EUVIMEDEUVIMED entdecken
Crossref

Interne und externe Validierung eines auf maschinellem Lernen basierenden Algorithmus zur Erkennung von Präeklampsie-assoziierter Komplikationen bei Hochrisikoschwangerschaften

M. Hackelöer, O. Rieger, S. Suresh, A. Mueller, A. Hoyler, L. Schmidt, M. Mark Neznansky, L. Lorenz-Meyer, W. Henrich, S. Rana, S Verlohren

Zeitschrift für Geburtshilfe und Neonatologie · 01.06.2024 · 228 (S 01 S 01) · e15

DOI: 10.1055/s-0044-1786663 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Zeitschrift für Geburtshilfe und Neonatologie, erschienen am 01.06.2024. Verfasst von M. Hackelöer und 10 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Zielsetzung Ziel dieser Studie war die Weiterentwicklung durch maschinelles Lernen eines etablierten Algorithmus zur Vorhersage von fetomaternalen Komplikationen im Zusammenhang mit Präeklampsie. Um die Robustheit bzw. Generalisierbarkeit des weiterentwickelten Modells zu bewerten, sollte das neue Modell sowohl intern an einer deutschen Kohorte als auch extern an einer nordamerikanischen Kohorte validiert werden. Schließlich soll in dieser Studie untersucht werden, ob die Vorhersagegenauigkeit in beiden sich unterscheidenden Kohorten vergleichbar ist. Methoden und Patienten/Materialien Für die Studie wurden zwei Kohorten verwendet: eine deutsche und eine nordamerikanische Kohorte. Die deutsche Kohorte bestand aus 1634 schwangeren Frauen und die nordamerikanische Kohorte aus 946 schwangeren Frauen mit klinischem Verdacht auf Präeklampsie. Die statistischen Analysen umfassten Gradient-Boosted-Trees und logistische Regression zur Vorhersage von fetomaternalen Komplikationen, Entbindung innerhalb von 14 Tagen und Entbindung innerhalb von sieben Tagen. Zur Bewertung der Vorhersagegenauigkeit in beiden Kohorten wurde die Grenzwertoptimierungskurve (AUROC) verwendet. Resultate Signifikante Unterschiede zwischen beiden Kohorten ergaben sich in Bezug auf das Gewicht, neu aufgetretener Bluthochdruck bei Vorstellung, Bluthochdruck in der Anamnese, diastolischer und systolischer Blutdruck, niedrige Thrombozytenzahlen bei Vorstellung und PlGF-Serumspiegel. Für die Vorhersage unerwünschter Ergebnisse lag der AUROC-Wert in der deutschen Kohorte bei 0,92 und in der nordamerikanischen Kohorte bei 0,87. Auch für die Vorhersage der Entbindung innerhalb von 14 Tagen lag der AUROC-Wert in der deutschen Kohorte bei 0,92 und in der nordamerikanischen Kohorte bei 0,88. Für die Vorhersage der Entbindung innerhalb von sieben Tagen lag der AUROC-Wert in der deutschen Kohorte bei 0,79 und in der nordamerikanischen Kohorte bei 0,78. Trotz erheblicher Unterschiede blieb die Leistung des Modells konstant und vergleichbar. Diskussion Die Ergebnisse dieser Studie zeigen die Robustheit des maschinellen Lernmodells zur Vorhersage Präeklampsie-bedingter Komplikationen bei Hochrisikoschwangeren aus Deutschland und Nordamerika. Die konsistente Leistung des Modells deutet darauf hin, dass es in verschiedenen klinischen Umgebungen und unterschiedlichen Patientenpopulationen angewendet werden kann. Publication History Article published online: 24 May 2024 © 2024. Thieme. All rights reserved. Georg Thieme Verlag KG Rüdigerstraße 14, 70469 Stuttgart, Germany

Zitieren

APA

Hackelöer, M., Rieger, O., Suresh, S., Mueller, A., Hoyler, A., Schmidt, L., Neznansky, M. M., Lorenz-Meyer, L., Henrich, W., Rana, S., & Verlohren, S. (2024). Interne und externe Validierung eines auf maschinellem Lernen basierenden Algorithmus zur Erkennung von Präeklampsie-assoziierter Komplikationen bei Hochrisikoschwangerschaften. Zeitschrift für Geburtshilfe und Neonatologie, 228(S 01 S 01), e15. https://doi.org/10.1055/s-0044-1786663

Vancouver

Hackelöer M, Rieger O, Suresh S, Mueller A, Hoyler A, Schmidt L, et al. Interne und externe Validierung eines auf maschinellem Lernen basierenden Algorithmus zur Erkennung von Präeklampsie-assoziierter Komplikationen bei Hochrisikoschwangerschaften. Zeitschrift für Geburtshilfe und Neonatologie. 2024;228(S 01 S 01):e15. doi:10.1055/s-0044-1786663

BibTeX
@article{Hackeler2024,
  author = {Hackelöer, M. and Rieger, O. and Suresh, S. and Mueller, A. and Hoyler, A. and Schmidt, L. and Neznansky, M. Mark and Lorenz-Meyer, L. and Henrich, W. and Rana, S. and Verlohren, S},
  title = {Interne und externe Validierung eines auf maschinellem Lernen basierenden Algorithmus zur Erkennung von Präeklampsie-assoziierter Komplikationen bei Hochrisikoschwangerschaften},
  journal = {Zeitschrift für Geburtshilfe und Neonatologie},
  year = {2024},
  volume = {228},
  number = {S 01 S 01},
  pages = {e15},
  doi = {10.1055/s-0044-1786663}
}
Kostenlos starten →