Entwicklung von Risikovorhersagemodellen für Herzinsuffizienz auf der Grundlage eines Multi-Marker-Ansatzes unter Verwendung von Random-Forest-Algorithmen
Die Herzinsuffizienz (HI) bleibt eine globale Herausforderung für die öffentliche Gesundheit, die durch hohe Mortalität, Morbidität und Behandlungskosten gekennzeichnet ist. Trotz therapeutischer Fortschritte bleibt die Prognose schlecht, was die Notwendigkeit einer frühzeitigen Identifizierung gefährdeter Personen unterstreicht. Traditionelle Diagnoseansätze stützen sich häufig auf Einzelbiomarker wie das B-Typ-natriuretische Peptid (BNP), doch die komplexe Pathophysiologie der HI legt nahe, dass Multi-Marker-Modelle die Krankheitsheterogenität besser erfassen können. Diese Studie nutzt maschinelles Lernen – insbesondere den Random-Forest-Algorithmus –, um die diagnostische Leistung von vier Biomarkern zu bewerten: Kreatinkinase-MB-Isoenzym (CK-MB), BNP, Galektin-3 (Gal-3) und löslicher Suppressor der Tumorigenizität-2 (sST2). Die Ergebnisse zeigen, dass die Kombination dieser Biomarker die Vorhersagegenauigkeit im Vergleich zu Einzelmarkern verbessert, was den Wert von Multi-Marker-Strategien in der HI-Risikobewertung unterstreicht.
Hintergrund und Begründung
HI entsteht durch ventrikuläres Remodeling und myokardiale Fibrose, getrieben durch maladaptive Prozesse wie neurohormonale Aktivierung, Entzündung und myokardiale Schädigung. Biomarker, die diese Pathways widerspiegeln, haben sich als Werkzeuge für Diagnose und Prognose etabliert. BNP, das bei Volumenüberlastung aus den Herzkammern freigesetzt wird, ist der Goldstandard für die HI-Diagnose. Seine Limitationen – beispielsweise Variabilität durch Alter, Nierenfunktion und Adipositas – verdeutlichen jedoch den Bedarf an komplementären Markern. CK-MB, ein Marker für myokardiale Schädigung, weist hohe Spezifität für kardiale Schäden auf. Gal-3, ein Mediator der Fibrose, und sST2, ein Decoy-Rezeptor für Interleukin-33 mit Verbindung zu Entzündung und Fibrose, haben prognostischen Wert bei chronischer HI gezeigt. Individuell adressieren diese Marker unterschiedliche pathophysiologische Aspekte, doch ihre kombinierte Anwendung könnte die diagnostische Präzision steigern.
Studiendesign und Methodik
Studienkollektiv
Insgesamt wurden 193 Teilnehmer eingeschlossen: 80 HI-Patienten (mittleres Alter 57 Jahre, 72,5 % Männer), gemäß ESC-Leitlinien 2016 diagnostiziert, und 113 alters- und geschlechtsangepasste gesunde Kontrollen. Ausschlusskriterien umfassten akuten Myokardinfarkt, Vorhofflimmern, Lungenerkrankungen, Malignome und kürzliche Medikamenteneinnahme. Der HI-Schweregrad wurde nach NYHA-Kriterien klassifiziert (20 Klasse I–II, 60 Klasse III–IV).
Biomarkerbestimmung
Blutproben wurden auf CK-MB, BNP, Gal-3 und sST2 mittels Elektrochemilumineszenz-Immunoassays (Abbott ARCHITECT i2000SR) und hochsensibler Assays (Presage™ ST2) analysiert. Echokardiografische Parameter – linksventrikuläre Ejektionsfraktion (LVEF), linksventrikulärer enddiastolischer Durchmesser (LVEDD) und endsystolischer Durchmesser (LVESD) – wurden zur Bewertung der Herzfunktion erhoben.
Statistische und maschinelle Lernanalysen
- Univariate Analyse: Biomarkerlevel und klinische Parameter wurden mittels t-Tests, Rangsummentests oder Chi-Quadrat-Tests verglichen.
- Korrelation und Regression: Spearman-Rangkorrelationen untersuchten Zusammenhänge zwischen Biomarkern und echokardiografischen Maßen. Lineare Regressionen prüften Assoziationen zwischen Biomarkern und Herzfunktion.
- Diagnostische Leistung: ROC-Kurven (Receiver Operating Characteristic) bewerteten die prädiktive Genauigkeit einzelner Biomarker.
- Random-Forest-Modellierung: Ein Multi-Marker-Modell wurde mit dem R-Paket randomForest (500 Entscheidungsbäume) erstellt. Die Variablenbedeutung wurde durch mittlere Genauigkeitsabnahme (MDA) und Gini-Index quantifiziert.
