Deep Learning zur Vorhersage von Phlebitis bei Patienten mit intravenösen Kathetern (PVK)
Periphere Venenkatheter (PVK) sind im Gesundheitswesen unverzichtbar für die Verabreichung von Flüssigkeiten und Medikamenten. Trotz ihrer Vorteile sind Komplikationen wie Phlebitis – eine Venenentzündung – häufig und können Schmerzen, Schwellungen und Infektionen verursachen, was zu längeren Krankenhausaufenthalten führt. Phlebitis, ob oberflächlich oder tief, tritt bei 2% bis 50% der Patienten mit PVK auf. Aktuelle Erkennungsmethoden für Phlebitis sind oft subjektiv und inkonsistent, was den Bedarf an präziseren Vorhersagetechniken unterstreicht.
Eine Studie, durchgeführt von Syljee Lee, Insool Choi und Eun Man Kim, untersuchte den Einsatz von Deep Learning zur Vorhersage von Phlebitis bei PVK-Patienten, indem demografische, klinische Variablen und Katheter-Einlagefaktoren berücksichtigt werden.
In dieser Studie wurden elektronische Krankenakten von Patienten mit PVK aus fünf Krankenhäusern von 2019 bis 2022 analysiert. Insgesamt wurden 21.766 Katheterinsertionen erfasst, wobei die Phlebitisprävalenz 7,9% betrug. Ein Deep-Learning-Modell wurde entwickelt, um Phlebitis vorherzusagen. Die Modellleistung wurde mit traditionellen Algorithmen verglichen und mittels SHAP (Shapley Additive Explanations) validiert, um die Interpretierbarkeit für klinische Anwendungen zu verbessern.
Die Studienergebnisse zeigten, dass das entwickelte Deep-Learning-Modell traditionelle Machine-Learning-Algorithmen bei der Vorhersage von Phlebitis bei PVK-Patienten deutlich übertraf. Der ROC-Kurve zufolge erreichte das Modell eine beeindruckende Genauigkeit. Zudem zeigte die Konfusionsmatrix, dass das Modell eine hohe Sensitivität und Spezifität aufwies.
Das entwickelte Deep-Learning-Modell erwies sich als effektiv bei der Vorhersage von Phlebitis bei Patienten mit peripheren intravenösen Kathetern. Es identifizierte valide Faktoren wie Kathetergröße, Einlageort, Alter des Patienten und Infusionscharakteristika, die für die Vorhersagen entscheidend waren. Diese Fortschritte bieten signifikantes Potenzial für die Gesundheitsversorgung, indem Hochrisikopatienten frühzeitig erkannt und rechtzeitig Interventionen durchgeführt werden können. Dadurch könnten die klinischen Entscheidungssysteme verbessert, Komplikationen reduziert und die damit verbundenen Kosten gesenkt werden.
Für Pflegefachkräfte bedeutet dies, dass sie dank präziserer Vorhersagen Phlebitis früher erkennen und entsprechende Maßnahmen ergreifen können. Dies verbessert nicht nur die Patientenversorgung, sondern kann auch den Arbeitsalltag der Pflegekräfte erleichtern, da weniger Komplikationen und dadurch weniger zeitaufwändige Interventionen notwendig sind.
Die Studie wurde von folgenden Autoren durchgeführt: Syljee Lee, Insool Choi und Eun Man Kim. Die beteiligten Institutionen waren: Department of Systems Management Engineering, Sungkyunkwan University; Nursing Department, Inha University; Department of Nursing Science, SunMoon University.
Belege und Quellen:
1. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in healthcare. Nature medicine. 2019;25(1):24-9. doi:10.1038/s41591-018-0316-z
2. Indarwati M, Matthews S, Mundy J, Keogh S. Incidence of peripheral intravenous catheter failure and complications in a regional hospital: A prospective cohort study. Journal of Hospital Infection. 2020;104(1):40-6. doi:10.1016/j.jhin.2019.10.014
