gms | German Medical Science

5. Alterstraumatologiekongress 2022

01.06. - 02.06.2022, München

Artikel

Artikel empfehlen

Einschätzung der Physical Frailty bei orthogeriatrischen Patienten aus Nicht-Mobilitätsdaten mit Hilfe eines AI-powered Clinical-decision-support-Systems

Meeting Abstract

Suche in Medline nach

  • presenting/speaker Moritz Kraus - Muskuloskelettales Universitätszentrum München LMU Klinikum, München, Deutschland
  • Alexander Martin Keppler - Muskuloskelettales Universitätszentrum München LMU Klinikum, München, Deutschland
  • Johannes Gleich - Muskuloskelettales Universitätszentrum München LMU Klinikum, München, Deutschland
  • Richard Zaccaria - Muskuloskelettales Universitätszentrum München LMU Klinikum, München, Deutschland
  • Wolfgang Böcker - Muskuloskelettales Universitätszentrum München LMU Klinikum, München, Deutschland
  • Carl Neuerburg - Muskuloskelettales Universitätszentrum München LMU Klinikum, München, Deutschland
  • Franz Jakob - Orthopädische Klinik König-Ludwig-Haus, Würzburg, Deutschland
  • Maximilian Michael Saller - Muskuloskelettales Universitätszentrum München LMU Klinikum, München, Deutschland
  • Ulla Stumpf - Muskuloskelettales Universitätszentrum München LMU Klinikum, München, Deutschland

Deutsche Gesellschaft für Geriatrie e.V. (DGG). Deutsche Gesellschaft für Unfallchirurgie e.V. (DGU). 5. Alterstraumatologiekongress 2022. München, 01.-02.06.2022. Düsseldorf: German Medical Science GMS Publishing House; 2022. Doc26

doi: 10.3205/22altra26, urn:nbn:de:0183-22altra261

Veröffentlicht: 24. Juni 2022

© 2022 Kraus et al.
Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). Lizenz-Angaben siehe http://creativecommons.org/licenses/by/4.0/.

Gliederung

Text

Fragestellung: Die korrekte Einschätzung der individuellen körperlichen Leistungsfähigkeit spielt vor allem bei orthogeriatrischen Patienten eine wichtige Rolle. Um den Zustand dieser körperlichen Fähigkeiten auch bei akut immobilisierten Patienten, aufgrund von Fraktur, beurteilen zu können, war das Ziel der vorliegenden Studie, die körperliche Gebrechlichkeit bei Patienten ohne direkte Messung von Bewegungsdaten zu bewerten.

Methodik: Zu diesem Zweck wurden 87 Variablen von 95 Patienten erhoben und anschließend zum Trainieren der drei Klassifizierungsalgorithmen des maschinellen Lernens (Entscheidungsbaum, Random Forest, k-nearest-neighbors) verwendet. Die Variablen wurden in verschiedene Untergruppen aufgeteilt und die daraus resultierenden Modelle wurden hinsichtlich ihrer Fläche unter der Reciever-Operator-Kurve verglichen.

Ergebnisse und Schlussfolgerung: Der Random Forest, bei dem der gesamte Variablensatz für die Modellerstellung verwendet wurde, erwies sich mit einer Fläche unter der Kurve von 0,95 als der beste Algorithmus. Für die objektive Bewertung komplexer, multifaktorieller Syndrome wie der körperlichen Gebrechlichkeit ist es von großer Bedeutung, eine große Anzahl verschiedener Parameter zu erfassen und gründlich auszuwerten. Der Einsatz von maschinellen Lernalgorithmen so genannten ‚AI-powered Clinical-Decision-Support-Systems’ bietet daher eine sehr gute Möglichkeit, Ärzte bei der Diagnose und Therapieauswahl zu unterstützen und die Behandlungssicherheit zu erhöhen, insbesondere in der Altersmedizin, wo oft eine Vielzahl von Einflussfaktoren für einen Patienten bewertet werden muss.