Hauptergebnisse
Biomarkerlevel und klinische Charakteristika
HI-Patienten zeigten signifikant erhöhte Level aller vier Biomarker im Vergleich zu Kontrollen:
- BNP: Median 742,5 pg/mL vs. 24,0 pg/mL (P < 0,0001)
- CK-MB: 1,9 ng/mL vs. 1,2 ng/mL (P < 0,0001)
- Gal-3: 15,75 ng/mL vs. 10,00 ng/mL (P < 0,0001)
- sST2: 21,81 ng/mL vs. 15,21 ng/mL (P < 0,0001)
HI-Patienten wiesen außerdem höhere Raten an Rauchen (49,4 % vs. 24,6 %) und Alkoholkonsum (32,9 % vs. 19,1 %), niedrigere LVEF (30 % vs. 65 %) und vergrößerte ventrikuläre Dimensionen (LVEDD: 64 mm vs. 46 mm) auf.
Korrelation mit Herzfunktion
BNP korrelierte moderat mit dem NYHA-Stadium (R = 0,40, P = 0,0004), zeigte jedoch schwache Korrelationen mit LVEF, LVEDD und LVESD. Gal-3 korrelierte schwach mit dem NYHA-Stadium (R = 0,36, P = 0,0011). Kein Biomarker korrelierte stark mit echokardiografischen Parametern, was auf komplementäre statt redundante Informationen hindeutet.
Diagnostische Leistung einzelner Biomarker
- BNP: Erzielte die höchste AUC (0,956) bei einem Cutoff von 60 pg/mL mit 94,4 % Sensitivität und 90,3 % Spezifität. Bei 100 pg/mL stieg die Spezifität auf 95,6 %, jedoch sank die Sensitivität auf 86,1 %.
- Gal-3: AUC = 0,777, besser als CK-MB (AUC = 0,709) und sST2 (AUC = 0,711).
- sST2 und CK-MB: Zeigten moderate diagnostische Nützlichkeit mit Sensitivitäten unter 66 % und Spezifitäten über 76 %.
Multi-Marker-Random-Forest-Modell
Der Random-Forest-Algorithmus identifizierte BNP als wichtigsten Prädiktor (höchste MDA- und Gini-Werte), gefolgt von sST2, Gal-3 und CK-MB. Das kombinierte Modell erreichte:
- Sensitivität: 91,5 %
- Spezifität: 96,7 %
- Positiver prädiktiver Wert (PPV): 97,0 %
- Negativer prädiktiver Wert (NPV): 90,8 %
Dieser Multi-Marker-Ansatz verbesserte die Genauigkeit gegenüber Einzelmarkern und unterstreicht die Synergie zwischen Pathways (myokardiale Schädigung, Fibrose, Entzündung).
Klinische Implikationen
- BNP bleibt zentral: Seine starke Leistung bekräftigt seine Rolle als First-Line-Diagnostikum, doch kontextspezifische Limitationen erfordern ergänzende Marker.
- Gal-3 und sST2 bieten Mehrwert: Diese Fibrose-/Entzündungsmarker liefern zusätzliche prognostische Informationen, insbesondere bei chronischer HI.
- Rolle von CK-MB: Weniger diskriminierend, könnte jedoch gleichzeitige myokardiale Schädigung identifizieren.
- Nutzen des maschinellen Lernens: Random Forests verarbeiten effektiv Variableinteraktionen und bieten einen robusten Rahmen für Multi-Marker-Integration.
Limitationen und zukünftige Richtungen
- Stichprobengröße und Demografie: Die monozentrische Studie mit 193 Teilnehmern limitiert die Generalisierbarkeit. Größere, multiethnische Kohorten sind erforderlich.
- Biomarkerpanel: Der Ausschluss von Markern für Nierenfunktionsstörungen oder oxidativen Stress könnte das Potenzial des Modells unterschätzen.
- Prognostische Validierung: Die Studie fokussierte auf die Diagnose; zukünftige Arbeiten sollten die Vorhersage von Hospitalisierung oder Mortalität prüfen.
Zusammenfassung
Diese Studie zeigt, dass ein Multi-Marker-Ansatz mit CK-MB, BNP, Gal-3 und sST2 die HI-Diagnose durch den Random-Forest-Algorithmus verbessert. BNP bleibt zentral, doch die Integration von Fibrose- und Schädigungsmarkern erhöht die Genauigkeit und spiegelt die multifaktorielle Natur der HI wider. Maschinelle Lernmodelle wie Random Forests bieten vielversprechende Ansätze für personalisierte Risikostratifizierung, die frühe Interventionen leiten und die Prognose bei HI verbessern könnten.
doi.org/10.1097/CM9.0000000000000149