Evaluation der Vorhersagekraft von auf künstlicher Intelligenz basierenden Modellen für den Nutzen von mechanischen Herz-Kreislauf-Unterstützungssystemen nach außerklinischer Reanimation

Hintergrund: Der Einsatz der mechanischen Kreislaufunterstützung (MCS) nach überlebtem Herzstillstand außerhalb des Krankenhauses (OHCA), insbesondere im Hinblick auf Zeitpunkt, Geräteauswahl und klinisch relevanten Faktoren, ist nach wie vor kontrovers diskutiert. Die frühzeitige Identifikation von prognostischen Indikatoren ist entscheidend für die Optimierung des klinischen Outcomes. Diese Studie untersucht den Einsatz von maschinellem Lernen (ML) zur Prädiktion von Mortalität und neurologischem Outcome bei OHCA-Patienten mit besonderem Fokus auf den potenziellen Nutzen der Anwendung von MCS.

Methoden: Im Rahmen dieser retrospektiven Studie wurden Daten von 461 Patienten analysiert, die zwischen Januar 2018 und Dezember 2022 nach einem OHCA im Cardiac Arrest Center des Universitätsklinikums Marburg (MCAC) aufgenommen wurden. Einschlusskriterien waren die Rückkehr eines Spontankreislaufs, ein Alter über 18 Jahren und eine nicht-traumatische Ursache des Herzstillstands. Vier ML-Modelle (ANN, SVM, Random Forest und XGBoost) wurden trainiert und entsprechend ihrer prädiktiven Validität für die Bewertung der Krankenhausmortalität und des neurologischen Outcomes verglichen, basierend auf demographischen, klinischen- und therapieassoziierten Daten. Die Modelle wurden durch Merkmalsauswahl und SHAP-Analyse optimiert, um relevante Prädiktoren zu ermitteln und die Frage zu beantworten, ob ML-Modelle in der Lage sind, Patienten aus der Gruppe ohne MCS zu identifizieren, die potenziell von MCS profitieren.

Ergebnisse: Von insgesamt 461 eingeschlossenen Patienten erhielten 144 (31,2%) ein MCS: 39 Patienten erhielten eine Impella, 29 Patienten eine biventrikuläre Unterstützung mit VA-ECMO und Impella und 76 Patienten eine VA-ECMO. Die Implantation der VA-ECMO erfolgte bei 69 Patienten im Rahmen einer extrakorporalen CPR (eCPR). Insgesamt überlebten 217/461 Patienten (47,1%) nach OHCA, während 244 (52,9%) verstarben. Die Überlebensrate der Patienten mit MCS betrug 34,7% (50/144) im Vergleich zu 52,7% (167/317) in der Gruppe ohne MCS. Die ML-Modelle XGBoost und Random Forest zeigten die höchste Vorhersagekraft für die Überlebenswahrscheinlichkeit mit und ohne MCS bei Patienten ohne MCS. Die Modelle identifizierten zusätzliche 2,5% der Patienten ohne MCS, die mit MCS mutmaßlich überleben würden, und erhöhten die Überlebenswahrscheinlichkeit von weiteren 31 Patienten mit MCS um mindestens 5%. Random Forest übertraf XGBoost leicht und erreichte eine AUC von 0,85, wobei die Zeit bis zur Rückkehr eines Spontankreislaufs, ein initial schockbarer Rhythmus, das Alter, der Body-Mass Index und die initialen Werte für Laktat, pH, CRP und GFR die Prädiktoren mit dem höchsten Einfluss im Modell waren.

Schlussfolgerung: KI-basierte ML-Modelle, insbesondere XGBoost und Random Forest, können die Mortalität und den Nutzen von MCS bei OHCA-Patienten mit hoher Vorhersagekraft individuell prognostizieren. Die Ergebnisse unterstreichen das Potenzial ML-basierter personalisierter Therapien, erfordern jedoch eine Validierung in größeren multizentrischen Studien.