage-Klassifizierung und das Patientenmanagement zu treffen.
Einschränkungen und zukünftige Richtungen
Während die Ergebnisse der Studie vielversprechend sind, sollten mehrere Einschränkungen anerkannt werden. Erstens wurde die Studie in einer spezifischen Population chinesischer Patienten durchgeführt, was die Generalisierbarkeit der Ergebnisse auf andere ethnische Gruppen einschränken könnte. Zweitens führt der retrospektive Charakter der Studie zu potenziellen Verzerrungen, insbesondere bei der Datenerhebung und Patientenauswahl. Drittens konzentrierte sich die Studie auf kurzfristige Ergebnisse (7-Tage-MACE), und weitere Forschung ist erforderlich, um die Leistung des Modells bei der Vorhersage langfristiger Ergebnisse zu bewerten.
Zukünftige Studien sollten darauf abzielen, das XGBoost-Modell in größeren, diverseren Populationen zu validieren und seine Integration in klinische Entscheidungsunterstützungssysteme zu erforschen. Darüber hinaus könnte das Modell durch die Einbeziehung anderer relevanter Variablen, wie Bildgebungsdaten und Patientenkomorbiditäten, weiter verbessert werden, um seine Vorhersagegenauigkeit zu steigern.
Schlussfolgerung
Zusammenfassend zeigt diese Studie, dass der XGBoost-Algorithmus ein leistungsfähiges Werkzeug zur Vorhersage von 7-Tage-MACE bei Patienten ist, die mit Brustschmerzen in der Notaufnahme vorstellig werden. Seine überlegene Leistung im Vergleich zu SVM, LR und dem HEART-Score unterstreicht das Potenzial von ML-Algorithmen, die Risikostratifizierung in der Notfallmedizin zu revolutionieren. Durch die Ermöglichung einer schnellen und genauen Risikobewertung kann das XGBoost-Modell das Notaufnahmepersonal bei der rechtzeitigen und fundierten Entscheidungsfindung unterstützen und letztendlich die Patientenoutcomes verbessern.
doi.org/10.1097/CM9.0000000000000725