Validierung eines Machine Learning Algorithmus zur Prädiktion von Präeklampsie-assoziierten Komplikationen
Zeitschrift für Geburtshilfe und Neonatologie · 01.06.2024 · 228 (S 01 S 01) · e6
DOI: 10.1055/s-0044-1786642 ↗Kurz gefasst
Fachartikel in der Zeitschrift Zeitschrift für Geburtshilfe und Neonatologie, erschienen am 01.06.2024. Verfasst von A. Hoyler und 5 weiteren Autor:innen.
Abstract (Originalsprache)
Zielsetzung Präeklampsie ist mit einer Inzidenz von 2-5% eine der Hauptursachen für maternale und kindliche Morbidität und Mortalität. Unsere Arbeitsgruppe konnte bereits zeigen, dass Machine-Learning-basierte Algorithmen in der Lage sind, die Prädiktion von Präeklampsie-assoziierten Komplikationen zu verbessern. Ziel dieser Studie war es, den Algorithmus zu adaptieren, die Anzahl der benötigten Informationen deutlich zu reduzieren und an einer unabhängigen Kohorte zu validieren. Methoden und Patienten Der Trainingsdatensatz mit 1633 Patientinnen wurde an der Charité Berlin rekrutiert. Wir nutzten die Machine Learning-Methoden „Gradient Boosting Tree“ sowie Logistische Regression um 3 verschiedene Schwangerschaftsausgänge vorherzusagen: (1) Das Eintreten von Präeklampsie-assoziierten Komplikationen im weiteren Verlauf der Schwangerschaft, (2) eine Entbindung innerhalb von 14 Tagen (bei Frauen mit einem Gestationsalter von≤34 SSW bei Einschluss) und (3) eine Entbindung innerhalb von 7 Tagen (bei einem Schwangerschaftsalter>34+0 SSW). Durch Methoden wie rekursive Merkmalseliminierung und die Berechnung von Shapley-Values ermittelten wir die Merkmale mit dem höchsten Einfluss auf das Vorhersageergebnis und reduzierten somit die benötigten Parameter auf ein aus 13 Merkmalen bestehendes Set. Im nächsten Schritt validierten wir die Ergebnisse anhand einer unabhängigen Kohorte von 402 Patientinnen, die ebenfalls an der Charité rekrutiert wurde. Die Verteilung der Basischarakteristika wurde mit der Ursprungkohorte verglichen. Wir ermittelten die ROCAUC für die einzelnen Modelle. Resultate Die höchste ROCAUC ergab das Modell zur Prädiktion von Komplikationen: 0,89 (95% KI; 0,84-0,93), mit einer Sensitivität von 0,72 und Spezifität von 0,87. Das Modell zur Vorhersage einer Entbindung innerhalb von 14 Tagen ergab eine ROCAUC von 0,85 (95% KI; 0,76-0,92) mit einer Sensitivität von 0,78 und Spezifität von 0,82. Die Prädiktion einer Entbindung innerhalb von 7 Tagen zeigte eine ROCAUC von 0,80 (95% KI; 0,75-0,85). Die Sensitivität und Spezifität lagen bei 0,72, bzw. 0,70. Diskussion Methoden des maschinellen Lernens spielen eine zunehmende Rolle in der Medizin und haben das Potential, prädiktive Modelle zu verbessern. Wir konnten zeigen, dass die Methodik auch mit einer begrenzten Anzahl an Parametern in der Lage ist, Präeklampsie bedingte Komplikationen sowie den Entbindungszeitraum vorherzusagen. Die prädiktive Genauigkeit ist hierbei vergleichbar mit etablierten Methoden. Publication History Article published online: 24 May 2024 © 2024. Thieme. All rights reserved. Georg Thieme Verlag KG Rüdigerstraße 14, 70469 Stuttgart, Germany
Zitieren
APA
Hoyler, A., Rieger, O., Hackelöer, M., Neznansky, M., Henrich, W., & Verlohren, S. (2024). Validierung eines Machine Learning Algorithmus zur Prädiktion von Präeklampsie-assoziierten Komplikationen. Zeitschrift für Geburtshilfe und Neonatologie, 228(S 01 S 01), e6. https://doi.org/10.1055/s-0044-1786642
Vancouver
Hoyler A, Rieger O, Hackelöer M, Neznansky M, Henrich W, Verlohren S. Validierung eines Machine Learning Algorithmus zur Prädiktion von Präeklampsie-assoziierten Komplikationen. Zeitschrift für Geburtshilfe und Neonatologie. 2024;228(S 01 S 01):e6. doi:10.1055/s-0044-1786642
BibTeX
@article{Hoyler2024,
author = {Hoyler, A. and Rieger, O. and Hackelöer, M. and Neznansky, M. and Henrich, W. and Verlohren, S.},
title = {Validierung eines Machine Learning Algorithmus zur Prädiktion von Präeklampsie-assoziierten Komplikationen},
journal = {Zeitschrift für Geburtshilfe und Neonatologie},
year = {2024},
volume = {228},
number = {S 01 S 01},
pages = {e6},
doi = {10.1055/s-0044-1786642}
}
EUVIMED