Neues ML-Framework vorhersagt Thromboserisiko bei rotierenden Blutpumpen

Ein neu entwickeltes, interpretierbares Machine‑Learning‑Framework ermöglicht die präzise Vorhersage von Thromboserisiken in rotierenden Blutpumpen. Durch die direkte Nutzung von aus der Strömungsdynamik gewonnenen Merkmalen liefert das System eine kompakte, physikalisch nachvollziehbare Feature‑Liste, die mit einer logistischen Regressionsanalyse kombiniert wird.

Das Modell wurde anhand von räumlichen Risikopatternn eines validierten Makroskalemodells für zwei typische Szenarien trainiert. Es reproduziert die gelabelten Risikodistributionen exakt und identifiziert dabei eindeutig die Strömungsmerkmale, die mit einer erhöhten Thrombosegefahr verbunden sind. Bereits bei der Anwendung auf einen Zentrifugalpumpen-Ansatz, obwohl das Training nur auf einem axialen Pumpenbetriebspunkt erfolgte, liefert das System plausibel erscheinende Thrombose‑Prone‑Zonen.

Die geringe Rechenkomplexität des Ansatzes erlaubt eine schnelle, kostengünstige Screening‑Phase ohne wiederholte, aufwändige Simulationen. Damit ergänzt das Framework physikbasierte Modelle und schafft eine solide Grundlage für die Integration interpretierbarer Machine‑Learning‑Methoden in die klinische und technische Bewertung von Blutpumpen.