Vorhersage von MACE bei Patienten mit Peritonealdialyse mittels Machine-Learning-Algorithmen

Warum das für Menschen mit Dialyse zu Hause wichtig ist

Für viele Menschen mit Nierenversagen bietet die Peritonealdialyse die Freiheit, sich zu Hause statt in einer Klinik zu behandeln. Dennoch besteht für diese Patientengruppe ein hohes Risiko für schwere Herz‑ und Gefäßkomplikationen wie Herzinfarkte und Schlaganfälle. Diese Studie stellt eine praxisnahe Frage mit realen Konsequenzen: Lassen sich moderne Computerverfahren nutzen, um frühzeitig zu erkennen, welche Peritonealdialyse‑Patienten am wahrscheinlichsten schwerwiegende kardiovaskuläre Ereignisse erleiden, sodass Ärztinnen und Ärzte rechtzeitig intervenieren können?

Wer untersucht wurde und welche Daten erfasst wurden

Die Forschenden werteten die Krankengeschichten von 1.006 Erwachsenen aus, die zwischen 2010 und 2016 an zwei Krankenhäusern in China mit Peritonealdialyse begonnen hatten. Alle Patientinnen und Patienten erhielten diese Behandlung mindestens drei Monate lang. Zum Beginn der Dialyse sammelte das Team 86 Informationen pro Person, darunter Alter, Begleiterkrankungen wie Diabetes oder Herzinsuffizienz, Blutdruck, Laborwerte, Herzultraschallbefunde und verwendete Medikamente. Anschließend wurden alle über einen Zeitraum von bis zu etwa zehn Jahren nachverfolgt, um zu ermitteln, wer ein größeres kardiales oder zerebrovaskuläres Ereignis erlitt — eine Gruppe von Problemen, die die Autorinnen und Autoren als „MACE“ bezeichnen und die Herzinfarkt, schwere Angina pectoris, Schlaganfall, Herzstillstand, Krankenhausaufenthalte wegen Herzinsuffizienz oder lebensgefährlicher Herzrhythmusstörungen sowie Tod aus beliebiger Ursache umfassen.

Genauere Vorhersage mit Machine Learning

Statt sich nur auf klassische Statistik zu stützen, nutzte das Team drei Machine‑Learning‑Verfahren, die komplexe Muster in großen Datensätzen erkennen können: Random Forest, XGBoost und AdaBoost. Die Daten wurden aufgeteilt, um die Modelle zu trainieren, zu testen und anschließend an Patientinnen und Patienten eines anderen Krankenhauses extern zu validieren. Ziel war zu prüfen, wie gut jede Methode vorhersagen kann, wer zu irgendeinem Zeitpunkt, innerhalb des ersten Jahres und innerhalb der ersten fünf Jahre nach Beginn der Peritonealdialyse ein schweres Ereignis erleidet. Die Güte eines Modells wurde mit dem üblichen Maß AUC (Area Under the Curve) bewertet, wobei ein Wert näher bei 1,0 eine bessere Trennung von Hoch‑ und Niedrigrisikopatienten anzeigt.

Was die Modelle über Risiko lernten

Im gesamten Nachbeobachtungszeitraum erlitten 409 der 606 Patientinnen und Patienten in der Hauptentwicklungsgruppe ein schweres Ereignis. Für die Vorhersage dieser Gesamtereignisse war die Random‑Forest‑Methode am erfolgreichsten, mit einer AUC von etwa 0,80; das heißt, sie unterschied häufiger korrekt zwischen höher- und niedrigrisikopatienten. In dieser Langzeitbetrachtung waren die einflussreichsten Faktoren Parathormonspiegel (ein Marker für Knochen‑ und Gefäßgesundheit), eine Vorgeschichte mit kongestiver Herzinsuffizienz und das Alter. Betrachtete man nur Ereignisse im ersten Jahr (114 betroffene Patientinnen und Patienten), lag XGBoost mit einer AUC von 0,86 vorn. Hier hoben sich schützendes HDL‑Cholesterin, Alter und Blutkalziumwerte hervor. Für den Fünfjahreszeitraum erzielte erneut Random Forest die besten Ergebnisse; Alter, Serumkreatinin und die geschätzte glomeruläre Filtrationsrate — Hinweise auf verbleibende Nierenfunktion und Dialysetauglichkeit — waren dann besonders wichtig.

Prüfung der Zuverlässigkeit und realen Leistungsfähigkeit

Um sicherzugehen, dass es sich nicht um Zufallsergebnisse handelt, verglichen die Autorinnen und Autoren ihre Machine‑Learning‑Modelle mit einer bekannteren Zeit‑bis‑Ereignis‑Methode (Cox‑Regression) und testeten alles an einer externen Kohorte von 400 Patientinnen und Patienten eines anderen Krankenhauses. Die wichtigsten Risikoindikatoren, die durch die neueren Verfahren identifiziert wurden, stimmten weitgehend mit denen der traditionellen Analyse überein, doch die Machine‑Learning‑Modelle ordneten Patientinnen und Patienten insgesamt besser nach Risiko. In der externen Kohorte schnitt das Hauptmodell immer noch gut ab und klassifizierte die Ergebnisse in etwa sieben von zehn Fällen korrekt. Die Studie betonte außerdem die Bedeutung weiterer miteinander verknüpfter Faktoren — etwa Gesamtkrankheitslast, Körpergewicht, Blutfette, Albumin (ein Marker für Ernährungszustand), Urinausstoß und Blutdruck — die zusammen das Herz‑Risiko in dieser verletzlichen Gruppe prägen.

Was das für Patientinnen, Patienten und Behandlungsteams bedeutet

Die Autorinnen und Autoren schließen, dass sorgfältig konzipierte Machine‑Learning‑Werkzeuge Ärztinnen und Ärzten helfen können, bereits zu Beginn der Peritonealdialyse abzuschätzen, welche Patientinnen und Patienten in den kommenden Jahren besonders hohe Chancen für schwerwiegende kardiovaskuläre Ereignisse haben. Das Alter war durchgängig ein wichtiger Faktor, doch spielten auch mehrere Parameter eine große Rolle, die mit Mineralhaushalt, Blutfetten, Dialysequalität und allgemeinem Gesundheitszustand zusammenhängen — viele davon sind überwacht und behandelt werden können. Obwohl die Studie retrospektiv ist und in prospektiven Studien bestätigt werden muss, weist sie in Richtung einer Zukunft, in der die Versorgung zu Hause durch stille Hintergrundalgorithmen unterstützt wird, die gefährdete Personen frühzeitig markieren, um gezielte Behandlungen zur Lebensverlängerung und Reduktion von Krankenhausaufenthalten zu ermöglichen.

Zitation: Xu, L., Zhang, Y., Abbas Al-Janabi, A.A. et al. Using machine learning algorithms to predict MACE in peritoneal dialysis patients. Sci Rep 16, 10553 (2026). https://doi.org/10.1038/s41598-026-45362-y

Schlüsselwörter: Peritonealdialyse, kardiovaskuläres Risiko, Machine Learning, Nierenversagen, Risikovorhersage