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

Knowledge-Hub Digitalisierung, KI & Gesundheit › Studien

Machine-Learning-Modell zur Früherkennung von Gebrechlichkeit bei Dialysepatienten

Wang J et al. · Ann Med · erschienen 11.10.2026 · in PubMed seit 12.10.2026 · PMID 42860582

Von KI ausgewählt und zusammengefasst

Worum es geht

Entwicklung und externe Validierung eines XGBoost-Modells zur Identifikation von Gebrechlichkeit (FRAIL-Skala) bei 626 Hämodialysepatienten aus vier chinesischen Krankenhäusern mittels klinischer und Laborvariablen.

Ergebnis

XGBoost zeigte beste externe Validierungsperformance (AUC 0,917, 95 % CI 0,867–0,967; Genauigkeit 0,847; Sensitivität 0,850; Spezifität 0,844). Sechs Prädiktoren: Alter, Griffstärke, Komorbiditäten, CCI, Albumin, Pro-BNP. SHAP-Analyse identifizierte Pro-BNP als einflussreichster Prädiktor mit klinisch relevanten Schwellwerten.

Übertragbarkeit auf Deutschland

China – vergleichbare Dialysestrukturen, aber externe Validierung an chinesischen Patientendaten erforderlich

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