Übersetzung prädiktiver Modelle in die klinische Praxis: Fast-and-frugal-Bäume für postoperatives Delir anhand routinemäßiger Daten

Warum das für Patienten nach einer Operation wichtig ist

Nach einer Operation verwirrt, unruhig oder unfähig aufzuwachen, klar zu fokussieren, ist mehr als nur eine rauhe Erholungsphase — es kann ein Anzeichen für ein postoperatives Delir sein, eine häufige Komplikation, insbesondere bei älteren oder gebrechlichen Patienten. Delir ist mit längeren Krankenhausaufenthalten, Verlust von Selbstständigkeit und sogar einem erhöhten Sterberisiko verbunden. Viele Krankenhäuser verfügen über komplexe Computerwerkzeuge, die theoretisch gefährdete Patienten erkennen könnten. Diese Werkzeuge gelangen jedoch selten bis ans Bett, weil sie im hektischen Alltag der Versorgung schwer zu bedienen sind. Diese Studie untersucht, ob sehr einfache, leicht merkbare Entscheidungsregeln beschäftigten Klinikern helfen können, Hochrisikopatienten allein anhand der Informationen zu erkennen, die täglich ohnehin erhoben werden.

Verwirrung nach der Operation und warum sie schwer vorherzusehen ist

Postoperatives Delir ist eine plötzliche Störung von Aufmerksamkeit und Bewusstsein, die in den Stunden nach einer Narkose auftreten kann. Es ist besonders häufig bei älteren Erwachsenen und Menschen mit mehreren gesundheitlichen Problemen. Forschende wissen seit Langem, dass Faktoren wie hohes Alter, allgemeiner Gesundheitszustand, bestehende Erkrankungen sowie Hinweise auf Gedächtnis- oder funktionelle Einschränkungen das Risiko erhöhen. Viele Vorhersagewerkzeuge basieren auf diesen Faktoren, verlangen aber häufig lange Fragebögen, spezielle Tests oder aufwendige Software. In der Routinetätigkeit, in der das Personal viele Aufgaben und Patientinnen und Patienten gleichzeitig managen muss, führen solche Anforderungen dazu, dass selbst leitlinienempfohlene Screenings oft ausgelassen oder inkonsistent angewendet werden.

Einfache Entscheidungsbäume aus alltäglichen Krankenhausdaten

Die Autorinnen und Autoren konzentrierten sich auf eine reduzierte Art von Entscheidungshilfe, die als „fast-and-frugal tree“ bezeichnet wird. Statt Dutzende Zahlen zu verarbeiten, stützen sich diese Bäume auf nur wenige entscheidende Hinweise, die nacheinander geprüft werden, und sie erlauben eine Entscheidung, sobald ein klarer Risikowert vorliegt. Mit elektronischen Patientenakten von mehr als 61.000 Erwachsenen, die sich einer nicht-kardialen und nicht-neurologischen Operation an einem großen deutschen Krankenhaus unterzogen, prüfte das Team, ob Bäume, die zuvor in kontrollierten Forschungsszenarien entworfen wurden, auch in der unordentlichen Welt routinemäßiger Dokumentation funktionieren. Sie verglichen diese einfachen Bäume außerdem mit komplexeren Verfahren wie logistischer Regression, Random Forests und Support Vector Machines und entwickelten anschließend aktualisierte Bäume, die speziell auf die Real-World-Daten abgestimmt waren.

Wie gut funktionierten die einfachen Regeln?

Als die ursprünglichen Entscheidungsbäume unverändert auf die Krankenhausdaten angewandt wurden, sank ihre Leistungsfähigkeit, was die Unterschiede zwischen sauberen Forschungsdaten und alltäglichen Krankenhausakten widerspiegelt. Als die Forschenden jedoch die Struktur des Baums beibehielten, aber die Grenzwerte anpassten — etwa durch leichte Verschiebungen des Alters- oder Gesundheitsscore-Schwellenwerts — verbesserte sich ihre Fähigkeit, zwischen Patientinnen und Patienten mit und ohne Delir zu unterscheiden. Die angepassten Bäume erreichten eine "balanced accuracy" von etwa 58 % vor der Operation und 60 %, wenn Informationen aus der Operation wie die Dauer der Anästhesie einbezogen wurden. Wichtig ist, dass diese Leistung mit der deutlich komplexereres maschinelles Lernen vergleichbar war, das trotz seiner Komplexität und der Neigung zum Überanpassen der Trainingsdaten keinen nennenswerten Vorteil bot.

Die wenigen Hinweise, die am meisten zählen

Die finalen Bäume reduzierten die Risikobewertung auf lediglich drei Informationspunkte. Vor der Operation nutzten sie Alter, einen vom Anästhesisten vergebene allgemeine körperliche Statusbewertung und die Frage, ob der Eingriff die Gliedmaßen oder das muskuloskelettale System betraf. Wurden Informationen aus dem Operationssaal hinzugenommen, erwiesen sich Alter, Dauer der Anästhesie und das Vorhandensein bereits bestehender Erkrankungen als die informativsten Hinweise. Im Durchschnitt benötigten die Bäume nur etwa anderthalb bis zwei dieser Hinweise pro Patientin oder Patient, um zu einer Entscheidung zu kommen — eine Reduktion gegenüber nahezu allen theoretisch verfügbaren Informationen. Das deutet darauf hin, dass in der Praxis eine kleine Auswahl robuster Indikatoren den Großteil dessen erfasst, was Routinedaten über das Delirrisiko aussagen können.

Was das für die tägliche Versorgung bedeutet

Die Studie zeigt, dass obwohl kein aktuelles Modell postoperative Delirien mit hoher Präzision vorhersagt, sehr einfache Entscheidungsbäume die Leistung fortgeschrittener Algorithmen erreichen können und dabei deutlich leichter zu verstehen und anzuwenden sind. Diese Bäume sind keine Kristallkugeln, sondern kognitive Hilfen, die Klinikerinnen und Klinikern helfen, bekannte Risikofaktoren in einer sinnvollen Reihenfolge systematisch abzuarbeiten. Dadurch steigt die Wahrscheinlichkeit, dass gefährdete Patienten erkannt und engmaschiger überwacht oder präventive Maßnahmen angeboten werden. Für Patienten und Angehörige kann das frühere Gespräche über Risiken, individuellere Versorgung und möglicherweise weniger Fälle von beunruhigender Verwirrung nach Operationen bedeuten — und das ohne neue Technik, zusätzliche Tests oder komplizierte Punktesysteme.

Zitation: Wegwarth, O., Balzer, F., Boie, S.D. et al. Translating predictive models into clinical practice: fast-and-frugal trees for postoperative delirium using routine data. Sci Rep 16, 12731 (2026). https://doi.org/10.1038/s41598-026-47452-3

Schlüsselwörter: postoperatives Delir, Vorhersage des Operationsrisikos, klinische Entscheidungsinstrumente, elektronische Gesundheitsakten, fast-and-frugal-Bäume