Cardiovascular disease is a leading global cause of morbidity and mortality. Effective management may require continuous monitoring of patients’ vital parameters, as disease progression and treatment responses unfold over time. Thus, regularly repeated measurements on a cohort of patients, termed longitudinal data, are a crucial resource for risk assessment and clinical decision-making. This dissertation explores the potential of machine learning techniques in leveraging longitudinal patient data for predic-tive modeling in cardiovascular medicine. It is structured around three publications, each addressing a distinct clinical challenge.
The first study evaluates the feasibility of predicting short-term vital parameter trajectories in the intensive care unit for post-operative cardiothoracic surgery patients. To establish performance benchmarks, models from three classes of increasing complexity (univariate statistical models, univariate neural networks, and multivariate neural networks) were implemented and compared. The findings indicate that neural networks leveraging the longitudinal structure of the data by cross-training on thousands of patients outperform simpler, statistical models, and that multivariate models, which consider all vital parameters simultaneously, achieve superior predictive accuracy compared to their univariate counterparts.
The second study focuses on predicting imminent heart failure hospitalization from daily vital parameter transmissions to a telemedical caregiver. A machine learning model combining the daily transmissions with infrequent measurements from out-patient visits was developed and the findings demonstrate that it significantly outper-forms a rule-based heuristic system used in clinical practice. Thus, risk stratification based on machine learning could optimize the caregiver’s resources by prioritizing high-risk patients.
The third study validates a standardized algorithmic classification scheme for cardiogenic shock severity (the SCAI shock classification) in a previously unstudied cohort of cardiac surgery intensive care unit patients. The findings confirm that the SCAI classification effectively stratifies these patients by risk, showing clear associations with mortality and post-operative complications and thus supporting its potential integration into clinical decision-making in the cardiac surgery intensive care unit.
Together, these studies illustrate the potential of leveraging longitudinal patient data for predictive modeling and clinical decision support in cardiovascular medicine. Each approach serves a distinct role in optimizing patient management. The broad spectrum of methods, from simple algorithms to advanced deep learning, highlights the need for tailored approaches to effectively support cardiovascular disease management across diverse clinical settings.
Kardiovaskuläre Erkrankungen sind die weltweit häufigste Todesursache. Zur effektiven Behandlung kann eine kontinuierliche Überwachung von Vitalparametern erforderlich sein, um Krankheitsverlauf und Therapieerfolg beurteilen zu können. Regelmäßig wiederholte Messungen an Patientenkohorten, sogenannte longitudinale Daten, sind daher eine potenziell wertvolle Ressource für klinische Entscheidungsunterstützungssysteme. Diese Dissertation untersucht das Potenzial von maschinellen Lernmethoden zur Nutzung longitudinaler Patientendaten für prädiktive Modellierung in der kardiovaskulären Medizin. Sie umfasst drei Publikationen, die jeweils eine spezifische klinische Fragestellung adressieren.
Die erste Studie bewertet die Machbarkeit von Kurzzeitvorhersagen von Vitalparameter-Verläufen bei Patienten auf der herzchirurgischen Intensivstation. Zur Beurteilung der Vorhersagequalität wurden Modelle aus drei Klassen mit zunehmender Komplexität (univariate statistische Modelle, univariate neuronale Netze und multivariate neuronale Netze) implementiert und verglichen. Neuronale Netze, die die longitudinale Struktur der Daten durch gleichzeitiges Training auf Tausenden von Patientenverläufen nutzen, übertreffen in dieser Studie einfacher gehaltene statistische Modelle. Zudem erzielen multivariate Modelle, die alle Vitalparameter gleichzeitig berücksichtigen, eine höhere Vorhersagequalität als univariate Modelle.
Die zweite Studie behandelt die Vorhersage einer nahenden Hospitalisierung wegen Herzinsuffizienzdekompensation anhand täglich übertragener Vitalparameter an ein telemedizinisches Versorgungszentrum. Zu diesem Zweck wurde ein maschinelles Lernmodell, welches die täglichen Übertragungen mit sporadischen, ambulanten Messungen kombiniert, entwickelt und validiert. Dieses Modell übertrifft einen in der Praxis verwendeten, regelbasierten Algorithmus. Mithilfe maschinellen Lernens könnten somit Ressourcen von Fachkräften durch gezielte Priorisierung von Hochrisikopatienten optimiert werden.
Die dritte Studie validiert ein standardisiertes, algorithmisches Klassifikationssystem für den Schweregrad eines kardiogenen Schocks (die SCAI-Schock-Klassifikation) in einer bis dato nicht untersuchten Patientenkohorte auf der kardiochirurgischen Intensivstation. Die SCAI-Klassifikation ermöglicht hier eine effektive Risikostratifizierung und weist deutliche Zusammenhänge mit Mortalität und postoperativen Komplikationen auf. Dies suggeriert eine potenzielle Integration in klinische Entscheidungsprozesse in der kardiochirurgischen Intensivmedizin.
In Summe zeigen diese Studien das Potenzial der Nutzung longitudinaler Patientendaten für prädiktive Modellierung in der kardiovaskulären Medizin. Jede Methode erfüllt eine spezifische Funktion zur Optimierung des Patientenmanagements. Das breite Spektrum an Ansätzen, von simplen Algorithmen bis hin zu Deep Learning, unterstreicht die Notwendigkeit maßgeschneiderter Methoden zur effektiven Unterstützung in den diversen Kontexten der kardiovaskulären medizinischen Versorgung.
