RSS-Feed abonnieren
DOI: 10.1055/a-1940-8570
Vorhersage des Amputationsrisikos mittels Machine Learning
![](https://www.thieme-connect.de/media/10.1055-s-00027304/202204/lookinside/thumbnails/402_10-1055-a-1940-8570-1.jpg)
Die periphere arterielle Verschlusskrankheit (paVK) der unteren Extremitäten ist eine zunehmend verbreitete Erkrankung, von der mindestens 2,35 % aller Amerikaner betroffen sind. Die paVK führt zu erheblicher Morbidität und Mortalität sowie zu Kosten von über 6 Milliarden US-Dollar. Das Rutherford-Klassifikationssystem für Extremitätenischämie, das 1986 eingeführt und 1997 überarbeitet wurde, ist ein einfaches Instrument, das die klinische Entscheidungsfindung unterstützen kann. Nach diesen Richtlinien sind fortgeschrittene Stadien (Grad 4–6) mit einer 1-Jahres-Gliedmaßenverlustrate von 20–30 % und einer 1-Jahres-Mortalitätsrate von 25 % verbunden. Eine schwere Extremitätenischämie führt häufig zur Amputation, die mit einer 30-Tage-Mortalitätsrate von 22 % und einer 5-Jahres-Mortalitätsrate von 77 % verbunden ist. Aktuelle Vorhersagemodelle für das Major-Amputationsrisiko waren auf individueller Ebene nur begrenzt leistungsfähig.
Zusammenfassend konnten die Autoren ein hoch diskrimininatives, genaues Modell mit guter Fairness entwickeln, um das Risiko eines paVK-Patienten für eine Amputation im kurzfristigen Verlauf automatisch zu bewerten. Dieses Modell kann die klinische Entscheidungsfindung bei Patienten mit paVK optimieren. Aufgrund der Notwendigkeit, Fairness bei maschinellen Lernanwendungen für das Gesundheitswesen zu gewährleisten, sollten zukünftige Arbeiten insbesondere diesen Punkt adressieren, so die Autoren.
Publikationsverlauf
Artikel online veröffentlicht:
21. November 2022
© 2022. Thieme. All rights reserved.
Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany