Erklärbare maschinelle Lernvorhersage einer Tracheotomie nach Kraniotomie bei supratentorieller intrazerebraler Blutung

Warum das für Patientinnen, Patienten und Angehörige wichtig ist

Wenn jemand eine schwere Form des Schlaganfalls durch Blutungen im Gehirn erleidet, benötigt er oft eine Notoperation am Gehirn und ein Beatmungsgerät. Eine der schwierigsten Entscheidungen am Krankenbett für Ärztinnen, Ärzte und Familien ist, ob der Patient später ein Halsloch, eine Tracheotomie, zur längerfristigen Atemunterstützung benötigen wird. Diese Studie zeigt, wie eine erklärbare Form künstlicher Intelligenz dieses Risiko früh abschätzen kann, basierend auf nur wenigen routinemäßigen medizinischen Messwerten, und wie sich das in ein einfaches Werkzeug für das Bett umsetzen lässt.

Schwere Hirnblutung und Atemunterstützung

Blutungen im oberen Bereich des Gehirns, bekannt als supratentorielle intrazerebrale Blutung, gehören zu den gefährlichsten Schlaganfallformen. Viele dieser Patientinnen und Patienten in China und anderswo werden offen am Gehirn operiert, um das Blut zu entfernen und den Druck zu verringern. Selbst nach der Operation benötigen fast die Hälfte eine längere Beatmungsunterstützung, und ein großer Teil erhält eine Tracheotomie, um die Beatmung sicherer und komfortabler zu machen. Bislang mussten Ärztinnen und Ärzte auf Erfahrung und allgemeine Schlaganfall-Scores zurückgreifen, die nicht speziell auf diese Operationsgruppe zugeschnitten waren, was die Beratung von Familien und die Planung von Intensivressourcen erschwerte.

Routinedaten in ein Vorhersagewerkzeug verwandeln

Die Forscher sammelten Daten aus zwei Krankenhäusern zu 924 Erwachsenen, die diese Art von Hirnblutung hatten und dann operiert wurden. Sie betrachteten Basisdaten, die bereits im ersten Behandlungstag erhoben werden: Alter, Bewusstseinsniveau nach der Glasgow Coma Scale, wie groß das Blutgerinnsel im Gehirn war, wie lange die Operation dauerte, und ein häufig bestimmter Blutwert namens Serumbikarbonat, der den Säure-Basen-Status des Körpers widerspiegelt. Mit einem schrittweisen Auswahlverfahren fanden sie heraus, dass diese fünf Faktoren die meisten nützlichen Informationen darüber enthielten, ob ein Patient später eine Tracheotomie erhalten würde.

Wie das erklärbare KI-Modell funktioniert

Mit diesen fünf Angaben trainierte das Team drei verschiedene Computermodelle: ein Standardstatistikmodell, einen Random Forest und eine fortgeschrittenere baumbasierte Methode namens Extreme Gradient Boosting. Sie optimierten jedes Modell sorgfältig und testeten sie mittels Kreuzvalidierung an den Daten des Hauptkrankenhauses und überprüften die Leistung anschließend an den Patientendaten des zweiten Krankenhauses. Alle drei Methoden konnten Hochrisiko- von Niedrigrisiko-Patienten gut unterscheiden, aber das Gradient-Boosting-Modell bot das beste Gleichgewicht zwischen Genauigkeit und Zuverlässigkeit der Risikoschätzungen und zeigte den größten potenziellen klinischen Nutzen, wenn die Ergebnisse so bewertet wurden, wie ein Arzt sie tatsächlich am Bett verwenden würde.

Die Black Box durchsichtig machen

Eine häufige Sorge bei künstlicher Intelligenz in der Medizin ist, dass sie wie eine Black Box agiert und Antworten ohne Begründung liefert. Um das zu vermeiden, nutzten die Forschenden eine Technik namens SHAP, die jede Vorhersage in Beiträge der fünf Eingangsgrößen zerlegt. Über die gesamte Gruppe hinweg waren niedrigere Bewusstseinswerte und größere Hirnhematome die stärksten Faktoren für das Bedürfnis nach einer Tracheotomie, gefolgt von höherem Alter, längerer Operationsdauer und niedrigeren Bikarbonatwerten. Für einzelne Patientinnen und Patienten kann das Werkzeug ein einfaches balkenartiges Bild zeigen, das darstellt, wie jeder Faktor ihr persönliches Risiko nach oben oder unten verschoben hat, sodass Klinikerinnen, Kliniker und Angehörige eine anschauliche Erklärung statt nur einer Zahl erhalten.

Vom Forschungsmodell zum Bettenrandwerkzeug

Um die Arbeit im Alltag nutzbar zu machen, entwickelten die Autorinnen und Autoren einen kostenlosen webbasierten Rechner. Eine Klinikperson kann Alter, Glasgow-Coma-Scale-Wert, Hämatomgröße, Operationsdauer und Bikarbonatwert eingeben, und das Tool gibt eine geschätzte Wahrscheinlichkeit zurück, dass der Patient eine Tracheotomie benötigen wird, zusammen mit einer visuellen Erklärung. Obwohl die Studie Grenzen hat – sie ist retrospektiv, stammt aus einer Region und berücksichtigt noch nicht längerfristige Veränderungen im Zustand der Patientinnen und Patienten – zeigt sie, dass eine kleine, transparente Gruppe von Faktoren einen Großteil des Risikos erfassen kann.

Was das für Pflegeentscheidungen bedeutet

Einfach gesagt kommt die Studie zu dem Schluss, dass ein erklärbares KI-Modell mit nur fünf routinemäßigen Messwerten eine verlässliche frühe Schätzung liefern kann, ob ein Patient, der wegen einer schweren Blutung am Gehirn operiert wurde, voraussichtlich eine Tracheotomie benötigt. Ein solches Werkzeug kann das ärztliche Urteil nicht ersetzen, aber es kann informiertere Gespräche mit Familien unterstützen, bei der Planung von Personal und Geräten auf Intensivstationen helfen und zukünftige Studien darüber leiten, wann eine Tracheotomie durchgeführt werden sollte. Mit weiteren Tests in anderen Krankenhäusern könnte es Teil der Standardversorgung für einige der schwersten Schlaganfallpatientinnen und -patienten werden.

Zitation: Qiao, F., Xue, X., Yu, H. et al. Explainable machine learning prediction of tracheostomy after craniotomy for supratentorial intracerebral hemorrhage. Sci Rep 16, 11495 (2026). https://doi.org/10.1038/s41598-026-41953-x

Schlüsselwörter: Schlaganfall, Tracheotomie, Hirnchirurgie, maschinelles Lernen, Intensivpflege