Machine-Learning-Modell zur Früherkennung von Gebrechlichkeit bei Dialysepatienten
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
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.