Entwicklung eines Machine-Learning Models zur Prädiktion adverser Events in Patientinnen mit hohem Risiko für Präeklampsie

Hintergrund Präeklampsie stellt mit einer geschätzten Inzidenz von 2–5% eine sehr prävalente Last für schwangere Frauen dar. Damit einhergehend ist eine 20-fache Riskioerhöhung für den Tod der Mutter und ein wesentlich erhöhtes Risiko für andere schwere Krankheitsverläufe von sowohl Mutter als auch Kind. Neue Biomarker, wie soluble fms-like tyrosine kinase-1 (sFlt-1) und placental growth factor (PlGF), stellen in Kombination mit konventionellen klinischen Daten (mediziniescher Historie, physischen Symptomen und Laborparameters etc.) eine exzellente Basis für die Anwendung von machine-learning-Methoden dar.

Ziel Entwicklung eines machine-learning-Modells zur Vorhersage von adverse outcomes in Präeklampsie-Hochrisiko-Patientinnen.

To develop a machine-learning model for prediction of adverse outcomes in high-risk-preeclampsia patients.

Studiendesign Unsere Datenbank von 1648 Frauen wurde retrospektiv aus Frauen rekrutiert, die sich der Klinik für Geburtsmedizin der Charité Universtitätsmedizin Berlin im Zeitraum von Juli 2010 bis März 2019 vorgestellt haben. Es wurden Frauen mit hohem Risiko für Präeklampsie eingeschlossen. Der primäre Endpunkt war das Auftreten von maternalen oder fetalen Präeklampsie-assoziierten adversen Outcomes.

Nach Standardisierung und Bereinigung der Daten berechneten wir auf Basis der Biomarker sFlt-1 und PlGF sowie verschiedene Sonografie-Marker (umbilical artery pulsatility index (PI), middle cerebral artery PI, mean uterine artery PI) zusätzliche Features, womit eine Gesamtzahl von 114 Prädiktoren resultierte. Nach Hyperparameter tuning mittels eines grid-search-Ansatzes trainierten wir zwei unterschiedliche Modell, einen gradient-boosted-trees- sowie einen Random-Forest-classifier. Alle Resultate wurden durch ein 10×10-Cross-Validation-Schema evaluiert.

Ergebnisse Gradient-boosted trees (GBTree) zeigte einen PPV von 81,8±10%, einen NPV von 88,5±3,5%, eine Sensitivität von 67,6±4.3%, eine Spezifizität von 94,6±3%, eine Gesamtgenauigkeit von 87,1%±2,8%, eine ROCAUC von 0.811±0.029 sowie einen F1-Score von 0,737±0.057.

Der Random-Forest-Classifier lieferete vergleichbare PPV (80.8%±9%) und Spezifizität (94,9%±1,9%) und zeigte etwas niedrigere Ergebnisse in den weiteren Metriken.

Schlussfolgerung Machine-learning-Ansätze sind ein valider Ansatz zur Prädiktion von adversen Events in Schwangeren mit hohem Risiko für Präeklampsie.

Publication History

Article published online:
26 November 2021