KI-Modelle zur Vorhersage von PONV bei Laparoskopischer Sleeve-Gastrektomie

PEKING / LONDON (IT BOLTWISE) – Die Anwendung von maschinellem Lernen zur Vorhersage von postoperativer Übelkeit und Erbrechen (PONV) nach einer laparoskopischen Sleeve-Gastrektomie (LSG) könnte die medizinische Versorgung erheblich verbessern. Eine aktuelle Studie aus China hat verschiedene KI-Modelle entwickelt und validiert, um das Risiko von PONV bei Patienten, die sich diesem Eingriff unterziehen, präzise vorherzusagen.

Die laparoskopische Sleeve-Gastrektomie (LSG) ist ein gängiger chirurgischer Eingriff zur Behandlung von Adipositas, der jedoch häufig mit postoperativer Übelkeit und Erbrechen (PONV) einhergeht. Diese Komplikationen können den Genesungsprozess der Patienten erheblich beeinträchtigen und die Krankenhausaufenthaltsdauer verlängern. In einer kürzlich durchgeführten Studie in einem tertiären Krankenhaus in China wurde untersucht, wie maschinelles Lernen zur Vorhersage des PONV-Risikos eingesetzt werden kann.

Die Forscher sammelten Daten von Patienten, die zwischen Januar 2018 und März 2023 eine LSG durchlaufen hatten. Diese Daten wurden in Trainings- und Testkohorten im Verhältnis 7:3 aufgeteilt. Um unabhängige Prädiktoren zu identifizieren, wurden der Boruta-Algorithmus und eine multivariate logistische Regression verwendet. Verschiedene Modelle, darunter Random Forest, Extreme Gradient Boosting (XGB) und Support Vector Machines, wurden entwickelt und auf ihre Leistung hin untersucht.

Insgesamt wurden 860 Patienten in die Analyse einbezogen, von denen 473 (55 %) PONV erlebten. Zu den identifizierten Risikofaktoren gehörten das weibliche Geschlecht, eine Operationsdauer von über 60 Minuten, die intraoperative Verabreichung von Remifentanil und die postoperative Verwendung von Opioiden. Die prophylaktische Gabe von Antiemetika während der Operation erwies sich als schützender Faktor.

Das XGB-Modell zeigte die beste Leistung mit einer Fläche unter der Receiver Operating Characteristic-Kurve (AUROC) von 0,828. Diese hohe Genauigkeit unterstreicht das Potenzial von KI-Modellen, die klinische Entscheidungsfindung zu unterstützen und die Patientenversorgung zu verbessern. Ein Online-Vorhersagetool basierend auf dem XGB-Modell wurde ebenfalls für den klinischen Einsatz entwickelt.

Die Ergebnisse dieser Studie sind vielversprechend, doch es bedarf weiterer Untersuchungen, um die Generalisierbarkeit der Modelle auf unterschiedliche Bevölkerungsgruppen und klinische Umgebungen zu bestätigen. Die Integration solcher KI-gestützter Vorhersagemodelle in die klinische Praxis könnte die postoperative Betreuung von Patienten erheblich optimieren.

Die Anwendung von KI in der Medizin ist ein wachsender Trend, der sowohl Chancen als auch Herausforderungen mit sich bringt. Während die Technologie das Potenzial hat, die Präzision und Effizienz der medizinischen Versorgung zu verbessern, müssen auch ethische und datenschutzrechtliche Aspekte berücksichtigt werden. Die vorliegende Studie zeigt, wie KI-Modelle gezielt eingesetzt werden können, um spezifische klinische Probleme zu adressieren und die Patientenversorgung zu verbessern.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!