Entwicklung eines KI-gestützten Entscheidungstools zur Bewertung der Physical Frailty bei immobilisierten orthogeriatrischen Patienten

Einleitung Je älter und multimorbider die Patienten werden, desto schwieriger wird es für den Menschen, alle Daten synoptisch zu beurteilen; hier können Algorithmen eine große Hilfe sein. Gerade bei orthogeriatrischen Patienten spielt die richtige Einschätzung der individuellen körperlichen Leistungsfähigkeit eine wichtige Rolle. Um den Zustand dieser körperlichen Fähigkeiten auch bei akut immobilisierten Patienten beurteilen zu können, zielte die vorliegende Studie darauf ab, die körperliche Gebrechlichkeit bei Patienten ohne direkte Messung von Mobilitätsdaten zu bewerten.

Methode Es wurden 87 Variablen von 103 Patienten erhoben und anschließend zum Trainieren der drei Klassifizierungsalgorithmen des maschinellen Lernens (Decision Tree, Random Forest, k-nearest-neighbors) verwendet. Die Variablen wurden in die verschiedene Untergruppen, Screeningfragebögen, Demografische Daten, Laborparameter, automatisiert getroffene Variablenauswahl, sowie ein Datensatz mit allen erhobenen Variablen aufgeteilt und die daraus resultierenden Modelle wurden hinsichtlich ihrer Fläche unter der Receiver-Operating-Characteristics-Kurve verglichen.

Ergebnisse Der Random Forest, bei dem der gesamte Variablensatz für die Modellerstellung verwendet wurde, erwies sich mit einer Fläche unter der Kurve (AUC) von 0,95 als der beste Algorithmus, wenn dieser mit allen erhobenen Daten gespeist wurde. Am schlechtesten schnitt der Decision Tree mit dem Variablensatz, der lediglich die demografischen Daten beinhaltet ab (AUC=0,6189. Der Random Forest mit den Daten aus dem SARC-F erreichte eine AUC von 0,783.

Diskussion Für die objektive Bewertung komplexer, multifaktorieller Syndrome wie der körperlichen Gebrechlichkeit ist es von außerordentlicher Bedeutung, eine Vielzahl von Parameter zu erfassen und parallel zu bewerten. Daher bietet der Einsatz von Algorithmen des maschinellen Lernens eine sehr gute Möglichkeit, Ärzte bei der Diagnose und Therapieauswahl zu unterstützen und die Behandlungssicherheit zu erhöhen, insbesondere in der Geriatrie, wo oft multiple Einflussfaktoren synoptisch bewertet werden müssen. Indem Patienten aus möglichst vielen Blickwinkeln betrachtet wurden, um anhand der gewonnenen Daten maschinelle Lernmodelle zu erstellen, die es ermöglichen, Patienten mit einem Risiko für Physical Frailty automatisch zu identifizieren, konnte das Ziel erreicht werden Entscheidungshilfen für die Therapiepriorisierung und -individualisierung bereitzustellen. Der Hauptvorteil der algorithmus-basierten Patientenstratifizierung besteht in der Automatisierung, wodurch die eingesparte Zeit für die optimale Therapie von Hochrisikopatienten genutzt werden kann. Ein weiteres Ziel war es, Faktoren zu identifizieren, die mit einem höheren Risiko für körperliche Gebrechlichkeit verbunden sind und somit als Grundlage für zukünftige Studien und die Entwicklung von Screening-Apps dienen können.

Keywords Frailty, Risikostratifizierung, maschinelles Lernen, Entzündung, Alter, Osteoporose

Korrespondenzadresse Moritz Kraus, Muskuloskelttales Universitätszentrum München LMU Klinikum, Marchioninistraße 15, 81377 München, Deutschland, E-Mail: [e-mail]

Publication History

Article published online:
08 September 2022