Knowledge-Hub Gesundes Altern & Longevityein Angebot von Monitor Versorgungsforschung

Knowledge-Hub Gesundes Altern & Longevity › Studien

Frailty-Vorhersage per Machine Learning aus Kliniksystemen innerhalb 72 Stunden

Laurea Szabo GC et al. · JMIR Med Inform · erschienen 28.10.2026 · PMID 42950281

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.

Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.