gms | German Medical Science

Einleitung: Obgleich die Cholezystektomie ein komplikationsarmes Verfahren darstellt, ergeben sich, vor allem bei Notfallindikationen, perioperative Risiken, die zu postoperativer Morbidität und Mortalität führen können. Die frühzeitige Erkennung individuell erhöhter Risiken kann zur einer Vermeidung von Komplikationen beitragen. Ziel der vorliegenden Untersuchung war es, statistische Modelle (multiple Regression und Bayes-Netze) zur Vorhersage individueller Komplikationswahrscheinlichkeiten heranzuziehen und hinsichtlich ihrer prädiktiven Korrektheit zu vergleichen.

Material und Methoden: Erfaßt wurden alle mindestens 18 Jahre alten Patienten mit der Diagnose "Cholelithiasis", die von Januar 2001 bis Juli 2008 an der Klinik für Allgemein-, Viszeral- und Transplantationschirurgie des Universitätsklinikums Ulm stationär behandelt worden sind. Ausschlußkriterien waren externe und Begleitcholezystektomie. Je Patient wurden 200 klinische Parameter zur prä-, intra- und postoperativen Charakterisierung erfaßt. Die Zielvariablen waren: Tod im Krankenhaus, Verweildauer > 7 Tage und Relaparotomie. Zur Determinierung unabhängiger Risikofaktoren wurden eine univariate sowie eine multiple Regressionsanalyse durchgeführt. Ein Bayes-Netzwerk wurde als subjektivistisches Kausalitätanetzwerk implementiert. Für die Prädiktivitätbestimmungen wurden die Patienten zufällig in Basis- und Testkohorte eingeteilt und die ROC-Kurven mit der area-under-curve (AUC) berechnet.

Ergebnisse: 1077 Patienten wurden erfaßt. Die multiple Regression ergab für die Variable "Tod im Krankenhaus" eine AUC von 0,9 (Var. 0,0029, Faktoren: Notfall, Abwehrspannung, Alter, KHK, Hb bei Aufnahme), für "VD >7 Tage" und "Relaparotomie" ergaben sich keine unabhängigen Faktoren. Für das Bayes-Netzwerk wurden für die Variable "Tod im Krankenhaus" eine AUC von 0,87 (Var. 0,006), für "VD > 7 Tage" eine AUC von 0,76 (Var. 0,0003) und für "Relaparotomie" eine AUC von 0,768 (var. 0,0006) berechnet.

Schlussfolgerung: Das Bayes-Netzwerk ist der multiplen Regression hinsichtlich Robustheit und Anwendbarkeit bei der Prädiktion perioperativer Komplikationen überlegen und kann sich als Methode der wissenbasierten Informationsverarbeitung im klinischen Alltag etablieren.