AKI frühzeitig erkennen mit KI-gestützten Systemen

© Danudet.C – stock.adobe.com

Die künstliche Intelligenz (KI) kann in der Nephrologie unter anderem eingesetzt werden zur Früherkennung des akuten Nierenversagens (AKI).

AKI-Alertsysteme

Hierfür eignen sich sogenannte AKI-Alertsysteme. Diese beinhalten einen Algorithmus basierend auf den Diagnosekriterien für eine akute Nierenschädigung. Meist beinhalten diese Kriterien eine pathologische Serumkreatininerhöhung und eine verminderte Urinausscheidung. Automatisch erhält der behandelnde Arzt eine entsprechende Meldung und zugleich ein mögliches sogenanntes „Care-Bundle“, in dem entsprechende kontextspezifische Behandlungsempfehlungen gegeben werden. Diese könnten Empfehlungen zum Volumenmanagement, zur medikamentösen Therapie oder zur Dosisanpassung nephrotoxischer Substanzen umfassen.

Eine Erweiterung dieser Systeme könnte eine direkte Benachrichtigung bzw. Information eines Nephrologen sein, sowie die Dokumentation. Der Nutzen der reinen AKI-Alertsysteme wird aktuell bezogen auf die Reduktion der Morbidität und Mortalität kontrovers diskutiert. Es entstehen viele falsch-positive Signale bei Kreatininschwankungen, was bei übermäßigem Auftreten schließlich zum Ignorieren von wichtigen Informationen führen kann.

Clinical Decision Support System

Eine Erweiterung dieser AKI-Alertsysteme ist ein sogenanntes Clinical Decision Support System (CDSS). Dieses ebenfalls automatisierte Meldesystem zieht neben den Laborbefunden noch weitere Parameter heran. Es werden unter anderem auch Befunde aus vorherigen stationären Aufenthalten miteinbezogen. Hierdurch gelingt es einen vollständigeren Krankheitsverlauf zu modellieren, anhand dessen die Krankheitsprogression besser und früher abgeleitet werden kann.

Aufgrund der immer größer werdenden Komplexität klinischer Daten ist es jedoch schwierig, diese mit statistischen Methoden wie der linearen Regression zu analysieren. Regressionsbasierte Vorhersagemodelle weisen verschiedene Limitationen auf, so muss beispielsweise bei einem Modell mit mehreren Risikoprädiktoren eine Definition der wichtigsten Prädiktoren vorgenommen werden. Regressionsmodelle sind zudem nur in der Lage eine begrenzte Anzahl an Co-Variablen aufzunehmen. Im Weiteren ist es einem solchen Modell nicht möglich, Wechselbeziehung zwischen einzelnen Risikoprädiktoren vorzunehmen.

Machine Learning und Deep Learning

Zur weiteren Spezifizierung gibt es Machine Learning. Das Ziel dieser Modelle ist es, Risiken vorauszusagen, z.B. für ein akutes Nierenversagen, um dieses verhindern zu können. Eine weitere Spezifizierung ist Deep Learning, welches einen entscheidenden Schritt zur personalisierten Medizin und Behandlung darstellt. Dieses System zielt nicht auf einen Kreatinin-basierten Algorithmus ab, da Kreatinin meist messbar erst zeitverzögert zum Akuten Nierenversagen ansteigt.

Deep Learning ist in der Lage, strukturierte und unstrukturierte Daten wie Texte (z.B. Arztbriefe) oder Bilder mit aufzunehmen und zu verarbeiten. Zudem lernt dieses Programm mit jeder ergänzten Information dazu.

Nachteilig sind auch hier wiederum die vielen falschen Alarme, welche zur „Alarm-Fatigue“ und zum Ignorieren führen können. Auch solche Systeme sind noch nicht ausgereift genug, um im breiten Rahmen in der Praxis angewendet werden zu können.

In Zukunft gilt es über rein primärbasierte Systeme (die z.B. auf ausschließlich Labordaten-verarbeitenden Algorithmen beruhen) hinaus Systeme zu entwickeln, die auch unstrukturierte Textdaten wie klinische Notizen, Arztbriefe oder radiologische Berichte zu speichern und miteinzubeziehen vermögen. Gelänge es diese verschiedenen Informationsquellen zu integrieren, wäre eine deutlich bessere Risikostratifizierung möglich. Eine weiteres Forschungsfeld wäre die Vorhersage einer CKD, sowie die Verbindung aus CKD und kardiovaskulären Ereignissen. Auch hierzu gibt es Forschungsansätze, die KI basiert sind.

Für die aktuelle Praxis heißt das, dass die künstliche Intelligenz ein enormes Potenzial bietet, das Management von akuter Nierenschädigung wie CKD-Progression und CKD in Verbindung mit kardiovaskulären Ereignissen vorherzusagen. Hierfür müssten jedoch entsprechende infrastrukturelle Voraussetzung in Deutschland geschaffen werden. Um eine langfristige evidenzbasierte Anwendung zu etablieren, müssten Algorithmen und Ergebnisse nachvollziehbar und konkret anwendbar sein.