Interpretierbare KI entscheidet zwischen SAVR und TAVR bei Aortenstenose
In der Behandlung von Patienten mit schwerer Aortenstenose, die ein niedriges bis mittleres Risiko aufweisen, ist die Wahl zwischen einer chirurgischen (SAVR) und einer transkatheteren (TAVR) Aortenklappenersatzoperation noch immer stark von individuellen Patientenmerkmalen und den Präferenzen der Klinik abhängig. Trotz vorhandener Modelle, die postoperative Risiken prognostizieren, fehlt bislang ein transparentes, personalisiertes Entscheidungshilfesystem, das langfristige Ergebnisse direkt optimiert.
Forscher haben ein neues, interpretierbares Preskriptionsframework entwickelt, das prognostische Matching, kontrafaktische Ergebnismodelle und einen Optimal Policy Tree (OPT) kombiniert. Durch die Nutzung von Daten aus dem Hartford Hospital und dem St. Vincent's Hospital wird die Randomisierung simuliert, indem Patienten anhand ihrer Prognosewerte gepaart und gewichtet werden. Anschließend werden kontrafaktische Sterblichkeitsraten für beide Verfahren geschätzt. Das daraus resultierende Policy-Modell teilt die Patienten in klinisch sinnvolle Untergruppen ein und weist jedem die Behandlung zu, die die geringere geschätzte Sterblichkeit aufweist.
Die Anwendung der OPT-Empfehlungen führte laut kontrafaktiver Bewertung zu einer geschätzten Reduktion der 5‑Jahres‑Sterblichkeit um 20,3 % im Hartford Hospital und um 13,8 % im St. Vincent's Hospital im Vergleich zu den tatsächlich verabreichten Behandlungen. Diese Ergebnisse deuten auf eine gute Übertragbarkeit des Modells auf neue, nicht im Training enthaltene Daten hin. Die erlernten Entscheidungsgrenzen stimmen mit realen klinischen Ergebnissen und Beobachtungen überein.
Das vorgestellte Framework ist damit das erste seiner Art, das interpretierbare, individuelle Therapieempfehlungen liefert und dabei die langfristigen Patientenergebnisse optimiert. Es bietet einen vielversprechenden Ansatz, um die Entscheidungsfindung bei Aortenstenose zu standardisieren und die Versorgung von Patienten zu verbessern.