RSS-Feed abonnieren
DOI: 10.1055/s-0042-1756834
Nachweis der Generalisierbarkeit eines prädiktiven Algorithmus zur Vorhersage Präeklampsie-assoziierter Komplikationen
Zielsetzung Auf maschinellem Lernen basierende Algorithmen können die Vorhersage von Präeklampsie-assoziierten Komplikationen verbessern. Das untersuchte Modell wurde auf einem retrospektivem Datensatz von Schwangeren mit hohem Risiko für Präeklampsie und bekanntem Schwangerschaftsausgang trainiert. Die Vorhersagegenauigkeit des Algorithmus bei Patientinnen mit anderem geographischen, ethnischem und sozioökonomischem Hintergrund kann nicht grundsätzlich angenommen werden. Um die Generalisierbarkeit des Algorithmus zu testen, wurde dieser auf einem externen nordamerikanischen Datensatz getestet.
Materialen und Methoden Das Modell wurde anhand klinischer Daten von 1633 Schwangeren aus der Region Berlin-Brandenburg trainiert. Es wurden drei verschiedene Vorhersage-Endpunkte getestet und trainiert:
(1) Jegliche Schwangerschaftskomplikationen,
(2) Entbindung innerhalb von 14 Tagen und
(3) Entbindung innerhalb von 7 Tagen.
Anschließend wurden die Modelle auf ihre Prädiktionsgenauigkeit in einem Datensatz aus Boston, USA (n=616) getestet. Die Verteilung der Ausgangsmerkmale sowie die Vorhersagegenauigkeit wurden mit dem hauseigenen Datensatz verglichen.
Ergebnisse Im externen Datensatz waren mehr Schwangere nicht-kaukasischer Herkunft (66 % vs. 93,1 %; p<0,001), das Gewicht und der resultierende BMI waren ebenfalls signifikant höher als im internen Datensatz (Median 32,6 vs 25,5 kg/m2; p<0,001). Die Genauigkeit der Vorhersage war in beiden Datensätzen für alle Vorhersage-Endpunkte vergleichbar.
Zusammenfassung Trotz erheblicher ethnischer und demografischer Unterschiede zwischen dem internen und dem externen Datensatz ist die Vorhersageleistung der Algorithmen vergleichbar. Somit kann angenommen werden, dass das Modell nicht nur auf Patientenpopulationen angewandt werden kann, welche der Trainingspopulation ähnlich sind, sondern auch auf Populationen mit unterschiedlichen ethnischen und sozioökonomischen Hintergründen.
Publikationsverlauf
Artikel online veröffentlicht:
11. Oktober 2022
© 2022. Thieme. All rights reserved.
Georg Thieme Verlag
Rüdigerstraße 14, 70469 Stuttgart, Germany