KI-Modelle zeigen, welche Kinder mit frühem Ekzem ein höheres Asthmarisiko haben könnten

Forscher sagen, Frühwarnmodelle könnten helfen, vorbeugende Versorgung gezielter einzusetzen

Kinder, die sehr früh im Leben Ekzeme entwickeln, haben oft später auch andere allergische Erkrankungen, doch Ärztinnen und Ärzte hatten bislang nur begrenzte Werkzeuge, um abzuschätzen, welche Patienten am ehesten in eine schwerere Atemwegserkrankung übergehen. Eine neue Studie legt nahe, dass Machine Learning nun eine präzisere Möglichkeit bieten könnte, dieses Risiko einzuordnen.

In einer am 17. April online im Journal of Allergy and Clinical Immunology veröffentlichten Studie entwickelten und validierten Forschende von Kaiser Permanente Southern California Vorhersagemodelle für Kinder, bei denen vor dem dritten Lebensjahr eine atopische Dermatitis diagnostiziert worden war. Mithilfe elektronischer Gesundheitsdaten von 10.688 Kindern erstellte das Team Modelle, um das individuelle Risiko für die Entwicklung von mittelschwerem bis schwerem persistierendem Asthma und allergischer Rhinitis zwischen dem fünften und elften Lebensjahr zu schätzen.

Die Ergebnisse deuten auf ein potenziell nützliches klinisches Werkzeug hin, insbesondere für Gesundheitssysteme, die höher gefährdete Kinder früher identifizieren und eingreifen wollen, bevor sich die Symptome verschlimmern. Die Forschenden berichteten von einer starken Leistung bei der Asthmaprediktion und einer moderateren, aber dennoch aussagekräftigen Leistung bei allergischer Rhinitis.

Starke Asthmaprediktion in einem großen Real-World-Datensatz

Die Asthmamodelle erreichten AUC-Werte von 0,893 für die umfassende Version und 0,892 für eine vereinfachte Version, was auf eine starke Trennschärfe beim Unterscheiden von Kindern hinweist, die später erkrankten, und solchen, die es nicht taten. Bei einer Spezifitätsschwelle von 95 % erreichte das umfassende Modell eine Sensitivität von 40,4 % und einen positiven Vorhersagewert von 39,3 %, während das vereinfachte Modell 36,2 % Sensitivität und 33,8 % positiven Vorhersagewert erreichte.

Diese Zahlen sind wichtig, weil sie darauf hindeuten, dass die Modelle besonders gut darin waren, falsch positive Ergebnisse zu begrenzen und gleichzeitig einen bedeutsamen Anteil jener Kinder zu erfassen, die später ein persistierendes Asthma entwickeln würden. In der Praxis kann ein solches Gleichgewicht in der pädiatrischen Versorgung wichtig sein, wo unnötige Eskalationen Kosten verursachen, übersehene Risiken jedoch zu verzögerter Behandlung und vermeidbaren Komplikationen führen können.

Die Rhinitismodelle waren weniger präzise als die Asthmamodelle, lieferten aber dennoch eine moderate Vorhersageleistung. Das umfassende Rhinitismodell erreichte eine AUC von 0,793, das vereinfachte Modell 0,773. Bei 90 % Spezifität kam das umfassende Modell auf eine Sensitivität von 35,5 % mit einem positiven Vorhersagewert von 72,7 %, während das vereinfachte Modell 34,0 % Sensitivität und 69,2 % positiven Vorhersagewert erzielte.

Die Autoren berichteten außerdem von einer akzeptablen Kalibrierung, besonders mit starker Übereinstimmung in den höchsten Risikogruppen. Das ist bedeutsam, weil selbst ein Modell mit starker Trennschärfe weniger nützlich sein kann, wenn seine Risikoschätzungen schlecht mit dem übereinstimmen, was in der klinischen Praxis tatsächlich geschieht.