Deep-learning basierte Echtzeit-Vorhersage von akutem Nierenversagen nach kardiochirurgischen Eingriffen

Abstract

The increasing digitisation of medical data and advances in artificial intelligence have enabled us to use the tremendous amount of data that is recorded during a hospital stay in a much more sophisticated way than is currently the case. In the study undertaken and published in the context of this doctoral project, this approach was taken for predicting postoperative acute kidney injury (AKI) – one of the most common and severe complications after cardiothoracic interventions. Using 96 parameters, standardly recorded during a hospital stay, a recurrent neural network (RNN) was developed that predicted AKI within the first seven postoperative days. The training of the model was based on n = 2224 admissions gathered from n = 15,564 admissions at a tertiary care hospital for cardiothoracic surgery. The performance of the model was assessed using an independent test set of n = 350 clinical cases and an area under the curve (AUC) (95% confidence interval) of 0.893 (0.862 - 0.924) was obtained. Additionally, a head-to-head comparison of the RNN against experienced physicians was conducted. The RNN exceeded the physicians in terms of all determined statistical measures (e.g., AUC = 0.901 vs 0.745, p < 0.001). In contrast to the predictions of physicians, who generally underrated the risk of developing AKI, the RNN showed good calibration. The integration of such a model into existing digital medical record systems could allow preventive steps to be taken in time to prevent complications by predicting AKI well before its onset. It could be used as a real-time surveillance system and support physicians' decision-making process. However, when using such a technique, there are several ethical aspects to be considered concerning data protection, model development, and clinical deployment, which are also discussed in this work.

Die zunehmende Digitalisierung medizinischer Daten und die Fortschritte im Bereich der künstlichen Intelligenz ermöglichen es, die enorme Menge an Daten, die während eines Krankenhausaufenthalts gesammelt wird, auf viel komplexere Weise zu nutzen, als es bislang der Fall war. In der im Rahmen der Promotion durchgeführten Studie wurde dieser Ansatz für die Echtzeit-Vorhersage von postoperativem akutem Nierenversagen (ANV) verfolgt – eine der häufigsten Komplikationen nach kardiothorakalen Eingriffen. Anhand von 96 Parametern, die standardmäßig während eines Krankenhausaufenthalts aufgezeichnet werden, wurde ein rekurrentes neuronales Netz (RNN) entwickelt, das ANV innerhalb der ersten sieben postoperativen Tage vorhersagen kann. Das Modell wurde mit Daten aus n = 2224 Aufnahmen trainiert, welche aus n = 15.564 klinischen Fällen in einem Krankenhaus der tertiären Versorgung für kardiothorakale Chirurgie zusammengestellt wurden. Die Leistung des RNN wurde anhand eines unabhängigen Testsets aus n = 350 klinischen Fällen bewertet, und es wurde eine area under the curve (AUC) (95 % Konfidenzintervall) von 0,893 (0,862 - 0,924) ermittelt. Zusätzlich wurde ein direkter Vergleich der Vorhersagegüte zwischen dem RNN und erfahrenen ÄrztInnen durchgeführt. Das RNN übertraf die ÄrztInnen in Bezug auf alle ermittelten statistischen Messwerte (z.B. AUC = 0,901 vs. 0,745, p < 0,001). Im Gegensatz zu den Vorhersagen der ÄrztInnen, die das Risiko der Entwicklung eines ANV generell unterschätzten, zeigte das RNN eine gute Kalibrierung. Die Integration eines solchen Modells in bestehende elektronische Patientendatensysteme könnte durch frühzeitige Vorhersage von ANV ermöglichen, präventive Maßnahmen rechtzeitig zu ergreifen, um Komplikationen zu verhindern. Es könnte als Echtzeit-Überwachungssystem eingesetzt werden und die Entscheidungsprozesse der ÄrztInnen unterstützen. Bei der Verwendung eines solchen Systems sind neben seiner Vorhersagegüte aber auch ethische und rechtliche Aspekte zu berücksichtigen, die den Datenschutz, die Modellentwicklung und den klinischen Einsatz betreffen, und die in dieser Arbeit ebenfalls erörtert werden.