gms | German Medical Science

Fragestellung: Periprothetische Infektionen sind hochkomplexe Probleme, deren Ausprägung, Erkennung und Lösung von unzähligen Parametern beeinflusst werden. Die Ausprägung des Einflusses dieser einzelnen Parameter und Wechselwirkungen untereinander sowie das Vorhandensein von möglicherweise noch unbekannten weiteren Faktoren weisen auf eine unüberschaubare Menge an potenziell relevanten Einflüssen hin. Die Analyse großer Datenmengen mittels Künstlicher Intelligenz (KI) ist perfekt geeignet, Probleme dieser Komplexität anzugehen und Korrelationen einzelner Faktoren aufzudecken, die sich konventioneller Statistik entziehen. Fragestellung dieser Arbeit war, ob sich durch KI-Analyse Parameter identifizieren lassen, die eine Vorhersage des Outcomes der Infekttherapie ermöglichen.

Methodik: In dieser prospektiven Kohortenstudie wurden Patienten mit periprothetischer Infektion eingeschlossen. Die Erfassung und Normierung der für die Behandlung relevanten Daten erfolgte mit einer eigens zu diesem Zweck erstellten Infektionsdatenbank.

Erhoben wurden Kerndaten der Anamnese, der Implantattyp, die Art und Anzahl an Voroperationen, Symptomart und -dauer, Medikation, Laborbefunde, Befunde der radiologischen, mikrobiologischen und histopathologischen Diagnostik, die Therapiestrategie, die Art der geplanten und durchgeführten Operationen, die geplante medikamentöse antiinfektive Therapie inklusive Erfassung aller Resistenzen und Interaktionen, die Kerndaten der Nachsorge sowie der Therapieerfolg (Infektfreiheit ohne Reoperation nach 2 Jahren), der für die Berechnung von Sensitivität und Spezifität als positives Ergebnis gewertet wurde.

Um hochpräzise Vorhersagen treffen zu können, wurde der Machine Learning Algorithmus "XGBoost" implementiert. Des Weiteren wurde eine Cross Validation durchgeführt, um den Ergebnissen statistische Robustheit und Relevanz zu verleihen. Die Berechnung der "Feature Importance" lässt Rückschlüsse auf den Einfluss jeweiliger Parameter auf die Vorhersage zu.

Ergebnisse: Bisland wurden 231 Patienten (116 männlich/115 weiblich) mit einem durchschnittlichen Alter von 70,3 (+/- 10,0) in die Studie eingeschlossen. Pro Patient wurden ca. 101 unterschiedliche Parameter erhoben. Die Therapieerfolgsrate lag bei 88,3%.

Der Algorithmus erzielte eine Genauigkeit von 76% bzw. Sensitivität von 90% und Spezifität von 31%. Anhand der Feature Importance zeigt sich, dass die Parameter "Alter", "Geschlecht" und "Lokalisation" am meisten Einfluss auf die Prädiktion des Outcomes hatten.

Schlussfolgerung: Die noch geringe Spezifität ist am ehesten auf die hohe Erfolgsrate der Therapie zurückzuführen, mit größeren Patientenzahlen und somit mehr Parametern von Therapieversagern ist auch eine verbesserte Genauigkeit des Algorithmus zu erwarten.