Durchbruch: Machine-Modell sagt Herzstillstand bei ICU-Patienten mit hoher Genauigkeit voraus

In einer bahnbrechenden Studie, die in Npj Digital Medicine veröffentlicht wurde, haben Forscher ein neues Machine-Learning-Modell (ML) vorgestellt, das eine außergewöhnliche Genauigkeit bei der Vorhersage von Herzstillständen bei Intensivpatienten (ICU) unter Verwendung von Elektrokardiogramm-(EKG)-Daten zeigt.

Die Notwendigkeit verbesserter Vorhersagemodelle aufdecken

Trotz der Fortschritte in der Intensivmedizin bleibt die Häufigkeit unerwarteter und plötzlicher Herzstillstände eine Herausforderung für Patienten, die auf der Intensivstation aufgenommen werden. Die vielfältigen Gründe für kardiologische Notfälle im Krankenhaus erfordern die Entwicklung genauer Vorhersagemodelle für die Echtzeiterkennung, um zeitnahe und lebensrettende Interventionen wie die Herz-Lungen-Wiederbelebung (HLW) und eine frühe Defibrillation zu ermöglichen.

Während frühere Modelle auf klinischen Merkmalen aus elektronischen Krankenakten (EMR) basierten, führte die Begrenzung bei der Erfassung verschiedener EMR-Variablen zu einem Wechsel hin zu ML-Algorithmen, die auf EKG-Daten basieren. EKG-basierte Vorhersagemodelle gewährleisten eine kontinuierliche und Echtzeit-Überwachung und bieten ein potenziellen Durchbruch bei der Vorhersage von Herzstillständen im Krankenhaus.

Das Forschungsteam konstruierte sorgfältig einen strukturierten EKG-Datensatz aus 5.679 ICU-Aufenthalten, die 4.821 Patienten umfassten. Unter Verwendung von Elektrokardiogrammsignalen berechneten sie einen umfassenden Satz von 74 Maßen der Herzfrequenzvariabilität (HRV), einschließlich Zeitbereichs-, Frequenzbereichs- und nichtlinearer Maße. Der BorutaShap-Algorithmus wählte 33 dieser Maße als Eingabefunktionen für das Vorhersagemodell aus.

Unter Einsatz eines Light Gradient Boosting Machine (LGBM)-Algorithmus optimierten die Forscher die Hyperparameter des Modells mittels Bayes-Optimierung. Das primäre Ergebnis war das Auftreten eines Herzstillstands innerhalb von 0,5–24 Stunden, wobei sekundäre Ergebnisse in verschiedenen Zeitintervallen berücksichtigt wurden.

Beeindruckende Ergebnisse und vergleichende Analyse

Das ML-Modell erzielte für das primäre Ergebnis eine herausragende Fläche unter der Receiver Operating Characteristic Curve (AUROC) von 0,881 und eine Fläche unter der Precision-Recall-Curve (AUPRC) von 0,104. Die Diskriminierungsleistung des Modells blieb auch bei sekundären Ergebnissen robust und zeigte seine Zuverlässigkeit bei der Vorhersage von Herzstillständen bei ICU-Patienten.

Ein Vergleich des ML-Modells mit einem auf klinischen Parametern basierenden Modell, das 43 Merkmale aus Vitalzeichen nutzte, ergab eine signifikant höhere AUROC (0,881 vs. 0,735, p < 0,001) für das Studienmodell unter Verwendung von HRV-Maßen. Dies unterstreigt die Überlegenheit des EKG-basierten ML-Modells bei der Vorhersage plötzlicher Herzstillstände.

Schlüssel-HRV-Maße und zukünftige Implikationen aufdecken

Die Analyse der Feature-Bedeutung identifizierte die sechs wichtigsten Maße, darunter das 20. Perzentil der RR-Intervalle (Prc20NN), die trianguläre Interpolation des RR-Intervall-Histogramms (TINN) und die Interquartilsspanne der RR-Intervalle (IQRNN). Diese Maße zeigten dynamische Veränderungen etwa sechs Stunden vor einem plötzlichen Herzstillstand und bieten wertvolle Einblicke in die Echtzeitevaluierung des kardialen Zustands eines Patienten.

Die Ergebnisse der Studie deuten darauf hin, dass höhere IALS (Beschleunigungs-/Verzögerungssegmente) mit beeinträchtigten kardialen Zuständen in Verbindung gebracht werden können, was das Potenzial des ML-Modells bei der Identifizierung von Patienten mit Risiko für plötzlichen Herzstillstand unterstreicht.

Eine der großen Stärken dieser Studie ist die hohe Zugänglichkeit und Übertragbarkeit des Modells auf verschiedene Gesundheitseinrichtungen. Die kontinuierliche EKG-Überwachung, eine Standardpraxis in ICU-Einrichtungen, macht die Anwendung dieses Vorhersagemodells in der klinischen Praxis einfach.

Obwohl die Studie entscheidende Echtzeiteinblicke bietet, erkennen die Forscher an, dass weitere Untersuchungen erforderlich sind, um die Kausalität zwischen HRV-Maßen und Herzstillstand zu etablieren.