Erstellung und Validierung von Machine-Learning-Modellen zur Vorhersage einer Appendixperforation während konservativer Behandlung bei fäkalith-assoziierter Appendizitis: eine multizentrische retrospektive Analyse mit 20 Algorithmen

Warum das für Menschen mit Bauchschmerzen wichtig ist

Appendizitis ist einer der häufigsten Gründe für Notfalloperationen, doch viele Patientinnen und Patienten werden heute zunächst mit Antibiotika statt mit einer sofortigen Operation behandelt. Bei denen, deren Wurmfortsatz einen harten, steinartigen Stuhlpfropf enthält, einen sogenannten Fäkalith, kann diese Entscheidung riskant sein, weil der Blinddarm eher zu einem Durchbruch neigt. Diese Studie stellt eine Frage, die für jede Patientin und jeden Arzt in dieser Situation relevant ist: Können wir frühzeitig zuverlässig sagen, wer mit Medikamenten sicher beobachtet werden kann und wer ein echtes Risiko für eine gefährliche Perforation hat?

Die Herausforderung eines verstopften Blinddarms

Ärztinnen und Ärzte wissen seit Jahren, dass sich eine Appendizitis anders verhält, wenn ein Fäkalith das enge Rohr des Wurmfortsatzes blockiert. Die Verstopfung erhöht den Druck, vermindert die Durchblutung und begünstigt die Infektion – alles Faktoren, die die Wahrscheinlichkeit eines Organplatzers erhöhen, selbst wenn schnell mit Antibiotika begonnen wird. Gängige klinische Scores für Appendizitis wurden jedoch für alle Patientengruppen entwickelt, nicht speziell für solche mit Fäkalith, und sie sagen eine Perforation in dieser höher-riskanten Gruppe nicht sehr gut voraus. Diese Unsicherheit lässt Behandelnde zwischen zu häufigen Operationen mit deren Risiken und Kosten oder zu langem Zuwarten mit Gefahr eines Durchbruchs schwanken.

Muster in Krankenhausdaten nutzen

Die Forschenden sammelten Daten von 1.247 Erwachsenen, die zwischen 2018 und 2023 an vier großen Krankenhäusern ohne sofortige Operation wegen fäkalith-assoziierter Appendizitis behandelt wurden. Etwa einer von sieben erlitt innerhalb von drei Tagen eine Perforation. Für jede Person erfasste das Team einfache Informationen, die ohnehin zur Routine gehören: Alter, Vitalparameter, Blutwerte, die Entzündung anzeigen, und CT-Messungen des Blinddarms und des Fäkaliths. Anschließend wurden 20 verschiedene Computeralgorithmen trainiert, um Muster zu erkennen, die diese Merkmale mit dem Auftreten oder Ausbleiben einer Perforation verknüpfen, wobei ein Teil der Daten zur fairen Prüfung der Modelle zurückgehalten wurde.

Das beste Risikovorhersagewerkzeug

Unter allen Ansätzen schnitt eine Familie von Methoden am besten ab, die viele Entscheidungsbäume kombiniert und als Gradient Boosting bekannt ist. Nach einem Schritt zur Auswahl relevanter Merkmale beruhte das finale Werkzeug auf acht leicht verfügbaren Informationen, darunter die Größe des Fäkaliths, Blutwerte für C-reaktives Protein und weiße Blutkörperchen sowie Dicke und Durchmesser des Blinddarms im CT. Im Haupttestdatensatz trennte das Modell Hoch- und Niedrigrisikopatienten mit einer sehr guten Genauigkeitskennzahl (AUC etwa 0,89). Am auffälligsten war: Wenn das Modell jemanden als niederes Risiko einstufte, lag es in mehr als 96 Prozent der Fälle richtig, dass keine Perforation auftrat — ein starkes Signal zur Beruhigung bei weiter konservativer Behandlung.

Zahlen in klare Risikogruppen übersetzen

Um das Werkzeug praxisnah am Krankenbett zu machen, wandelte das Team die Rohwahrscheinlichkeiten in drei einfache Stufen um. Patientinnen und Patienten mit vorhergesagtem Risiko unter 30 Prozent wurden als niedrig riskant eingestuft und hatten eine tatsächliche Perforationsrate von nur 3,8 Prozent. Die zwischen 30 und 60 Prozent lagen im mittleren Risiko mit etwa einer von vier Personen, die perforierte. Über 60 Prozent waren Hochrisikopatienten, von denen mehr als sieben von zehn eine Perforation entwickelten. Empfohlene Maßnahmen folgen dieser Staffel: routinemäßige Überwachung für die Niedrigrisikogruppe, engmaschigere Beobachtung und wiederholte Tests für die mittlere Gruppe sowie frühzeitige oder dringliche Operation bei den höchstrisikobehafteten Patienten. Eine separate Kohorte von 225 Patientinnen und Patienten aus einem fünften Krankenhaus, das nicht am Modellaufbau beteiligt war, zeigte sehr ähnliche Ergebnisse, was darauf hindeutet, dass der Ansatz über die ursprünglichen Zentren hinaus funktionieren kann.

Was das für Patientinnen, Patienten und Ärztinnen und Ärzte bedeutet

Alltagsbezogen zeigt diese Studie, dass ein Computer, der mit gewöhnlichen Laborwerten und CT-Befunden trainiert wurde, Ärztinnen und Ärzten eine deutlich klarere frühe Einschätzung geben kann, welche Patientinnen und Patienten mit einem blockierten Blinddarm bei alleiniger Antibiotikabehandlung wirklich gefährdet sind. Das Werkzeug ist zwar nicht perfekt, aber besonders gut darin, Personen zu identifizieren, die sicher beobachtet und ohne Eile operiert werden können. Mit weiteren Prüfungen in verschiedenen Krankenhäusern und im Echtzeit-Einsatz könnten solche Modelle individuellere Entscheidungen unterstützen, vielen Patientinnen und Patienten unnötige Operationen ersparen und zugleich sicherstellen, dass Hochrisikopatientinnen und -patienten rechtzeitig operiert werden, bevor der Blinddarm platzt.

Zitation: Zhu, Y., Feng, J., Liu, R. et al. Building and validating machine learning models to predict appendiceal perforation during conservative treatment of fecalith-associated appendicitis: a 20-algorithm multicenter retrospective analysis. Sci Rep 16, 11728 (2026). https://doi.org/10.1038/s41598-026-47372-2

Schlüsselwörter: Appendizitis, Machine Learning, Risikovorhersage, konservative Behandlung, Gradient Boosting