D-Dimer 2.0 – KI-gestützte Analyse negativer Prädiktoren bei Patienten mit klinischem Verdacht auf eine Lungenarterienembolie sowie positivem D-Dimer

Zielsetzung Der Ausschluss einer Lungenarterienembolie (LAE) mittels Computertomographie (CT) gehört zu den häufigsten Notfallindikationen der Radiologie. Das D-Dimer ist aufgrund seines lediglich hohen negativen prädiktiven Wertes sowie der geringen Spezifität im Falle einer Erhöhung nicht sinnvoll, um den Verdacht auf eine LAE zu erhärten. Aus diesem Grund fällt ein Großteil der Untersuchungen mit Fragestellung nach LAE negativ aus. Ziel dieser Arbeit war es, auf Basis des Eingangslabors mithilfe maschineller Lernalgorithmen ein Modell zur Vorhersage der LAE-Wahrscheinlichkeit bei Patienten mit positivem D-Dimer zu entwickeln.

Material und Methoden Alle in den letzten 10 Jahren über die hiesige Notaufnahme aufgenommenen Patienten klinischem Verdacht auf eine LAE sowie vollständigem Aufnahmelabor (37 Parameter) wurden in die Studie eingeschlossen (n = 2045). Nach initialer, deskriptiver Statistik erfolgte eine Clusteranalyse mittels k-means sowie die Evaluation unterschiedlicher Parameterkombinationen. Vier Algorithmen (kNN, Perzeptron, Random Forest, AdaBoost) wurden kompetitiv in der anschließenden Clustervorhersage evaluiert.

Ergebnisse Bei insgesamt 40,7% der Patienten wurde eine LAE nachgewiesen. Diese zeigten in 15 der 37 Laborparameter signifikante Unterschiede zu Patienten ohne LAE. Die Analyse ergab drei distinkte Cluster mit hochsignifikanten Unterschieden hinsichtlich der jeweiligen LAE-Häufigkeiten. So war das Risiko einer LAE in Cluster2 im Vergleich zu Cluster1 25% geringer. Der Random Forest zeigte dabei die beste Klassifizierungsperformance, um diese signifikant niedrigere LAE-Wahrscheinlichkeit auch im Testdatensatz nachzuweisen (AUC > 0.9).

Schlussfolgerungen Wie gezeigt, kann auf Basis des Aufnahmelabors bereits eine modellgestützte Stratifizierung mit signifikant niedrigerem Risiko für eine LAE trotz positivem D-Dimer stattfinden. Dies ist ein erster Schritt in Richtung einer multiparametrischen, prädiagnostischen Evaluation von Patienten mit Verdacht auf LAE.

Publication History

Article published online:
11 May 2021