Entwicklung klinisch nutzbarer Machine-Learning Modelle zur Vorhersage von präeklampsie-assoziierten Komplikationen

Einleitung Mit einer Inzidenz von 2–5% ist die Präklampsie eine der häufigsten Ursachen für mütterliche und fetale Morbidität und Mortalität weltweit. Daher besteht im klinischen Alltag ein großer Bedarf für die präzise Vorhersage und das frühzeitige Erkennen von präeklampsie-assoziierten Komplikationen, englisch adverse outcomes (AO"s). Neue Biomarker wie der sFlt-1/PlGF-Quotient in Kombination mit konventionellen klinischen Parametern stellen eine hervorragende Datenbasis für die Anwendung von Machine-Learning (ML) Methoden zur frühzeitigen Vorhersage von AO"s dar. Für die klinische Anwendbarkeit ist es nötig, einerseits eine minimale Auswahl an klinischen Inputs zu identifizieren und andererseits eine maximale Anwendbarkeit auf unbekannten Daten zu erreichen (Generalisierung).

Material/Methode Die Autoren haben anhand klinischer Behandlungsdaten ein prädiktives ML-Modell trainiert. Die Behandlungsdaten stammen aus einer Kohorte von 1627 Frauen mit Zeichen und Symptomen einer Präklampsie, 683 (28%) von ihnen entwickelten AO's. Im ersten Schritt identifizierten wir die prädiktivsten Inputs aus unseren verfügbaren Daten. Um die Generalisierbarkeit unserer Modelle zu verbessern, integrierten wir mittels Feature Engineering anerkannte, Gestationswochen-spezifische Referenzbereiche der verwendeten klinischen Parameter. Somit standen für das Training der ML-Modelle die Abweichungen zum Verlauf von Schwangerschaften ohne Präeklampsie zur Verfügung. Auf dieser Datengrundlage trainierten und verglichen wir, mittels eines rigorosen Train/Test Splits und Kreuz-validiertem Training, ein breites Spektrum an anerkannten ML-Modellen.

Ergebnisse Wir definierten folgende Auswahl an Inputs: Alter, Größe, Gewicht, Gestationsalter, Blutdruck, Thrombozytopenie, erhöhte Leberenzymwerte, neue und chronische Hypertonie, Proteinurie, sFlt-1, PlGF, sFlt-1/PlGF-Quotient, Arteria umbilicalis Pulsatilitätsindex (PI) und mittlerer Arteria uterina PI. Der systematische Vergleich von ML-Modellen ergab, dass ein Gradient-Boosting-Classifier mit optimierten Hyperparametern die beste Performanz auf unserem Test-Set erbrachte: AUROC 0.90, Sensitivität 0.75, Spezifizität 0.91.

Schlussfolgerung Die Implementierung von ML-Modellen erhöht die Nutzbarkeit klinischer Daten, die Vorhersagegenauigkeit von präeklampsie-assoziierten Komplikationen und hat das Potential die Häufigkeit von AO"s zu reduzieren.

Publication History

Article published online:
26 November 2021