KI übertrifft traditionelle Modelle bei der Vorhersage des Herzerkrankungsrisikos bei chinesischen Erwachsenen
Ein transformerbasiertes Deep-Learning-Modell sagt das 10-Jahres-Herz-Kreislauf-Risiko bei chinesischen Erwachsenen genauer vorher als Cox-Modelle und etablierte Risiko-Scores.
Zusammenfassung
Forscher entwickelten China-AIHeart, ein geschlechtsspezifisches KI-Modell auf Basis der Transformer-Deep-Learning-Architektur zur Vorhersage des 10-Jahres-Herz-Kreislauf-Erkrankungsrisikos bei chinesischen Erwachsenen. Das Modell wurde an knapp 157.000 Teilnehmern trainiert und in zwei unabhängigen Kohorten validiert; es übertraf traditionelle statistische Ansätze sowie bestehende Risikorechner wie China-PAR, PREVENT-ASCVD und SCORE2 Asia-Pacific. Es erzielte C-Statistiken über 0,76 sowohl für Männer als auch für Frauen, mit guter Kalibrierung und klinischem Nettonutzen. Das Modell ist in einer vollständigen Version mit 22 Prädiktoren und einer vereinfachten Version mit 15 Prädiktoren verfügbar, was es für den klinischen Alltag praktikabel macht. Dieser Fortschritt könnte die kardiovaskuläre Risikostratifizierung für eine der größten Bevölkerungen der Welt erheblich verbessern.
Detaillierte Zusammenfassung
Herz-Kreislauf-Erkrankungen sind nach wie vor die häufigste Todesursache weltweit, und eine genaue Risikovorhersage ist für eine frühzeitige Intervention unerlässlich. In chinesischen Bevölkerungsgruppen schneiden weit verbreitete westliche Risikorechner aufgrund von Unterschieden in Genetik, Lebensstil und Krankheitsmustern häufig schlecht ab. Traditionelle statistische Modelle wie das Cox-Proportional-Hazards-Modell haben zudem strukturelle Einschränkungen bei der Verarbeitung komplexer, nichtlinearer Wechselwirkungen zwischen Risikofaktoren.
Forscher der Shanghai Jiao Tong University und kooperierender Institutionen in ganz China entwickelten China-AIHeart, ein transformer-basiertes Deep-Learning-Modell, das speziell für die 10-Jahres-Risikovorhersage von Herz-Kreislauf-Erkrankungen (CVD) bei chinesischen Erwachsenen konzipiert wurde. Die Ableitungskohorte umfasste 156.790 Teilnehmer aus der China Cardiometabolic Disease and Cancer Cohort, die alle bei Studienbeginn frei von CVD waren, mit einem Durchschnittsalter von etwa 57 Jahren. Separate Modelle wurden für Männer und Frauen entwickelt, wobei entweder 22 oder 15 klinische Prädiktoren verwendet wurden.
China-AIHeart zeigte eine starke Diskriminierungsfähigkeit mit C-Statistiken von 0,767 bei Männern und 0,780 bei Frauen – deutlich besser als Cox-Modelle mit identischen Prädiktoren (Verbesserung um etwa 0,027–0,031). Die Net-Reclassification-Indizes waren substanziell, mit 0,478 bei Männern und 0,560 bei Frauen, was darauf hindeutet, dass das KI-Modell einen erheblichen Anteil der Patienten korrekt in genauere Risikokategorien umstufte. Die externe Validierung in den Xinjiang- und CHARLS-Kohorten bestätigte eine robuste Generalisierbarkeit über unterschiedliche chinesische Bevölkerungsgruppen hinweg.
Für Kliniker bedeutet dies, dass ein praktisches, KI-gestütztes Werkzeug bald dabei helfen könnte, Hochrisikopatienten zu identifizieren, die von konventionellen Scoring-Systemen möglicherweise übersehen werden. Die vereinfachte Version mit 15 Prädiktoren ist besonders gut in der Primärversorgung einsetzbar, wo umfangreiche diagnostische Tests nicht verfügbar sind.
Zu den Vorbehalten gehört, dass die Zusammenfassung ausschließlich auf dem Abstract basiert, was die Beurteilung von Prädiktordetails, der Handhabung fehlender Daten und der Nachbeobachtungsdauer einschränkt. Darüber hinaus gelten die Ergebnisse spezifisch für chinesische Erwachsene und lassen sich ohne weitere Validierung möglicherweise nicht auf andere ethnische Bevölkerungsgruppen übertragen.
Wichtigste Erkenntnisse
- China-AIHeart achieved C-statistics of 0.767 (men) and 0.780 (women), outperforming all tested traditional risk scores.
- The AI model improved reclassification by 0.478 in men and 0.560 in women over Cox models with identical predictors.
- External validation in two independent Chinese cohorts confirmed robust performance, including a simplified 15-predictor version.
- Sex-specific models were developed separately for men and women, improving accuracy and clinical relevance.
- A simplified 15-predictor version maintained strong performance, making the tool viable for routine clinical settings.
Methodik
Die Studie verwendete eine Ableitungskohorte von 156.790 chinesischen Erwachsenen aus der China Cardiometabolic Disease and Cancer Cohort, mit externer Validierung in der Xinjiang-Kohorte und der CHARLS-Kohorte. Transformer-basierte Zeitraum-bis-Ereignis-Vorhersagemodelle wurden mit 22 bzw. 15 Prädiktoren entwickelt und mit Cox-Modellen sowie etablierten Risikoscores wie China-PAR, PREVENT-ASCVD und SCORE2 Asia-Pacific verglichen. Die Leistung wurde anhand des C-Statistikwerts, des Kalibrierungs-Chi-Quadrat-Tests, des Brier-Scores und des Net Reclassification Index bewertet.
Studienlimitierungen
Diese Zusammenfassung basiert ausschließlich auf dem Abstract, daher sind Details zur Prädiktorenauswahl, zum Umgang mit fehlenden Daten, zur Nachbeobachtungsdauer und zur Modellimplementierung nicht verfügbar. Die Modelle wurden ausschließlich an chinesischen Bevölkerungsgruppen validiert und lassen sich möglicherweise ohne weitere Studien nicht auf andere ethnische Gruppen übertragen. Da es sich um eine retrospektive Entwicklungs- und Validierungsstudie handelt, sind prospektive klinische Wirksamkeitsstudien weiterhin erforderlich.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: