<\/p>\n
Vorhofflimmern betrifft weltweit mehr als 58 Millionen Menschen und erh\u00f6ht das Risiko eines Schlaganfalls deutlich. Dennoch bleiben die derzeitigen Instrumente zur Bewertung dieses Risikos, wie klassische Scores, ungenau und ber\u00fccksichtigen nicht die komplexen Wechselwirkungen zwischen den verschiedenen Gesundheitsfaktoren der Patienten.<\/p>\n
Ein Forscherteam hat neue KI-Modelle entwickelt, die das Schlaganfallrisiko innerhalb eines Jahres bei Patienten vorhersagen k\u00f6nnen, bei denen gerade Vorhofflimmern diagnostiziert wurde. Diese Modelle nutzen ausschlie\u00dflich leicht verf\u00fcgbare Informationen: Alter, Krankengeschichte und die vom Patienten eingenommenen Medikamente. Im Gegensatz zu herk\u00f6mmlichen Methoden analysieren diese Tools die subtilen Zusammenh\u00e4nge zwischen diesen Elementen, um eine personalisierte und zuverl\u00e4ssigere Risikoeinsch\u00e4tzung zu liefern.<\/p>\n
Die Ergebnisse sind \u00fcberzeugend. Die beiden getesteten Modelle \u2013 eines basierend auf einem klassischen statistischen Ansatz und das andere auf einer fortschrittlichen Machine-Learning-Technik \u2013 zeigten eine deutlich h\u00f6here Genauigkeit bei der Identifizierung von Risikopatienten als bestehende Methoden. Ihre Leistung wurde an verschiedenen Patientengruppen validiert, was ihre Zuverl\u00e4ssigkeit in unterschiedlichen klinischen Kontexten best\u00e4tigt. Dar\u00fcber hinaus erm\u00f6glichen diese Modelle die Anpassung der Risikoschwellen an individuelle Bed\u00fcrfnisse, was besonders f\u00fcr \u00e4ltere Patienten oder solche mit mehreren Gesundheitsproblemen n\u00fctzlich ist.<\/p>\n
Ein weiterer gro\u00dfer Vorteil ist ihre einfache Handhabung. Sie erfordern keine Blutuntersuchungen oder medizinische Bildgebung, die zum Zeitpunkt der Diagnose oft nicht verf\u00fcgbar sind. Dadurch sind sie im Krankenhausalltag leicht einsetzbar. Die Forscher haben zudem \u00fcberpr\u00fcft, dass diese Tools sowohl bei M\u00e4nnern als auch bei Frauen gleich gut funktionieren und so geschlechtsspezifische Verzerrungen vermeiden.<\/p>\n
Langfristig helfen diese Modelle auch dabei, Patienten zu identifizieren, die am meisten von einer gerinnungshemmenden Therapie profitieren w\u00fcrden. Die Daten zeigen, dass bei Patienten, die von diesen Tools als Hochrisikopatienten eingestuft werden, das Schlaganfallrisiko durch die Einnahme dieser Medikamente signifikant sinkt \u2013 im Gegensatz zu denen, die mit herk\u00f6mmlichen Methoden identifiziert wurden.<\/p>\n
Dieser Fortschritt ebnet den Weg f\u00fcr eine personalisierte Medizin. \u00c4rzte k\u00f6nnten sich bald auf diese Vorhersagen st\u00fctzen, um Behandlungen an das einzigartige Profil jedes Patienten anzupassen, die Zahl vermeidbarer Schlaganf\u00e4lle zu reduzieren und die Versorgung von Patienten mit Vorhofflimmern zu verbessern.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1038\/s41746-026-02470-3<\/a><\/p>\n Titre\u00a0:<\/strong> Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation<\/p>\n Revue : <\/strong> npj Digital Medicine<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Jesse Chih-Wei Lin; Chen-Min Chang; Heng-Yu Pan; Yi-Lwun Ho; Yu-Kang Tu; Chao-Lun Lai<\/p>\n","protected":false},"excerpt":{"rendered":" Kann das Schlaganfallrisiko bei Patienten mit Vorhofflimmern besser vorhergesagt werden? Vorhofflimmern betrifft weltweit mehr als 58 Millionen Menschen und erh\u00f6ht das Risiko eines Schlaganfalls deutlich. Dennoch bleiben die derzeitigen Instrumente zur Bewertung dieses Risikos, wie klassische Scores, ungenau und ber\u00fccksichtigen nicht die komplexen Wechselwirkungen zwischen den verschiedenen Gesundheitsfaktoren der Patienten. Ein Forscherteam hat neue KI-Modelle… Kann das Schlaganfallrisiko bei Patienten mit Vorhofflimmern besser vorhergesagt werden?<\/span> weiterlesen<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2,7],"tags":[],"class_list":["post-41","post","type-post","status-publish","format-standard","hentry","category-gesundheit","category-international","entry"],"_links":{"self":[{"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/posts\/41","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/comments?post=41"}],"version-history":[{"count":1,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/posts\/41\/revisions"}],"predecessor-version":[{"id":42,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/posts\/41\/revisions\/42"}],"wp:attachment":[{"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/media?parent=41"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/categories?post=41"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/tags?post=41"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}