Knowledge-Hub Digitalisierung, KI & Gesundheitein Angebot von Monitor Versorgungsforschung

Knowledge-Hub Digitalisierung, KI & Gesundheit › Studien

Machine Learning zur Mortalitätsprognose bei septischer Koagulopathie: multicenter validiert

Sun J et al. · JMIR Med Inform · erschienen 21.09.2026 · PMID 42766803

Von KI ausgewählt und zusammengefasst

Worum es geht

Entwicklung und externe Validierung eines interpretierbaren Machine-Learning-Modells (XGBoost) mit 7980 Patienten aus MIMIC-IV, 3815 aus eICU-CRD und 235 vom eigenen Zentrum zur Vorhersage von 28-Tage-Mortalität bei Intensivpatienten mit septischer Koagulopathie (SIC).

Ergebnis

XGBoost-Modell erreichte internes Validierungs-AUC von 0,899 (95% KI 0,889–0,909) und externe AUCs von 0,882 und 0,904, deutlich besser als traditionelle Scoring-Systeme (SOFA, APACHE II, SAPS II, Oxford). Top-5 Prädiktoren: Anionenlücke, RDW, Laktat, Gesamt-Bilirubin, Alter. Benutzerfreundliches Online-Tool (SIC Predict Streamlit) entwickelt. Modell generalisierte robust über Kohorten.

Übertragbarkeit auf Deutschland

USA (MIMIC-IV, eICU), aber externe Validierung; klinischer Nutzenbefund ist übertragbar

Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.