Selbstlernende Computeralgorithmen sagen kardiovaskuläre Ereignisse besser vorher als klassische Risiko-Scores. Das zeigt eine Analyse der allgemeinmedizinischen Forschungsdatenbank CPRD in Großbritannien.
Wissenschaftler der Abteilung für „Primary Care Research“ der Universität Nottingham haben die Vorhersagekraft von vier unterschiedlichen Deep Learning-Algorithmen für den Spezialfall der kardiovaskulären Risikoprädiktion untersucht. Sie berichten darüber in der Fachzeitschrift PLoS ONE. Verglichen wurden die Algorithmen mit dem Prädiktionsmodell der US-amerikanischen kardiologischen Leitlinien von ACC und AHA für das kardiovaskuläre Zehnjahresrisiko. Dieses Modell bezieht Geschlecht, Alter, Raucherstatus, systolischen Blutdruck, Blutdrucktherapie, Gesamtcholesterin, HDL-Cholesterin und Diabetes mellitus ein.
Neuronale Netzwerke schlagen AHA/ACC-Modell
Datengrundlage war die britische Forschungsdatenbank CPRD, in die rund 700 allgemeinmedizinische Praxen in Großbritannien Daten einfüttern. 295.000 Patientendatensätze wurden genutzt, um die Algorithmen zu trainieren. Rund 80.000 waren die „Studienpopulation“, anhand derer die unterschiedlichen Ansätze der Risikoprädiktion hinsichtlich ihrer Vorhersagekraft für kardiovaskuläre Ereignisse validiert wurden.
Für das Training der KI-Systeme definierten die Wissenschaftler lediglich, was als kardiovaskuläres Ereignis anzusehen ist. Sie gaben den Systemen eine lange Latte an Variablen an die Hand, die berücksichtigt werden konnten. Dazu zählten die acht bekannten Risikofaktoren des ACC/AHA-Modells, zusätzlich aber auch noch 22 weitere Variablen, deren kausale Bedeutung für kardiovaskuläre Ereignisse unklar ist, etwa BMI, Serumkreatinin, schwere psychische Erkrankungen, Behandlung mit bestimmten Medikamenten und Informationen zum sozialen Status.
Das Ergebnis: Alle vier Algorithmen schnitten signifikant besser ab als das ACC/AHA-Modell, wobei sich das auf neuronalen Netzen basierende KI-System am besten schlug. Es erreichte einen positiv prädiktiven Wert von 18,4% und einen negativ prädiktiven Wert von 95,7%, gegenüber 17,1% und 95,1% bei Einsatz des klassischen Risikotools.
Diabetes interessiert die Algorithmen eher wenig
Die Autoren rechnen vor, dass damit im Vergleich zum AHA/ACC-Modell beim Einsatz neuronaler Netzwerke kardiovaskuläre Ereignisse bei 355 Patienten korrekt vorhergesagt worden wären, bei denen das Standardmodell keinen Alarm geschlagen hätte. Außerdem wäre 355 Patienten ein „falscher Alarm“ erspart geblieben. Das Ganze bezieht sich jeweils auf einen Zehnjahreszeitraum und 80.000 Patienten.
Die Autoren betonten, dass die Vorhersagegenauigkeit noch gesteigert werden könne, wenn mehr Variablen berücksichtigt werden und mehr Training erfolgt. Interessant ist die Analyse der Faktoren, die in die Entscheidungen der KI-Systeme einflossen. Schwere psychische Erkrankungen und die orale Kortikosteroidtherapie waren Teil der „Top-Ten-Liste“ jener Risikofaktoren, die die KI-Systeme am höchsten gewichten. Der Diabetes dagegen, ein traditioneller Risikofaktor, spielte für die Vorhersagen der KI-Systeme kaum eine Rolle.
Text: Philipp Grätzel von Grätz, Chefredakteur E-HEALTH-COM