Erstellung und Validierung von Machine-Learning-Modellen zur Kombination klinischer Daten und radiologischer Merkmale für die frühzeitige Identifikation von Reoperationen bei tiefen Halsinfektionen

Die tiefe Halsinfektion (DNI) ist eine ernsthafte Erkrankung, die sich schnell durch die zervikalen Faszienebenen ausbreitet und häufig zu Atemwegsverlegung und Sepsis führt. Atemwegsschutz, Antibiotikatherapie und chirurgische Drainage sind Standardbehandlungen, doch einige Patienten benötigen eine Reoperation, wenn keine ausreichende Besserung eintritt. Da keine zuverlässigen Werkzeuge zur Vorhersage des Reoperationsrisikos existieren, entwickelte diese Studie ein Machine-Learning-(ML)-Modell, das klinische und bildgebende Daten integriert, um Reoperationen bei DNI vorherzusagen. Wir analysierten retrospektiv 415 Patienten mit chirurgisch behandelter DNI. Reoperation wurde definiert als eine zusätzliche Inzision und Drainage, die mehr als 48 Stunden nach der Erstoperation durchgeführt wurde. Klinische und computertomographisch (CT) abgeleitete Merkmale wurden in ein mittels stratifizierter Fünffach-Kreuzvalidierung evaluertes Categorical Boosting (CatBoost)-basiertes ML-Modell eingebunden. Die Modellleistung wurde anhand der Receiver Operating Characteristic-Fläche unter der Kurve (ROC AUC), Logloss, Konfusionsmatrizen, Genauigkeit, Präzision, Sensitivität, Spezifität und F1-Score bewertet. Die Vorhersagemodelle wurden sowohl mit dem vollständigen Merkmalsset als auch mit einem reduzierten Satz von neun signifikanten Merkmalen, identifiziert durch Merkmalswichtigkeitsanalyse, erstellt. Die Studienpopulation hatte ein Durchschnittsalter von 53,63 Jahren bei einer Reoperationsrate von 33,97 %. Während der Kreuzvalidierung erreichte das Modell mit vollem Merkmalsumfang einen F1-Score von 0,9041, eine Genauigkeit von 0,9488, ROC AUC von 0,9678, Präzision von 0,9190, