Frailty-Screening bei Hämodialysepatienten: XGBoost-Modell mit AUC 0,917 identifiziert 48,6 % der Patienten
Von KI ausgewählt und zusammengefasst
Worum es geht
Eine retrospektive Studie mit 626 Hämodialysepatienten aus vier Kliniken entwickelte ein Machine-Learning-Modell zur Frailty-Erkennung.
Ergebnis
Frailty-Prävalenz lag bei 48,6 %. Das XGBoost-Modell zeigte beste externe Validierungsleistung: AUC = 0,917 (95%-KI 0,867–0,967), Genauigkeit 84,7 %, Sensitivität 85,0 %, Spezifität 84,4 %. Sechs Prädiktoren wurden identifiziert: Alter, Griffstärke, Komorbiditäten, Charlson-Index, Albumin und Pro-BNP. Das Modell unterstützt systematisches Frailty-Screening in der Nierenfachversorgung.
Übertragbarkeit auf Deutschland
Chinesische Klinikstudie; Frailty-Screening und Prognose universal relevant
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.