Transfer Learning verbessert Sterblichkeitsvorhersage in der Intensivpflege

In der Intensivstation variieren die Ursachen kritischer Erkrankungen stark je nach Diagnose. Bisher wurden Vorhersagemodelle, die diese diagnostische Heterogenität berücksichtigen, jedoch nicht systematisch untersucht. Ein neues Forschungsprojekt nutzt Transfer‑Learning-Ansätze, um die Sterblichkeitsvorhersage für einzelne Diagnosen zu optimieren.

Die Forscher haben sowohl lineare Generalisierte Lineare Modelle (GLM) als auch XGBoost‑Algorithmen auf die umfangreiche eICU Collaborative Research Database angewendet. Dabei zeigte sich, dass Transfer‑Learning konsequent bessere Ergebnisse liefert als Modelle, die ausschließlich auf diagnosespezifischen Daten trainiert wurden, sowie als die etablierte APACHE IVa‑Skala allein.

Darüber hinaus weisen die Modelle eine überlegene Kalibrierung auf, wenn sie auf die Daten einer einzelnen Diagnose abgestimmt sind, im Gegensatz zu Modellen, die auf aggregierten Datensätzen basieren. Die Studie legt nahe, dass der Youden‑Cutoff ein geeigneteres Entscheidungs­kriterium ist als der herkömmliche Schwellenwert von 0,5. Transfer‑Learning hält dabei die hohe Vorhersageleistung über verschiedene Cutoff‑Kriterien hinweg konstant.