Es gibt Wetterphänomene, an denen es gehäuft zu einem Herzstillstand kommt. Aus entsprechenden Daten haben Wissenschaftler jetzt einen KI-Algorithmus entwickelt – um damit „besonders riskante“ Tage für einen Herzstillstand voraussagen zu können.
An welchen Tagen mit besonders vielen Herzstillstand-Fällen außerhalb des Krankenhauses (OHCA) zu rechnen ist, lässt sich offenbar mit einem Maschinenlernen-Algorithmus relativ genau vorhersagen. Daten zur Vorhersagekraft entsprechender Modelle haben japanische Wissenschaftler um Dr. Kaoru Shimada‑Sammori, Chiba University Graduate School of Medicine, jetzt in Nature Scientific Reports publiziert. „Wir konnten Tage mit einer hohen Inzidenz von OHCA mithilfe eines Maschinenlernen-Algorithmus, der auf klimatischen Daten basiert, erfolgreich vorhersagen“, fassen sie ihre Ergebnisse zusammen.
Klima beeinflusst Auftreten von plötzlichen Herztoden
Neben den bekannten, patientenspezifischen Risikofaktoren für einen plötzlichen Herztod wie höheres Alter, männliches Geschlecht, Vorerkrankungen wie KHK und Bluthochdruck gibt es auch externe Faktoren, die mit einem höheren Herzstillstand-Aufkommen einhergehen. Dazu gehören Witterungsverhältnisse wie kalte Umgebungstemperaturen oder größere Temperaturschwankungen an einem Tag ebenso wie zeitliche Aspekte, z.B. Tage nach Urlaubsende usw..
Sowohl klimatische als auch chronologische Daten speisten Shimada‑Sammori und sein Team in KI-Modelle ein, um diese auf die Vorhersage von Tagen mit besonders hohen Herzstillstand-Inzidenzen zu trainieren. Die OHCA-Informationen, die den Algorithmen für das Training zur Verfügung gestellt wurden, stammten aus einem bevölkerungsweiten Register: konkret waren es Daten von 96.597 Patientinnen und Patienten, die in der Metropolregion Tokio zwischen 2005 und 2012 einen OHCA erlitten hatten. Insgesamt entwickelten die Wissenschaftler aus diesen Daten acht, auf verschiedenen Algorithmen basierende Vorhersage-Modelle.
Relativ genaue Vorhersage von Hochinzidenz-Tagen
Die jeweiligen Modelle testeten sie an einer Kohorte von 143.168 OHCA-Patienten aus sechs japanischen Verwaltungsgebieten (in Japan Präfekturen genannt), die im Zeitraum von 2013–2015 einen OHCA erlitten hatten. Am besten schnitt das eXtreme Gradient Boosting-Verfahren (XGBoost) ab: Dieses konnte OHCA-Hochinzidenz-Tage – definiert als Tage, an denen die 75%-Perzentile der täglichen OHCA-Inzidenz überschritten wird – mit einer hohen Genauigkeit vorhersagen („area under the receiver operating curve“ = 0,862–0,923 je nach Präfaktur).
Die Forscher schauten daraufhin, welche Faktoren am meisten zur Vorhersagekraft des Modells beigetragen haben. Dabei scheint insbesondere eine „mittlere Temperatur am vorherigen Tag“ (Anstieg der Inzidenz bei niedrigen Temperaturen) den Ausschlag zu geben, ob der kommende Tag als „Hochrisiko-Tag“ eingestuft wird oder nicht. Einfluss hatten demzufolge aber auch der Monat (im Januar wurde die höchste Inzidenz registriert), der Anteil der älteren Bevölkerung, die Tagestemperatur am vorherigen Tag und der Wochentag (an Montagen war die Inzidenz am höchsten).
Welchen Mehrwert haben solche Vorhersage-Modelle?
Doch selbst wenn solche Modelle „Risikotage“ für einen OHCA relativ genau vorhersagen können, stellt sich die Frage, welchen Mehrwert solche Prognosen haben könnten. Shimada‑Sammori und Kollegen sehen in solchen Modellen durchaus Potenzial für eine Verbesserung des OHCA-Outcomes: „Wenn ein OHCA-Vorhersagesystem basierend auf Maschinenlern-Algorithmen etabliert werden kann, könnte dieses Bürger vor Ort, öffentliche Einrichtungen und Notfalleinrichtungen über anstehende Tage mit hohen Risiken für ein OHCA-Auftreten warnen“, schreiben sie in der Publikation. Eine solcher Warnung wiederum könne in einem verstärkten Monitoring von gefährdeten Patienten resultieren und die Erkennung und Behandlung eines OHCA verbessern.
Entsprechende Modelle müssten allerdings, wenn sie in andere Regionen der Welt angewendet werden sollten, auf die dort herrschenden klimatischen Verhältnisse angepasst bzw. trainiert werden.