Machine-Learning-Modelle zur Vorhersage starker Schmerzen bei Kreuzschmerzen – Ergebnisse einer saudischen Studie

USA: Machine-Learning-Modelle zur Vorhersage starker Schmerzen bei Kreuzschmerzen – Ergebnisse einer saudischen Studie

Studienaufbau

Ein Forscherteam am King Fahad Specialist Hospital in Saudi-Arabien hat in einer Querschnittsanalyse 61 Patienten mit starkem Kreuzschmerz (Numerical Rating Scale ≥ 7) untersucht, um die Vorhersagekraft von Machine-Learning‑Algorithmen zu prüfen. Erfasst wurden demografische Daten, Befunde aus der Lendenwirbelsäulen‑MRT sowie Lebensstilfaktoren wie Bewegungs- und Sitzzeiten.

Verwendete Modelle

Zur Analyse kamen zwei Algorithmen zum Einsatz: ein Random‑Forest‑Modell mit 500 Bäumen, einem 70/30‑Train‑Test‑Split und einer 5‑fachen Kreuzvalidierung sowie ein XGBoost‑Modell. Beide Modelle sollten die Schmerzintensität in die Klassen stark (NRS 7–8) und sehr stark (NRS 9–10) einteilen.

Ergebnisse des Random Forest

Der Random Forest erreichte eine Genauigkeit von 0,579 (95 % CI 0,334–0,800), einen AUC‑Wert von 0,607 (0,340–0,875), eine Spezifität von 0,917 und eine Sensitivität von 0,000. Als wichtigste Prädiktoren identifizierte das Modell die Anzahl betroffener Bandscheibenebenen (MDG = 0,62), die Disklocation L4‑L5 (MDA = 0,48), das Alter (0,31) und die Trainingszeit (0,28).

Ergebnisse des XGBoost

Das XGBoost‑Modell lieferte eine Genauigkeit von 66,67 % und eine Sensitivität von 0,33, wobei die geringe Sensitivität vermutlich auf ein Klassenungleichgewicht zurückzuführen ist – 72,1 % der Fälle wiesen sehr starke Schmerzen auf. Trotz ähnlicher Gesamtgenauigkeit bot XGBoost ergänzende Einblicke auf Feature‑Ebene mittels SHAP‑Analyse.

Interpretation und Grenzen

Die Analyse zeigte, dass der Random Forest in puncto Stabilität dem XGBoost überlegen war, während letzterer zusätzliche Detailinformationen bereitstellte. Beide Modelle wiesen jedoch eine begrenzte prädiktive Leistungsfähigkeit auf, die eine klinische Anwendung derzeit ausschließt.

Ausblick und Empfehlungen

Die Autoren betonen die Notwendigkeit größerer, multizentrischer Studien mit mindestens 200 Teilnehmenden und einer gezielten Behandlung des Klassenungleichgewichts, bevor maschinelle Lernverfahren als Entscheidungs‑Hilfsmittel im klinischen Alltag eingesetzt werden können.Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.