Frailty-Vorhersage per Machine Learning aus Kliniksystemen innerhalb 72 Stunden
Von KI ausgewählt und zusammengefasst
Worum es geht
An 26.824 stationären Aufnahmen (Royal Adelaide Hospital, Juli 2023–Dezember 2024) wurde ein XGBoost-Modell entwickelt und validiert, das aus EMR-Daten der ersten 72 Stunden Frailty (HFRS>4) vorhersagt.
Ergebnis
Das finale XGBoost-Modell erreichte F2-Score 0,755 (95%-KI 0,741–0,768), AUROC 0,777 (0,764–0,790), Recall 0,873 (0,857–0,887). Wichtigste Prädiktoren: Polypharmazi, Laborwerte (Kreatinin, Albumin, Natrium), konsultierte Fachgruppen, Pflegeassessments. Performance war zu 24 Stunden niedrig, verbesserte sich bis Entlassung. Reduzierte Performance bei Indigenous-Patienten zeigte Bedarf für kulturelle Validierung.
Übertragbarkeit auf Deutschland
Australien, EMR-Datenstruktur vergleichbar mit deutschen Kliniksystemen; maschinelle Frailty-Vorhersage technisch unmittelbar übernehmbar.
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.