Frühe Risikostratifizierung der Schwere akuter Nierenschädigung bei Patienten mit akutem Myokardinfarkt und Diabetes mithilfe von maschinellem Lernen

Warum das für Patienten und Angehörige wichtig ist

Herzinfarkte und Diabetes sind für sich genommen schon beängstigend, zusammen erhöhen sie jedoch das Risiko, dass die Nieren während eines Krankenhausaufenthalts plötzlich versagen. Diese Studie stellt eine sehr praktische Frage: Lassen sich Informationen, die Ärztinnen und Ärzte bereits am ersten Tag der Krankenhausaufnahme erfassen, nutzen, um frühzeitig zu erkennen, welche Patienten mit hoher Wahrscheinlichkeit eine leichte, mittlere oder schwere Nierenschädigung entwickeln, bevor sich diese vollständig manifestiert? Ziel ist es, dem ärztlichen Team mehr Zeit zu geben, die Nieren zu schützen und möglicherweise das Überleben zu verbessern.

Herz, Zucker und Nieren in einem empfindlichen Gleichgewicht

Erleidet ein Mensch mit Diabetes einen Herzinfarkt, geraten die Nieren unter besonderen Druck. Langjährig erhöhte Blutzuckerwerte können die kleinsten Blutgefäße schädigen und die Nierenreserve verringern. Ein Herzinfarkt wiederum kann die Durchblutung und Sauerstoffversorgung dieser bereits verletzlichen Organe reduzieren. Das Ergebnis kann eine akute Nierenschädigung sein, ein plötzlicher Abfall der Nierenfunktion, der mit längeren Krankenhausaufenthalten, höheren Kosten und erhöhter Sterblichkeit verbunden ist. Leider wird die Nierenschädigung häufig erst erkannt, nachdem ein Blutwert namens Kreatinin bereits angestiegen ist – zu diesem Zeitpunkt kann ein Teil der Schäden nur noch schwer rückgängig zu machen sein.

Routinewerte in frühe Warnsignale verwandeln

Die Forschenden nutzten drei große Krankenhausdatenbanken aus den USA und China mit Daten von 4.908 Patienten, die sowohl einen Herzinfarkt als auch Diabetes hatten. Ausgehend von Informationen, die nur in den ersten 24 Stunden nach Aufnahme vorlagen – etwa Alter, Blutdruck, Blutbild, nierenspezifische Laborwerte, Urinausstoß und Schweregrad der Erkrankung – trainierten sie mehrere Computermodelle, um die Wahrscheinlichkeit abzuschätzen, dass jeder Patient später während des Aufenthalts verschiedene Schweregrade einer Nierenschädigung entwickelt. Sie verglichen zehn gängige Ansätze des maschinellen Lernens, von einfacher logistischer Regression bis zu fortgeschritteneren baumbasierten Methoden wie LightGBM und XGBoost, und prüften diese Modelle sorgfältig an separaten Krankenhausgruppen, um ihre Generalisierbarkeit zu testen.

Wie gut die Modelle abgeschnitten haben

Unter fast 5.000 Patienten entwickelten fast vier von zehn im weiteren Verlauf eine Nierenschädigung. Mehrere Modelle zeigten starke Leistungen, doch zwei hoben sich ab. LightGBM war am besten darin, vorherzusagen, ob Patienten mindestens eine leichte oder mindestens eine mittlere Nierenschädigung entwickeln würden, während XGBoost bei der Vorhersage des schwersten Stadiums am besten abschnitt. In einem externen chinesischen Krankenhaus konnten diese Modelle Patienten mit höherem versus niedrigerem Risiko mit hoher Genauigkeit unterscheiden, gemessen an AUC-Werten um 0,85–0,88. Decision-Curve-Analysen deuteten darauf hin, dass die Verwendung dieser Vorhersagen über einen weiten Bereich klinisch relevanter Entscheidungsgrenzen hinweg mehr Nutzen bringt, als alle Patienten als Hochrisiko zu behandeln oder das Risiko ganz zu ignorieren.

Was die Risikovorhersagen antreibt

Um über eine „Black Box“ hinauszukommen, verwendete das Team eine Erklärmethode namens SHAP, um zu zeigen, welche Eingangsgrößen für die Vorhersagen am wichtigsten waren. Früh verfügbare nierenspezifische Messwerte – wie das höchste Kreatinin, geschätzte Filtrationsrate und Urinausstoß – trugen wesentlich bei und spiegeln sowohl die Grundverletzlichkeit als auch frühen Stress der Nieren wider. Auch Messgrößen des allgemeinen Krankheitsgrades, der Blutchemie (einschließlich Laktat und Säure-Basen-Haushalt), des Blutdrucks und des Ernährungszustands (etwa Albuminwerte) spielten wichtige Rollen. Entscheidend ist, dass all diese Variablen routinemäßig erfasst und automatisch aus elektronischen Krankenakten gezogen werden können, sodass das Modell im Hintergrund laufen könnte, ohne zusätzliches Arbeiten am Krankenbett zu verursachen.

Von Computerausgaben zu Entscheidungen am Krankenbett

Die Autorinnen und Autoren betonen, dass ihr Werkzeug die klinische Einschätzung unterstützen, nicht ersetzen soll. Sie entwickelten eine webbasierte Oberfläche, über die Kliniker frühe Krankenhausdaten eingeben oder automatisch importieren und individuellisierte Risikoabschätzungen für leichte, mittlere und schwere Nierenschädigung erhalten können. Eine hohe vorhergesagte Wahrscheinlichkeit könnte engere Überwachung, vorsichtigeren Umgang mit Kontrastmitteln und anderen nierenschädigenden Behandlungen oder frühere Rücksprache mit Nierenspezialisten und Überlegung zu weiterführenden Therapien veranlassen. Da sich klinische Praxis und Patientengruppen zwischen Einrichtungen unterscheiden, mahnt das Team, dass jedes Krankenhaus das Modell lokal testen und anpassen muss, bevor es sich darauf verlässt. Dennoch zeigt die Studie, dass sich mit bereits vorliegenden Daten verletzliche Nieren früh identifizieren lassen – und damit ein Zeitfenster für gezieltere und rechtzeitigere Versorgung öffnen.

Zitation: Ruan, L., Qiao, Y., Li, X. et al. Early risk stratification of acute kidney injury severity in patients with acute myocardial infarction and diabetes using machine learning. Sci Rep 16, 12285 (2026). https://doi.org/10.1038/s41598-026-41356-y

Schlüsselwörter: akute Nierenschädigung, Herzinfarkt, Diabetes, maschinelles Lernen, Risikovorhersage