KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (computational biology) · 2026-10-25
Interpretierbares maschinelles Lernen zur Vorhersage einer intraoperativen Oxygenierungsstörung während der Einlungenventilation in der Thoraxchirurgie: eine retrospektive Kohortenstudie
Originaltitel: Interpretable machine learning for predicting intraoperative oxygenation impairment during one-lung ventilation in thoracic surgery: a retrospective cohort study
Diese Studie testete fünf Modelle des maschinellen Lernens anhand von Daten von 519 Patienten der Thoraxchirurgie, um eine Oxygenierungsstörung während der Einlungenventilation vorherzusagen. Das Random-Forest-Modell schnitt am besten ab (AUC 0.924), vor der logistischen Regression (0.790). Die SHAP-Analyse identifizierte den positiven endexspiratorischen Druck, den präoperativen arteriellen Sauerstoffpartialdruck und den Body-Mass-Index als wichtigste Prädiktoren.