KI sagt Komplikationen bei Operationen besser voraus als Ärzte

Ein neues Modell künstlicher Intelligenz hat bei Routine-Herzuntersuchungen bisher unentdeckte Signale entdeckt, die zuverlässig vorhersagen, welche Patienten nach einer Operation potenziell tödliche Komplikationen erleiden werden. Das Modell übertrifft die Risikobewertungen, auf die sich Ärzte derzeit verlassen, deutlich.

Die von der Regierung finanzierte Arbeit von Forschern der Johns Hopkins University, die standardmäßige und kostengünstige Testergebnisse in ein potenziell lebensrettendes Instrument verwandelt, könnte die Entscheidungsfindung und Risikoberechnung sowohl für Patienten als auch für Chirurgen grundlegend verändern.

„Wir zeigen, dass ein einfaches Elektrokardiogramm wichtige prognostische Informationen enthält, die mit bloßem Auge nicht erkennbar sind“, sagte der leitende Autor Robert D. Stevens , Leiter der Abteilung für Informatik, Integration und Innovation bei Johns Hopkins Medicine. „Wir können diese Informationen nur mit maschinellen Lerntechniken extrahieren.“

Die Ergebnisse wurden heute im British Journal of Anaesthesia veröffentlicht .

Bei einem erheblichen Teil der Menschen treten nach größeren Operationen lebensbedrohliche Komplikationen auf. Die Risikobewertungen, die Ärzte zur Identifizierung von Komplikationsrisiken heranziehen, sind nur in etwa 60 % der Fälle korrekt.

In der Hoffnung, diese Gesundheitsrisiken genauer vorhersagen zu können, griff das Team der Johns Hopkins University auf das Elektrokardiogramm (EKG) zurück, einen standardmäßigen Herztest, der häufig vor größeren Operationen durchgeführt wird. Es ist eine schnelle, nicht-invasive Methode zur Messung der Herzaktivität anhand elektrischer Signale und kann auf Herzerkrankungen hinweisen.

Doch EKG-Signale erfassen auch andere, subtilere physiologische Informationen, sagte Stevens, und das Hopkins-Team vermutete, dass sie auf eine Fundgrube wertvoller prädiktiver Daten stoßen könnten – wenn ihnen KI dabei helfen könnte, diese zu erkennen.

„Das EKG enthält viele wirklich interessante Informationen, nicht nur über das Herz, sondern auch über das gesamte Herz-Kreislauf-System“, sagte Stevens. „Entzündungen, das endokrine System, Stoffwechsel, Flüssigkeiten, Elektrolyte – all diese Faktoren prägen die Morphologie des EKGs. Wenn wir einen wirklich großen Datensatz an EKG-Ergebnissen erhalten und ihn mit Deep Learning analysieren könnten, könnten wir wertvolle Informationen gewinnen, die Klinikern derzeit nicht zur Verfügung stehen.“

Das Team analysierte präoperative EKG-Daten von 37.000 Patienten, die im Beth Israel Deaconess Medical Center in Boston operiert wurden.

Das Team trainierte zwei KI-Modelle, um Patienten zu identifizieren, bei denen das Risiko eines Herzinfarkts oder Schlaganfalls oder eines Todesfalls innerhalb von 30 Tagen nach der Operation besteht. Ein Modell wurde ausschließlich mit EKG-Daten trainiert. Das andere, das Team als „Fusionsmodell“ bezeichnete, kombinierte die EKG-Informationen mit weiteren Details aus der Patientenakte, wie Alter, Geschlecht und Vorerkrankungen.

Das reine EKG-Modell sagte Komplikationen besser voraus als die aktuellen Risikobewertungen, aber das Fusionsmodell war sogar noch besser und konnte mit einer Genauigkeit von 85 % vorhersagen, welche Patienten unter postoperativen Komplikationen leiden würden.

„Es ist überraschend, dass wir mit dieser Routinediagnostik, diesen zehn Sekunden umfassenden Daten, wirklich gut vorhersagen können, ob jemand nach einer Operation sterben wird“, sagte der Hauptautor Carl Harris , ein Doktorand der Biomedizintechnik. „Wir haben eine wirklich bedeutsame Entdeckung gemacht, die die Einschätzung des Operationsrisikos verbessern kann.“

Das Team entwickelte außerdem eine Methode, um zu erklären, welche EKG-Merkmale mit einem Herzinfarkt oder Schlaganfall nach einer Operation in Zusammenhang stehen könnten.