Entwicklung einer Webplattform zur Vorhersage des Sturzrisikos bei Herz-Kreislauf-Patienten mithilfe von Maschinellem Lernen

Warum es wichtig ist, Herzpatienten auf den Beinen zu halten

Für Millionen von mittelalten und älteren Erwachsenen mit Herz- und Gefäßproblemen kann ein einfacher Stolperer zu einer Kaskade gesundheitlicher Krisen führen. Ein schwerer Sturz kann zu Frakturen, Krankenhausaufenthalten und einem ernsthaften Rückschlag für ohnehin geschwächte Herzen führen. Diese Studie untersuchte, ob moderne Computerverfahren Ärzten dabei helfen können, jene Herz-Kreislauf-Patienten zu erkennen, bei denen das Sturzrisiko lange vor einem Unfall besonders hoch ist, um frühzeitig Maßnahmen zu ergreifen und ihre Sicherheit und Selbstständigkeit zu erhalten.

Wie Herzprobleme und Stürze zusammenhängen

Stürze gehören weltweit zu den Hauptursachen für unfallbedingte Verletzungen und Todesfälle bei älteren Menschen und verursachen erhebliche emotionale und finanzielle Belastungen für Familien und Gesundheitssysteme. Gleichzeitig werden Herz-Kreislauf-Erkrankungen mit einer alternden Bevölkerung häufiger, und viele Patienten mit Herzerkrankungen sind besonders gefährdet. Subtile Herzprobleme können Blutdruck, Gleichgewicht und Ausdauer stören, noch bevor Beschwerden offensichtlich werden. Wenn Menschen mit kardiovaskulären Erkrankungen stürzen, kommt es häufiger zu Komplikationen, chirurgischen Eingriffen und höheren Risiken während der Erholung. Deshalb ist die Vorhersage des Sturzrisikos in dieser Gruppe ein dringendes Thema der öffentlichen Gesundheit.

Große Gesundheitsbefragungen in ein Risikoinstrument verwandeln

Die Forschenden griffen auf eine große nationale Studie mit chinesischen Erwachsenen ab 45 Jahren zurück, die Gesundheits-, Lebensstil- und soziale Faktoren über die Zeit verfolgt. Aus diesem umfangreichen Datensatz identifizierten sie 1.784 Personen mit kardiovaskulärer Erkrankung und verfolgten diese über zwei Jahre, um zu sehen, wer einen Sturz meldete. Sie untersuchten 40 potenzielle Prädiktoren, von Alter, Bildung, Schlafqualität und Stimmung bis hin zu Erkrankungen wie Nierenerkrankungen und Rheuma sowie Schmerzen, früheren Stürzen und Messungen von Kraft und kognitiver Leistungsfähigkeit. Sorgfältige Datenbereinigung, Umgang mit fehlenden Werten und Ausgleich zwischen Sturzern und Nicht-Sturzern bereiteten die Informationen für die fortgeschrittene Analyse vor.

Was die intelligenten Modelle lernten

Anstatt sich nur auf traditionelle statistische Formeln zu stützen, testete das Team sechs verschiedene Methoden des Maschinellen Lernens, die komplexe Muster in Daten aufdecken können. Eine Technik namens LASSO half dabei, die vielen Variablen auf die neun aussagekräftigsten zu reduzieren. Diese waren Alter, Bildungsniveau, Schlafqualität, Nierenerkrankung, Rheuma, Schmerzen, Lebenszufriedenheit, Depression und Sturzvorgeschichte. Unter den sechs Modellen lieferte eine Methode namens Light Gradient Boosting Machine die genauesten Vorhersagen und trennte höheres und niedrigeres Risikopersonen sowohl in der ursprünglichen Stichprobe als auch in einer früheren Welle der Umfrage, die als externe Prüfung diente. Um die "Black Box" des Maschinellen Lernens zu öffnen, nutzte das Team ein Erklärungswerkzeug, das zeigt, wie stark jeder Faktor das Risiko einer Person nach oben oder unten beeinflusst.

Risikofaktoren, die spürbar und veränderbar sind

Die Erklärungsresultate hoben hervor, dass höheres Alter und ein früherer Sturz die stärksten Warnzeichen waren, während Nierenerkrankungen, rheumatische Probleme, Schmerzen und Depressionen das Sturzrisiko ebenfalls erhöhten. Andererseits schützten mehr Ausbildungsjahre, besserer Schlaf und größere Lebenszufriedenheit tendenziell vor Stürzen. Auffällig war, dass Menschen mit nur einigermaßen guter Schlafqualität besonders gefährdet sein könnten, möglicherweise weil sie trotz subtiler Gleichgewichts- oder Aufmerksamkeitsprobleme weiterhin aktiv bleiben. Viele dieser Einflussfaktoren lassen sich leicht in einer Klinikvisite oder sogar bei einem Screening in der Gemeinde erfragen, was das Modell für vielbeschäftigte Gesundheitsfachkräfte praktikabel macht.

Von der Vorhersage zum einfachen Web-Tool

Um über die Theorie hinauszugehen, setzten die Autorinnen und Autoren ihr bestperformendes Modell in eine benutzerfreundliche Webplattform um. Eine Ärztin, ein Arzt oder eine Gesundheitsfachkraft kann Alter, Bildung, Schlafqualität, Stimmung, Schmerzen, Nieren- und Rheumastatus, Lebenszufriedenheit und Sturzvorgeschichte eines Patienten eingeben und eine geschätzte Wahrscheinlichkeit für einen Sturz innerhalb der nächsten zwei Jahre erhalten. Während das Tool das ärztliche Urteil nicht ersetzt, bietet es einen strukturierten Weg, kardiovaskuläre Patienten zu identifizieren, die am meisten von Krafttraining, Sicherheitschecks im Haushalt, Behandlung der Stimmung oder engerer Nachsorge profitieren könnten.

Was das fürs tägliche Leben bedeutet

Diese Studie zeigt, dass die kluge Nutzung vorhandener Umfragedaten und Maschinellen Lernens dabei helfen kann, kardiovaskuläre Patienten zu identifizieren, die am ehesten einen Sturz erleiden. Indem das Modell sich auf eine kleine Anzahl gut verständlicher Faktoren konzentriert, bleibt es in realen Kliniken nutzbar und erfasst zugleich komplexe Muster in den Daten. Bei durchdachter Anwendung könnten solche Werkzeuge personalisierte Präventionspläne unterstützen, gefährliche Stürze reduzieren und Menschen mit Herzerkrankungen helfen, auf den Beinen zu bleiben und ihre Lebensqualität im Alter zu erhalten.

Zitation: Dong, J., Yang, X., Zhang, Z. et al. Development of a web platform for predicting fall risk in cardiovascular patients using machine learning. Sci Rep 16, 15665 (2026). https://doi.org/10.1038/s41598-026-43482-z

Schlüsselwörter: kardiovaskuläre Erkrankung, Sturzrisiko, Maschinelles Lernen, ältere Erwachsene, Risikovorhersage