Methodik

Für die Vorhersage wurden 16 Variablen aus den medizinischen Aufzeichnungen eingesetzt, darunter demografische Angaben, physikalische Indizes, Basis‑Diagnosen und Laborwerte. Ein 5‑layer tiefes neuronales Netzwerk (DNN) wurde mit den 15 wichtigsten Merkmalen trainiert. Die Auswahl der Merkmale erfolgte durch eine initiale Feature‑Importance‑Analyse, bevor das finale Modell erstellt wurde.

Auswahl der Merzei

Die Analyse der Merkmal‑Wichtigkeit zeigte, dass das Alter des Patienten den größten Beitrag zur Vorhersage leistete, gefolgt von Hypertonie, Taillenumfang, Kreatininwert, Tabinkonsum und Body‑Mass‑Index. Diese sechs Faktoren wurden als Schlüsselmerkmale in das finale D‑Netz integriert.

Leistung des Modells

Die Testphase des D‑Netzes ergab eine Fläche unter der ROC‑Kurve (AUROC) von 80,4 % und eine Gesamtschärfe von 83,5 %. Die Sensitivität lag bei 69,4 % und die Spezifität bei 81,1 % – Werte, die auf eine solide Trennfähigkeit zwischen Patienten mit und ohne ATAA hinweisen.Wichtigste EinflussfaktorDer Einfluss des Alters spiegelte die bekannte Zunahme des Aortenwand‑Durchmesses mit dem Alter wider. Die Kombination aus kardiovaskulären Risikofaktien wie Hypertonie und Rauchen erhöhte das prognostizierte Risiko zusätzlich deutlich.

Potenzielle Anwendung

Das entwickelte Modell kann in Screening‑Programmen eingesetzt werden, um asymptomatische Personen gezielt zu identifizieren und eine frühzeitige Diagnostik zu ermöglichen. Durch die Nutzung von bereits vorhandenen Routinedaten lässt sich das Verfahren ohne zusätzliche Testverfahren implementieren.

Ausblick

Weitere Untersuchungen sollen die Validität des Modells in anderen Populationen prüfen und die Integration in klinische Entscheidungs‑support‑Systeme untersuchen. Eine kontinuier‑scharfe Anpassung an neue Daten könnte die Vorhersagegenauigkeit weiter erhöhen.Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.