Artikel
Künstliche Intelligenz als experimentelles Verfahren zur Vorhersage der 90-Tagesmortalität nach radikaler Zystektomie beim Blasenkarzinom
Suche in Medline nach
Autoren
-
R. Mayr
- Universität Regensburg, Klinik und Poliklinik für Urologie am Caritas-Krankenhaus St. Josef, Regensburg, Germany
-
T. Bauer
- Technische Hochschule Regensburg, Fakultät Informatik und Mathematik, Regensburg, Germany
-
T. Huber
- Universität Regensburg, Klinik und Poliklinik für Urologie am Caritas-Krankenhaus St. Josef, Regensburg, Germany
-
M. Gierth
- Universität Regensburg, Klinik und Poliklinik für Urologie am Caritas-Krankenhaus St. Josef, Regensburg, Germany
-
E. Comploj
- Zentralkrankenhaus Bozen, Urologie, Bozen, Italy
-
A. Pycha
- Zentralkrankenhaus Bozen, Urologie, Bozen, Italy
-
T. Wölfl
- Technische Hochschule Regensburg, Fakultät Informatik und Mathematik, Regensburg, Germany
-
M. Burger
- Universität Regensburg, Klinik und Poliklinik für Urologie am Caritas-Krankenhaus St. Josef, Regensburg, Germany
-
H.-M. Fritsche
- Universität Regensburg, Klinik und Poliklinik für Urologie am Caritas-Krankenhaus St. Josef, Regensburg, Germany
| Veröffentlicht: | 19. Mai 2015 |
|---|
Gliederung
Text
Hintergrund: Die radikale Zystektomie ist immer noch mit einer hohen perioperativen Mortalität (90 Tage) vergesellschaftet, welche in einer rezenten prospektiven multizentrischen Studie mit 9% angegeben wurde. Ziel dieser Arbeit ist es, ein etabliertes Verfahren aus der Informatik zur Vorhersage der perioperativen Mortalität nach radikaler Zystektomie zu untersuchen.
Patienten und Methoden: Es wurden 615 konsekutive nicht-selektionierte Patienten, welche sich zwischen 2000-2011 einer radikalen Zystektomie ohne neoadjuvante Chemotherapie aufgrund eines Blasenkarzinoms an zwei Zentren (Regensburg und Bozen) unterzogen haben, in einer retrospektiven Datenbank eingeschlossen. Für die Vorhersage der 90-Tagesmortalität wurde ein Verfahren aus der Künstlichen Intelligenz etabliert. Die sogenannte Support Vektor Maschine, welche mithilfe einer Analyse – von in der Vergangenheit liegenden Patientendaten – eine Voraussage über die 90-Tagesmotalität von unbekannten Patienten treffen kann. Diese mathematische Methode, welche aus dem Bereich des maschinellen Lernens stammt, lernt automatisch komplexe Zusammenhänge anhand von Datenmustern, sodass eine Vorhersage getroffen werden kann.
Resultate: Insgesamt zeigte sich eine 90-Tagesmortalität von 8,9% in unserer Kohorte. In der multivariaten logistischen Regression zeigte sich das klinische Metastasierung vor Zystektomie (OR: 4,17 (1,66-10,5) p=0,002), ECOG (OR: 2,3 (95%CI 1,26-4,19) p=0,007), ASA (OR 3,86 (95%CI 2,09-7,12) p< 0.001) and ACE-27(OR: 2,51 (95%CI 1,32-4,8) p=0,005) als signifikante Prädiktoren für die 90 Tagesmortalität. Das Grundmodell mit dem ASA-Score zeigte eine Fläche unterhalb der ROC-Kurve von 0,75 (95%CI 0,69-0,82). Im Vergleich zeigt das Grundmodell ohne Komorbiditätsinformation eine Fläche unterhalb der ROC Kurve von 0,68 (95%CI 0,6-0,75), sodass durch das Einbeziehen der Komorbiditätsinformation ein signifikatner Unterschied in der Vorhersage der 90-Tagesmortalität getroffen warden kann. Analog dazu konnte durch das maschinelle Lernen die 90-Tagesmortalität in 88% der Fälle richtig vorraussagen.
Diskussion: Anhand unserer retrospektiven Datenbank konnte das maschinelle Lernen eine Vorhersagegenauigkeit von 88% der 90-Tagesmortalität nach radikaler Zystektomie zeigen, welche der gängigen Statistik anhand einer binär logistischen Regression überlegen ist.
