Ein von Forschern entwickeltes Random‑Forest‑Modell sagt die 24‑Stunden‑Mortalität von kritisch kranken Patienten mit hoher Genauigkeit voraus. Im Test erreichte das Modell eine Fläche unter der ROC‑Kurve (AUC) von 0,863 (95 %‑KI: 0,766–0,961) und zeigte damit ein starkes Potenzial für den klinischen Einsatz.

Studiendesign und Datengrundlage

Die retrospektive Kohorte umfasste 892 erwachsene Patienten, die zwischen August 2023 und April 2025 in einem tertiären Krankenhaus in Changsha als kritisch krank eingestuft wurden. Daten stammten aus dem präklinischen Notfall‑EMR, dem In‑Hospital‑Triage‑System und den Krankenhaus‑Informationssystemen.

Modellentwicklung und Bewertung

Neun maschinelle Lern‑Algorithmen wurden trainiert, wobei das Random‑Forest‑Verfahren die stabilste Leistung zeigte. Zur Bewertung wurden AUC, Sensitivität, Spezifität, Genauigkeit und F1‑Score herangezogen.

Ergebnisse der Random‑Forest‑Analyse

Im Trainingsset erzielte das Modell eine AUC von 0,985 (95 %‑KI: 0,976–0,993). Die wichtigsten Prädiktoren waren die präklinische Herzfrequenz, die Atemfrequenz bei Aufnahme und die systolischen sowie diastolischen Blutdruckwerte.

Interpretation der Merkmale mittels SHAP

Durch SHapley Additive exPlanations (SHAP) wurde der Einfluss einzelner Merkmale visualisiert. Die Analyse bestätigte, dass die präklinische Herzfrequenz, die Atemfrequenz bei Aufnahme und der Blutdruck die stärksten Prädiktoren für die Mortalität darstellen.

Bereitstellung und Anwendung

Das Modell wurde als interaktives Web‑Tool bereitgestellt, das eine Echtzeit‑Prognose ermöglicht und damit klinischen Entscheidungsträgern zusätzliche Informationen liefert.

Ausblick und Limitierungen

Die Autoren betonen, dass das Tool die klinische Beurteilung ergänzen, aber nicht ersetzen soll. Weitere Validierungen in größeren, multizentrischen und prospektiven Studien mit höheren Ereignisraten sind erforderlich, um die Robustheit und Anwendbarkeit im realen Umfeld zu bestätigen.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.