Neues ML-Modell erkennt frühzeitig Nierenversagen bei Leberzirrhose-Patienten

Ein neues, interpretierbares Machine‑Learning‑Modell verspricht, akutes Nierenversagen (AKI) bei kritisch kranken Patienten mit Leberzirrhose frühzeitig zu erkennen. Die Studie, die auf Daten aus der MIMIC‑IV‑Datenbank basiert, zeigt, dass das Modell mit hoher Genauigkeit arbeitet und gleichzeitig klinisch nachvollziehbare Risikofaktoren liefert.

Die Analyse umfasste 1.240 erwachsene ICU‑Patienten mit diagnostizierter Leberzirrhose. Patienten mit einem Aufenthalt von weniger als 48 Stunden oder mit fehlenden Schlüsseldaten wurden ausgeschlossen. Aus den ersten 48 Stunden wurden Laborwerte und physiologische Messungen extrahiert, anschließend einer sorgfältigen Vorverarbeitung, fehlenden Datenfilterung, LASSO‑Feature‑Auswahl und SMOTE‑Klassenbalancierung unterzogen.

Für die Vorhersage wurden sechs Algorithmen getestet: LightGBM, CatBoost, XGBoost, logistische Regression, Naive Bayes und ein neuronales Netzwerk. Die Modelle wurden anhand von AUROC, Genauigkeit, F1‑Score, Sensitivität, Spezifität und Vorhersagewerten bewertet. LightGBM erzielte die beste Leistung mit einem AUROC von 0,808 (95 % KI 0,741‑0,856), einer Genauigkeit von 0,704 und einer Negativen Prädiktiven Wert von 0,911.

Zu den wichtigsten Prädiktoren zählten eine verlängerte partielle Thromboplastinzeit, das Fehlen einer 20‑G‑Platzierung außerhalb der Klinik, ein niedriger pH‑Wert und abweichende pO₂‑Messwerte – Faktoren, die mit den bekannten Pathomechanismen von AKI bei Leberzirrhose übereinstimmen. Diese Ergebnisse liefern nicht nur eine robuste Frühwarnung, sondern auch handlungsrelevante Hinweise für die klinische Praxis.

Das LightGBM‑basierte Modell bietet damit eine zuverlässige, frühzeitige Risiko‑Bewertung für AKI bei Leberzirrhose‑Patienten in der Intensivpflege. Durch die Kombination aus hoher Genauigkeit und interpretierbaren Risikofaktoren könnte es die Entscheidungsfindung verbessern und die Behandlungsergebnisse nachhaltig positiv beeinflussen.