Machine-Learning-Modelle zur Vorhersage von Akutem Nierenschaden und Post-AKI-Mortalität: Systematische Übersicht und Metaanalyse
Von KI ausgewählt und zusammengefasst
Worum es geht
Systematische Übersicht und Metaanalyse von 219 Studien mit 7,3 Millionen Teilnehmern zu Diskriminationsgüte von ML-Modellen für Vorhersage von akutem Nierenschaden und Post-AKI-Mortalität in realen klinischen Daten.
Ergebnis
Gepooltes AUC für AKI-Auftreten: 0,834 (95%-KI 0,821–0,846); für Post-AKI-Mortalität: 0,830 (95%-KI 0,807–0,851). Externe Validierung selten (16,0 % für AKI-Auftreten, 29,0 % für Mortalität). Nichtlineare Modelle (Deep Learning, Ensemble-Methoden) zeigten höhere AUC-Punktschätzungen. PROBAST+AI-Bewertung: 58,9 % niedriges Risiko, 38,4 % hohes Risiko.
Übertragbarkeit auf Deutschland
Globale Evidenz mit unterschiedlichen Datenquellen; methodische Erkenntnisse auf deutsche ICU-Populationen übertragbar, aber externe Validierung an deutschen Daten erforderlich.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.