Nur etwa 10 % aller betroffenen Menschen überleben einen Herzstillstand außerhalb des Krankenhauses. Trotz immer besserer medizinischer Versorgung gibt es bisher keine effektive Methode, um das Risiko in der Bevölkerung abzuschätzen und die Prävention zu verbessern. Ein Forscherteam um Jessica Perry von der University of Washington in Seattle hat dieses Problem untersucht.

In einer Kohortenstudie prüfte es, ob elektronische Patientenakten genutzt werden können, um das Risiko eines Herzstillstandes vorherzusagen. Sie verwendeten ein Machine Learning Modell, das Daten von 2.366 Patientinnen und Patienten und 23.660 passenden Kontrollpersonen analysierte. Der Algorithmus erreichte bei einer Spezifität von 99 % einen positiven Vorhersagewert von 2,5 % bis 3,1 %. Damit war er besser als das Basismodell, das nur konventionelle kardiovaskuläre Risikofaktoren berücksichtigte.

Die Studie zeigte, dass das Herzstillstandsrisiko durch eine Vielzahl von Faktoren beeinflusst wird. Darunter fallen kardiovaskuläre und nicht-kardiovaskuläre sowie soziodemografische Aspekte wie Alkohol- und Substanzgebrauchsstörungen oder der Familienstand. Die Forschenden betonen, dass diese Komplexität bei der Erstellung von Gesundheitsstrategien berücksichtigt werden muss. Ihrer Meinung nach könnten Machine Learning Tools sinnvoll eingesetzt werden, um das Risiko in der Bevölkerung zu differenzieren und als Grundlage für weitere Untersuchungen dienen.

Quelle: Perry J et al. Circulation 2024; 150: 102-110 DOI: 10.1161/CIRCULATIONAHA.124.069105