Algorithmen für maschinelles Lernen können medizinischem Personal helfen, alkoholbedingte Hepatitis und akute Cholangitis richtig zu diagnostizieren – ScienceDaily

Akute Cholangitis ist eine potenziell lebensbedrohliche bakterielle Infektion, die häufig mit Gallensteinen einhergeht. Zu den Symptomen gehören Fieber, Gelbsucht, Schmerzen im rechten oberen Quadranten und erhöhte Leberenzyme.

Obwohl dies wie charakteristische, verräterische Symptome erscheinen mag, ähneln sie leider denen einer ganz anderen Erkrankung: der alkoholassoziierten Hepatitis. Dies stellt das Personal der Notaufnahme und andere medizinische Fachkräfte vor Herausforderungen, die Patienten mit Leberenzymanomalien und systemischen Entzündungsreaktionen diagnostizieren und behandeln müssen.

Neue Forschungsergebnisse der Mayo Clinic zeigen, dass maschinelle Lernalgorithmen dem Gesundheitspersonal helfen können, die beiden Erkrankungen zu unterscheiden. In einem Artikel veröffentlicht in Verfahren der Mayo-Klinikzeigen Forscher anhand einiger einfacher Variablen und routinemäßig verfügbarer strukturierter klinischer Informationen, wie Algorithmen effektive Vorhersagewerkzeuge sein können.

„Diese Studie wurde dadurch motiviert, dass viele medizinische Dienstleister in der Notaufnahme oder auf der Intensivstation Schwierigkeiten hatten, akute Cholangitis und alkoholassoziierte Hepatitis zu unterscheiden, die sehr unterschiedliche Erkrankungen sind, die sich ähnlich darstellen können“, sagt Joseph Ahn, MD, Gastroenterologie und im dritten Jahr Hepatologe an der Mayo Clinic in Rochester. Dr. Ahn ist Erstautor der Studie.

„Wir haben maschinelle Lernalgorithmen entwickelt und trainiert, um die beiden Zustände zu unterscheiden, indem wir einige der routinemäßig verfügbaren Laborwerte verwenden, die alle diese Patienten haben sollten“, sagt Dr. Ahn. “Die maschinellen Lernalgorithmen zeigten hervorragende Leistungen bei der Unterscheidung der beiden Bedingungen mit einer Genauigkeit von über 93 %.”

Die Forscher analysierten elektronische Patientenakten von 459 Patienten über 18 Jahren, die zwischen dem 1. Januar 2010 und dem 31. Dezember 2019 in die Mayo Clinic in Rochester eingeliefert wurden. Bei den Patienten wurde akute Cholangitis oder alkoholassoziierte Hepatitis diagnostiziert.

Zum Zeitpunkt der Aufnahme wurden zehn routinemäßig verfügbare Laborwerte erhoben. Nach Entfernung der Patienten, deren Daten unvollständig waren, blieben 260 Patienten mit alkoholassoziierter Hepatitis und 194 mit akuter Cholangitis übrig. Diese Daten wurden verwendet, um acht maschinelle Lernalgorithmen zu trainieren.

Die Forscher validierten die Ergebnisse auch extern anhand einer Kohorte von Intensivpatienten, die zwischen 2001 und 2012 im Beth Israel Deaconess Medical Center in Boston untersucht wurden. Die Algorithmen übertrafen auch Ärzte, die an einer Online-Umfrage teilnahmen, die im Artikel beschrieben wird.

„Die Studie unterstreicht das Potenzial von maschinellen Lernalgorithmen zur Unterstützung der klinischen Entscheidungsfindung in Fällen von Unsicherheit“, sagt Dr. Ahn. „Es gibt viele Fälle von Gastroenterologen, die für eine dringende endoskopische retrograde Cholangiopankreatikographie bei Patienten konsultiert werden, die zunächst eine Anamnese des Alkoholkonsums leugnen, sich aber später als alkoholassoziierte Hepatitis herausstellen Geisteszustand oder mangelnder Zugang zu bildgebenden Verfahren in unterversorgten Gebieten können Anbieter dazu zwingen, die Entscheidung auf der Grundlage einer begrenzten Menge objektiver Daten zu treffen.“

Wenn die maschinellen Lernalgorithmen mit einem Online-Rechner oder einer Smartphone-App leicht zugänglich gemacht werden können, könnten sie laut der Studie dem medizinischen Personal helfen, das dringend mit einem akut kranken Patienten mit abnormalen Leberenzymen vorgestellt wird.

„Für die Patienten würde dies zu einer verbesserten diagnostischen Genauigkeit führen und die Anzahl zusätzlicher Tests oder die unangemessene Anordnung invasiver Verfahren verringern, was die korrekte Diagnose verzögern oder die Patienten dem Risiko unnötiger Komplikationen aussetzen könnte“, sagt Dr. Ahn.

Die Autoren stammen von der Abteilung für Gastroenterologie und Hepatologie und der Abteilung für Innere Medizin der Mayo Clinic in Rochester sowie vom Department of Computer Science der Hanyang University in Seoul, Südkorea. Co-Autor Yung-Kyun Noh wurde bei dieser Forschung vom Samsung Research Funding and Incubation Center von Samsung Electronics unterstützt. Die Autoren melden keine konkurrierenden Interessen.

Geschichte Quelle:

Materialien zur Verfügung gestellt von Mayo-Klinik. Original geschrieben von Jay Furst. Hinweis: Inhalt kann für Stil und Länge bearbeitet werden.

Newsletter

Leave a Reply

Your email address will not be published.

This site uses Akismet to reduce spam. Learn how your comment data is processed.