Article
Identifikation alterstraumatologischer Risikopatienten für eine erhöhte Inhouse-Mortalität nach Indikatorfrakturen der oberen und unteren Extremität mittels Maschinellen Lernens
Search Medline for
Authors
-
Johannes Gleich
- LMU Klinikum, Muskuloskelettales Universitätszentrum München, München, Germany
-
Carl Neuerburg
- LMU Klinikum, Muskuloskelettales Universitätszentrum München, München, Germany
-
Christian Hinske
- LMU Klinikum, Klinik für Anästhesiologie, IBE, München, Germany
-
Andrea Becker-Pennrich
- LMU Klinikum, Klinik für Anästhesiologie, IBE, München, Germany
-
Tobias Helfen
- LMU Klinikum, Muskuloskelettales Universitätszentrum München, München, Germany
-
Wolfgang Böcker
- LMU Klinikum, Muskuloskelettales Universitätszentrum München, München, Germany
-
Lorenz Mihatsch
- LMU Klinikum, Klinik für Anästhesiologie, IBE, München, Germany
| Published: | October 25, 2022 |
|---|
Outline
Text
Fragestellung: Einsatzmöglichkeiten für künstliche Intelligenz, im Speziellen Maschinellen Lernens, sind in der Medizin aufgrund enormer Datenmengen nahezu unbegrenzt. Das Potential zur Identifizierung von Risikopatienten bzgl. einer erhöhten Inhouse-Mortalität soll in dieser Studie anhand prä- und intraoperativ erhobener Daten alterstraumatologischer Patienten mit proximaler Humerus- oder Femurfraktur untersucht werden.
Methodik: Eingeschlossen wurden Patienten ≥ 65 Jahren, die zwischen 2012 und 2019 in einer Klinik der Maximalversorgung eine operative Versorgung einer proximalen Humerus- oder Femurfraktur erhielten (jeweils Osteosynthese / Endoprothese).
Als Prädiktoren wurden 54 Features aus dem klinikinternen IT-System extrahiert (u.a. ICD-10 Code, Alter, Gewicht, intraoperatives Monitoring, Laborwerte).
Modelle wurden auf Trainingsdaten (75% der Gesamtdaten) trainiert und kreuzvalidiert. Anschließend wurde diese auf den verbleibenden Testdaten (25% der Gesamtdaten) zur Validierung überprüft. Die gesamte Analyse erfolgte in Python.
Ergebnisse und Schlussfolgerung: Insgesamt wurden 2850 Patienten mit einem durchschnittlichen Alter von 79.83 Jahren (IQR 73-86) eingeschlossen, davon 1890 (66.3%) mit Frakturen des proximalen Femur, 33.7% nach Frakturen des proximalen Humerus. Die Inhouse-Mortalität betrug 2.98% (n=85), 75 Patienten verstarben nach Frakturen des proximalen Femurs.
Das Modell mit der besten Generalisierung auf den Testdaten war eine logistische Regression mit L2-Regularisierung. Anhand der 54 Features konnte die Inhouse-Mortalität mit einer Precision von 0.98 und einem F1-Score von 0.90 vorhersagt werden.
Dies zeigt, dass mithilfe Maschinellen Lernens anhand intra- und präoperativ erhobener Daten Risikopatienten für den weiteren Behandlungsverlauf präzise identifiziert werden können.
Für dieses besonders vulnerable Kollektiv alterstraumatologischer Patienten bietet Maschinelles Lernen damit das Potential, eine frühe und somit präventive Intensivierung der Therapie anzuzeigen.
