Risikokalkulatoren werden zur Bewertung des Krankheitsrisikos von Millionen von Patienten eingesetzt, weshalb ihre Genauigkeit von entscheidender Bedeutung ist. Wenn jedoch nationale Modelle an lokale Bevölkerungsgruppen angepasst werden, verschlechtern sie sich oft und verlieren an Genauigkeit und Interpretierbarkeit. Forscher vom Brigham and Women’s Hospital, einem Gründungsmitglied des Mass General Brigham-Gesundheitssystems, setzten fortschrittliches maschinelles Lernen ein, um die Genauigkeit eines nationalen kardiovaskulären Risikorechners zu erhöhen und gleichzeitig seine Interpretierbarkeit und die ursprünglichen Risikoassoziationen zu erhalten. Die Ergebnisse zeigten eine insgesamt höhere Genauigkeit in einer Kohorte elektronischer Gesundheitsakten des Mass General Brigham und stuften etwa einen von zehn Patienten in eine andere Risikokategorie ein, um präzisere Behandlungsentscheidungen zu erleichtern. Die Ergebnisse sind in JAMA Cardiology. veröffentlicht.
„Risikokalkulatoren sind unglaublich wichtig, da sie ein fester Bestandteil des Gesprächs zwischen Anbietern und Patienten über Risikoprävention sind“, sagte Erstautor Aniket Zinzuwadia, MD, Assistenzarzt für Innere Medizin am Brigham and Women’s Hospital. „Bei der Anwendung dieser globalen Rechner auf lokale Populationen gibt es jedoch manchmal Schwankungen, die mit der Natur eines Gebiets zusammenhängen – seien es unterschiedliche demografische Merkmale, unterschiedliche ärztliche Praxismuster oder unterschiedliche Risikofaktoren -, so dass wir einen Weg finden wollten, das grundlegende Modell für das Risiko von Herz-Kreislauf-Erkrankungen auf sichere Weise auf lokale Populationen zuzuschneiden, die auf dem aufbauen, was bereits getan wird.
Die American Heart Association hat im Jahr 2023 den PREVENT-Rechner (Predicting Risk of Cardiovascular Disease Events) für Erwachsene zwischen 30 und 79 Jahren veröffentlicht. Dieses neue und verbesserte Instrument hilft bei der Vorhersage der Wahrscheinlichkeit, dass eine Person in 10 Jahren und in 30 Jahren einen Herzinfarkt, einen Schlaganfall oder eine Herzinsuffizienz erleidet. Während sich die PREVENT-Gleichungen bei der Risikobewertung auf nationaler Ebene bewährt haben, wollten die Forscher prüfen, ob ihre Technik die Risikobewertung für lokalere Populationen besser kalibrieren kann.
Für die Studie nutzten die Forscher die elektronischen Gesundheitsdaten von 95 326 Mass General Brigham-Patienten, die 2007 55 Jahre oder älter waren und bei denen zwischen 1997 und 2006 mindestens eine Lipid- oder Blutdruckmessung durchgeführt wurde und die zwischen 2007 und 2016 mindestens einmal mit dem Krankenhaussystem in Kontakt kamen. Das Team verwendete XGBoost, eine Open-Source-Bibliothek für maschinelles Lernen, um die PREVENT-Gleichungen neu zu kalibrieren, wobei die Assoziationen bekannter Risikofaktoren mit den im ursprünglichen Modell beobachteten Ergebnissen erhalten blieben. Die Ergebnisse zeigten eine höhere Genauigkeit und die Neuklassifizierung von einem von zehn Patienten in dieser Population.
