Ein aktueller systematischer Review, veröffentlicht in Frontiers in Artificial Intelligence, beleuchtet die wachsende Rolle von maschinellem Lernen (ML) bei der Vorhersage der Mortalität nach Herztransplantationen (HT). Ziel der Studie war es, die Genauigkeit verschiedener ML-Algorithmen zu bewerten und ihre klinische Anwendbarkeit zu untersuchen.
Hintergrund und Methodik
Herztransplantationen sind lebensrettende Eingriffe für Patienten mit schwerer Herzinsuffizienz, jedoch mit hohen Risiken wie Abstoßung oder Infektionen verbunden. Traditionelle Risikomodelle wie der Donor Risk Index (DRI) oder das IMPACT-Modell bieten zwar Unterstützung, stoßen jedoch an ihre Grenzen bei der Berücksichtigung komplexer individueller Faktoren. Hier setzt ML an, indem es große Datenmengen analysiert und nicht-lineare Muster erkennt.
Die Studie umfasste 17 Arbeiten, von denen 12 in eine Meta-Analyse einbezogen wurden. Bewertet wurde die Leistung von Algorithmen wie Random Forest (RF), CatBoost und neuronalen Netzen anhand des AUC-Werts (Area Under the Curve), einem Maß für die Vorhersagegenauigkeit.
Ergebnisse
Die Ergebnisse zeigen, dass ML-Modelle eine moderate Genauigkeit bei der Vorhersage postoperativer Mortalität erreichen (durchschnittliche AUC: 0,65). CatBoost schnitt mit einer AUC von 0,80 am besten ab, während K-nearest Neighbor mit 0,53 die schlechteste Leistung zeigte. Interessanterweise zeigten traditionelle Machine-Learning- und Deep-Learning-Modelle keine signifikanten Unterschiede in ihrer Leistung.
Ein zentraler Befund war, dass Modelle besser abschneiden, je länger der Zeitraum nach der Transplantation ist. Die besten Algorithmen aus jeder Studie erreichten kombiniert eine AUC von 0,73.
Herausforderungen und Zukunftsperspektiven
Trotz dieser Fortschritte bestehen Herausforderungen: Die hohe Heterogenität zwischen den Studien und methodische Inkonsistenzen schränken die Verlässlichkeit der Ergebnisse ein. Zudem weisen viele Studien ein hohes Risiko für Verzerrungen auf. Die Autoren betonen die Notwendigkeit standardisierter Methoden und externer Validierungen, um ML-Modelle klinisch nutzbar zu machen.
Schlussfolgerung
Die Studie zeigt das Potenzial von ML-Modellen, traditionelle Risikomodelle zu übertreffen und personalisierte Vorhersagen zu ermöglichen. Dennoch sind weitere Forschung und Verbesserungen erforderlich, um diese Technologien in der klinischen Praxis zu etablieren.
Quellen:
[1] full https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1551959/full
[2] Frontiers | Mortality prediction of heart transplantation using machine learning models: a systematic review and meta-analysis https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1551959/full
