Eine aktuelle Studie aus Malawi hat ein maschinelles Lernmodell entwickelt, das die Wahrscheinlichkeit einer Hospitalisierung innerhalb von sieben Tagen bei Kindern im Alter von 2 bis 59 Monaten mit WHO‑definierter Pneumonie vorhersagen kann. Das Modell wurde anhand von Daten aus neun primärmedizinischen Zentren trainiert und in zwei weiteren Zentren extern validiert.
Hintergrund
Pneumonie bleibt weltweit die häufigste Todesursache bei Kindern unter fünf Jahren. Die Studie zielte darauf ab, ein prädiktives Werkzeug zu schaffen, das in ressourcenarmen Primärversorgungssettings eingesetzt werden kann, um frühzeitig Kinder mit erhöhtem Risiko zu identifizieren.
Methodik
Im Rahmen der BIOTOPE‑Kohortenstudie wurden Kinder, die zwischen Dezember 2022 und April 2023 in neun primären Versorgungszentren vorgestellt wurden, in das Trainingsset aufgenommen; ein weiteres Set aus 2016 stammt aus zwei Zentren für die externe Testung. Alle Teilnehmenden waren zwischen 2 und 59 Monaten alt, zeigten Husten und/oder Atembeschwerden und erfüllten die WHO‑Kriterien für Pneumonie. Das primäre Ergebnis war Hospitalisierung oder Tod innerhalb von sieben Tagen.
Ergebnisse
Das mittlere Alter betrug im Trainings‑ bzw. Test‑Kohort 15 bzw. 17 Monate, wobei etwa die Hälfte männlich war. Hospitalisierungen traten bei 14,3 % (294/2055) der Trainings‑ und 12,1 % (55/455) der Test‑Kinder auf; ein Todesfall wurde nur im Trainings‑Kohort verzeichnet. Das optimierte Modell erreichte im Test‑Datensatz eine Fläche unter der ROC‑Kurve von 0,87 und eine Präzisions‑Recall‑Kurve von 0,57, bei einem erwarteten Kalibrierungsfehler von 0,16.
Vergleich mit bestehenden Modellen
Im Vergleich zu etablierten Risikovorhersage‑Scores, die ursprünglich für Krankenhauspopulationen entwickelt wurden, übertraf das neue Modell deren Leistungsfähigkeit deutlich. Die traditionellen Scores zeigten eine geringere Vorhersagegenauigkeit, wenn sie auf die Primärversorgungsdaten angewendet wurden.
Einschränkungen
Die Studie verwendet Hospitalisierung und/oder Tod als Schweregrad‑Endpunkt, was auch von systemischen Gesundheitsfaktoren beeinflusst sein kann. Aufgrund der geringen Sterblichkeit war ein Vergleich auf Basis von Mortalität nicht möglich, und die Vergleichswerkzeuge wurden nicht für Primärversorgungssettings konzipiert.
Schlussfolgerungen
Das maschinelle Lernmodell zeigte eine höhere Vorhersagegenauigkeit als traditionelle Pneumonie‑Risikoskalen und unterstützt damit die frühzeitige Identifikation von Kindern mit schwerer Pneumonie in ressourcenarmen primärmedizinischen Einrichtungen. Weitere externe Validierungen und Studien zur klinischen Wirksamkeit sind erforderlich, um den Nutzen im Praxisalltag zu bestätigen.
Dieser Bericht basiert auf Informationen von PLOS Medicine, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Ăśbertragung