Kann das Schlaganfallrisiko bei Patienten mit Vorhofflimmern besser vorhergesagt werden?

Vorhofflimmern betrifft weltweit mehr als 58 Millionen Menschen und erhöht das Risiko eines Schlaganfalls deutlich. Dennoch bleiben die derzeitigen Instrumente zur Bewertung dieses Risikos, wie klassische Scores, ungenau und berücksichtigen nicht die komplexen Wechselwirkungen zwischen den verschiedenen Gesundheitsfaktoren der Patienten.

Ein Forscherteam hat neue KI-Modelle entwickelt, die das Schlaganfallrisiko innerhalb eines Jahres bei Patienten vorhersagen können, bei denen gerade Vorhofflimmern diagnostiziert wurde. Diese Modelle nutzen ausschließlich leicht verfügbare Informationen: Alter, Krankengeschichte und die vom Patienten eingenommenen Medikamente. Im Gegensatz zu herkömmlichen Methoden analysieren diese Tools die subtilen Zusammenhänge zwischen diesen Elementen, um eine personalisierte und zuverlässigere Risikoeinschätzung zu liefern.

Die Ergebnisse sind überzeugend. Die beiden getesteten Modelle – eines basierend auf einem klassischen statistischen Ansatz und das andere auf einer fortschrittlichen Machine-Learning-Technik – zeigten eine deutlich höhere Genauigkeit bei der Identifizierung von Risikopatienten als bestehende Methoden. Ihre Leistung wurde an verschiedenen Patientengruppen validiert, was ihre Zuverlässigkeit in unterschiedlichen klinischen Kontexten bestätigt. Darüber hinaus ermöglichen diese Modelle die Anpassung der Risikoschwellen an individuelle Bedürfnisse, was besonders für ältere Patienten oder solche mit mehreren Gesundheitsproblemen nützlich ist.

Ein weiterer großer Vorteil ist ihre einfache Handhabung. Sie erfordern keine Blutuntersuchungen oder medizinische Bildgebung, die zum Zeitpunkt der Diagnose oft nicht verfügbar sind. Dadurch sind sie im Krankenhausalltag leicht einsetzbar. Die Forscher haben zudem überprüft, dass diese Tools sowohl bei Männern als auch bei Frauen gleich gut funktionieren und so geschlechtsspezifische Verzerrungen vermeiden.

Langfristig helfen diese Modelle auch dabei, Patienten zu identifizieren, die am meisten von einer gerinnungshemmenden Therapie profitieren würden. Die Daten zeigen, dass bei Patienten, die von diesen Tools als Hochrisikopatienten eingestuft werden, das Schlaganfallrisiko durch die Einnahme dieser Medikamente signifikant sinkt – im Gegensatz zu denen, die mit herkömmlichen Methoden identifiziert wurden.

Dieser Fortschritt ebnet den Weg für eine personalisierte Medizin. Ärzte könnten sich bald auf diese Vorhersagen stützen, um Behandlungen an das einzigartige Profil jedes Patienten anzupassen, die Zahl vermeidbarer Schlaganfälle zu reduzieren und die Versorgung von Patienten mit Vorhofflimmern zu verbessern.

Sources et crédits

Étude source

DOI : https://doi.org/10.1038/s41746-026-02470-3

Titre : Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation

Revue : npj Digital Medicine

Éditeur : Springer Science and Business Media LLC

Auteurs : Jesse Chih-Wei Lin; Chen-Min Chang; Heng-Yu Pan; Yi-Lwun Ho; Yu-Kang Tu; Chao-Lun Lai