Hintergrund:
Maschinelles Lernen (ML) gewinnt zunehmend an Bedeutung für die Identifikation und Strukturierung von Variablen bei prädiktiven Aufgaben. Die pulmonalarterielle Hypertonie (PAH) ist eine progrediente Erkrankung, die durch einen erhöhten mittleren pulmonalarteriellen Druck (mPAP) und einen gesteigerten pulmonalvaskulären Widerstand (PVR) bei normalem pulmonalvenösem Verschlussdruck (PAWP) gekennzeichnet ist, gemessen mittels Rechtsherzkatheteruntersuchung (RHK). Trotz wachsender Aufmerksamkeit führen Verzögerungen zwischen dem Auftreten unspezifischer Symptome und der Diagnosestellung weiterhin zu einem verspäteten Beginn gezielter Therapien und damit zu ungünstigeren Verläufen.
Ziel:
Entwicklung und Evaluation von ML-Modellen zur Prädiktion zentraler hämodynamischer Parameter bei PAH auf Basis routinemäßig erhobener, nichtinvasiver Daten, die innerhalb von acht Wochen vor einer RHK erfasst wurden – als proof of concept.
Methoden:
Es wurden Daten von 181 Patientinnen und Patienten mit invasiv bestätigter PAH analysiert. Insgesamt gingen 56 Variablen in die Modelle ein, darunter demografische Daten, transthorakale Echokardiographie, Blutgasanalyse, 6-Minuten-Gehtest, Laborparameter und WHO-Funktionsklasse. Eine 80/20-Train-Test-Aufteilung sowie eine fünffache Kreuzvalidierung wurden auf verschiedene ML-Modelle angewendet, darunter Lasso und Ridge Regression, k-nearest neighbors, Decision Trees, Random Forest und Gradient Boosting Machine.
Ergebnisse:
Das Lasso-Modell erzielte die beste Leistung zur Vorhersage des mPAP (r = 0,80; R² = 0,64; RMSE = 8,49). Für den PVR zeigte die Ridge-Regression die besten Ergebnisse (r = 0,71; R² = 0,51; RMSE = 3,60). Random Forest und Gradient Boosting lieferten moderate, aber konsistente Leistungen für den Herzindex (CI; r = 0,38 bzw. 0,37), während die Prädiktion des PAWP in allen Modellen eingeschränkt blieb.
Fazit:
ML-Modelle können mPAP und PVR aus routinemäßig erhobenen klinischen Daten vor einer RHK bei Patientinnen und Patienten mit bestätigter PAH abschätzen. Eine externe Validierung ist erforderlich, um Generalisierbarkeit und klinische Anwendbarkeit zu bestätigen.
