Ein Machine-Learning basiertes Vorhersagetool zur Selektion idiopathisch gelabelter Pankreatitis Patienten zum Ausschluss einer biliären Ätiologie

Le résumé fourni par la source

Einleitung In 25% der Fälle bleibt die Ursache der akuten Pankreatitis unklar. In bis zu 75% dieser als idiopathisch gelabelten Pankreatitis Fälle wird dabei eine okkulte biliäre Ätiologie, getrieben durch Mikrolithiasis/Sludge, vermutet. Da eine rezidivierende biliäre Pankreatitis verhindert werden kann, sollte eine monokausal behandelbare Ursache idealerweise im Rahmen der Index Pankreatitis-Episode identifiziert werden. Ziel Ziel dieser multizentrischen, retrospektiven Studie war die Entwicklung eines Machine-Learning basierten, nicht-invasiven Vorhersagetools, welches in der Frühphase des klinischen Entscheidungsprozesses unterstützen kann, Patienten mit einer als idiopathisch gelabelten akuten Pankreatitis für eine Endosonographie zum Nachweis/Ausschluss einer biliären Pankreatitis-Ätiologie zu selektieren. Methodik Routinemäßig erfasste klinische und laborchemische Parameter von 218 Pankreatitis-Patienten, die zwischen 2015 und 2020 am LMU Universitätsklinikum München stationär behandelt worden waren, wurden retrospektiv erfasst. Patienten, bei denen im Rahmen der diagnostischen Abklärung keine Endosonographie durchgeführt wurde und/oder deren Pankreatitis-Episode durch andere Ursachen denn Mikrolithiasis und Sludge erklärt werden konnte, wurden ausgeschlossen. Das entwickelte Machine-Learning basierte Vorhersagetool wurde in zwei unabhängigen retrospektiven Pankreatitis-Kohorten zweier High-Volume Pankreaszentren (TU München und Universitätsklinikum Göttingen) validiert. Ergebnisse 28 kategorisierte Patientenvariablen, die bei der Krankenhausaufnahme erfasst wurden, wurden genutzt, um ein Vorhersagemodell mit einer Accuracy von 0,84 [95% CI 0,791, 0,9185], einem positiven Prädiktionswert von 0,84 und einem negativen Prädiktionswert von 0,80 in der Identifikationskohorte (LMU; 218 Patienten) zu etablieren. In der Validierungskohorte wurde die Robustheit des Vorhersagemodells mit einer Accuracy von 0,76 [95% CI 0,673, 0,8347], einem positiven Prädiktionswert von 0,76 und einem negativen Prädiktionswert von 0,78 validiert (TU+UMG; 117 Patienten). Schlussfolgerung Wir präsentieren zum ersten Mal ein robustes, extern validiertes Machine-Learning basiertes Vorhersagetool zur Patientenselektion zum endosonographischen Ausschluss/Nachweis von biliärer Mikrolithiasis/Sludge in der Frühphase einer als idiopathisch gelabelten akuten Pankreatitis. Publication History Article published online: 28 August 2023 © 2023. Thieme. All rights reserved. Georg Thieme Verlag Rüdigerstraße 14, 70469 Stuttgart, Germany

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.