Medizin – 18.04.2017

Künstliche Intelligenz sagt Herz-Kreis­lauf-Risiko besser voraus

/frankoppermann.stock.adobe.com

Nottingham – Vier verschiedene Algorithmen des maschinellen Lernens haben in einer Studie in PLOS ONE (2017; doi: 10.1371/journal.pone.0174944) kardiovaskuläre Ereignisse von Hausarztpatienten besser vorhergesagt als die geltenden Leitlinien kardiologischer Fachgesellschaften.

Therapieentscheidungen werden (nicht nur) in der Kardiologie immer häufiger vom individuellen Risiko der Patienten abhängig gemacht. Um das Risiko zu bestimmen, haben Fachgesellschaften Risiko-Scores veröffentlicht. Sie beruhen zumeist auf den Erfahrungen aus früheren prospektiven Beobachtungsstudien.

Das bekannteste Beispiel ist der Framingham-Score, in den die Daten der Framingham Heart Study einflossen. Diese Scores spiegeln eine Wirklichkeit wider, die sich seither verändert hat und sie gelten wegen der unterschiedlichen ethnischen Zusammen­setzung der Bevölkerung streng genommen nur für ein Land. Deshalb wird in Deutschland der PROCAM-Score bevorzugt.

Die Analyse von elektronischen Krankenakten macht es heute möglich, innerhalb kurzer Zeit und ohne großen personellen Aufwand die früheren Risiko-Scores zu aktualisieren. Das maschinelle Lernen erlaubt dabei eine breite Analyse, die mehr Aspekte der menschlichen Gesundheit berücksichtigt als die konventionelle Risiko-Analyse, die sich auf wenige Faktoren (etwa Blutdruck, Cholesterin, Rauchen) beschränkt.

Der Epidemiologe Stephen Weng von der Universität Nottingham hat vier unterschied­liche Algorithmen des maschinellen Lernens auf die Daten der Clinical Practice Research Datalink (CPRD) angewendet, die die Daten von fast 700 Familienpraxen in Großbritannien speichert. Die Daten wurden auf zwei Pakete verteilt.

Das erste Paket, das die Daten von 295.267 Patienten umfasste, diente dem Training der vier Algorithmen, die die Verfahren Random Forest, logistische Regression, Gradient Boosting und neuronale Netzwerke benutzten. Die dabei erlernte Risiko-Prognose wurde dann in einer Validierungskohorte an 82.989 Patienten überprüft. Zum Vergleich wurde der aktuelle Risiko-Score der American Heart Association und des American College of Cardiology (ACC/AHA) auf die Daten angewendet.

Ergebnis: Alle vier Algorithmen des maschinellen Lernens waren dem ACC/AHA-Score überlegen. In der AUC-Analyse erzielten sie Werte zwischen 0,745 und 0,764 gegen­über 0,728 mit dem ACC/AHA-Score. Ein AUC-Wert von 1,0 beschreibt eine 100-prozentige Vorhersage, während 0,5 dem Werfen eines Würfels gleichkommt. Das beste Ergebnis erzielte das neuronale Netzwerk: Es sagte 7,6 Prozent mehr voraus als der ACC/AHA-Score und senkte gleichzeitig die Zahl der falschen Alarme um 1,6 Prozent. In der Validierungsphase konnten damit 355 zusätzliche Patienten einer Therapie zugeordnet werden, die in der Lage ist, die Prognose zu verbessern. 

Laut Weng wurde in der Studie das maschinelle Lernen erstmals auf eine Datenbank elektronischer Krankenakten angewendet. Ein Algorithmus des neuronalen Netzwerks hat sich zuvor bereits an den Daten der PROCAM-Studie bewährt, wo allerdings noch mühsam die Daten aus konventionellen Krankenakten verwendet wurden. Auch damals gelang es, die Vorhersage des konventionellen Scores zu verbessern (Int J Epidemiol 2002; 31: 1253-62).

Dennoch gibt es Bedenken gegen die „Black-Box“-Natur des maschinellen Lernens. Die Epidemiologen geben dabei zwar vor, welche Patienteneigenschaften die künstliche Intelligenz verwenden soll. Die genauen Berechnungen bleiben jedoch weitgehend im Dunkeln. Zwar wurden inzwischen Methoden zur „Daten-Visualisierung“ entwickelt. Die Nachvollziehbarkeit ist jedoch nicht immer gegeben und Weng gesteht ein, dass das maschinelle Lernen nicht frei von Fehlern ist. Der Vorteil der Methode besteht jedoch darin, dass sie regelmäßig an neuen Datenbanken überprüft und aktualisiert werden kann.

© rme/aerzteblatt.de

Bookmark-Service:
Medizin
Politik
Ärzteschaft
Ausland
Vermischtes
Hochschulen