MEDIZINREPORT: Studien im Fokus

Kardiovaskuläre Erkrankungen: Künstliche Intelligenz sagt Risiko besser voraus

Dtsch Arztebl 2017; 114(25): A-1249 / B-1037 / C-1015

Meyer, Rüdiger

Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...

Die Analyse von elektronischen Krankenakten macht es möglich, innerhalb kurzer Zeit und ohne großen personellen Aufwand die früheren Risiko-Scores (wie Framinghan, PROCAM) zu aktualisieren. Das maschinelle Lernen erlaubt dabei eine Analyse, die mehr Aspekte der Gesundheit berücksichtigt als die konventionelle Risikoanalyse, die sich auf wenige Faktoren (etwa Blutdruck, Cholesterin, Rauchen) beschränkt. Epidemiologen der Universität Nottingham haben 4 Algorithmen des maschinellen Lernens auf die Daten der Clinical Practice Research Datalink (CPRD) angewendet, die die Daten von fast 700 Familienpraxen in Großbritannien speichert. Die Daten wurden auf 2 Pakete verteilt.

Das 1. Paket mit Daten von 295 267 Patienten diente dem Training der 4 Algorithmen, die die Verfahren Random Forest, logistische Regression, Gradient Boosting und neuronale Netzwerke benutzten. Die dabei erlernte Risikoprognose wurde dann in einer Validierungskohorte an 82 989 Patienten überprüft. Zum Vergleich wurde der aktuelle Risiko-Score der American Heart Association und des American College of Cardiology (ACC/AHA) auf die Daten angewendet.

Ergebnis: Alle 4 Algorithmen des maschinellen Lernens waren dem ACC/AHA-Score überlegen. In der AUC-Analyse erzielten sie Werte zwischen 0,745 und 0,764 gegenüber 0,728 mit dem ACC/AHA-Score. Ein AUC-Wert von 1,0 beschreibt eine 100%ige Vorhersage, während 0,5 dem Werfen eines Würfels gleichkommt. Das beste Ergebnis erzielte das neuronale Netzwerk: Es sagte 7,6 % mehr voraus als der ACC/AHA-Score und senkte gleichzeitig die Zahl der falschen Alarme um 1,6 %. In der Validierungsphase konnten damit 355 zusätzliche Patienten einer Therapie zugeordnet werden.

Fazit: Dennoch gibt es Bedenken gegen die „Black-Box“-Natur des maschinellen Lernens. Die Epidemiologen geben dabei zwar vor, welche Patienteneigenschaften die künstliche Intelligenz verwenden soll. Die genauen Berechnungen bleiben jedoch weitgehend im Dunkeln. Zwar wurden inzwischen Methoden zur „Daten-Visualisierung“ entwickelt, die Nachvollziehbarkeit ist jedoch nicht immer gegeben. Das maschinelle Lernen ist nicht frei von Fehlern. Rüdiger Meyer

Weng SF, Reps J, Kai J, et al.: Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLOS, Published: April 4, 2017 https://doi.org/10.1371/journal.pone.0174944

    Leserkommentare

    E-Mail
    Passwort

    Registrieren

    Um Artikel, Nachrichten oder Blogs kommentieren zu können, müssen Sie registriert sein. Sind sie bereits für den Newsletter oder den Stellenmarkt registriert, können Sie sich hier direkt anmelden.

    Fachgebiet

    Zum Artikel

    Alle Leserbriefe zum Thema

    Login

    Loggen Sie sich auf Mein DÄ ein

    E-Mail

    Passwort

    Anzeige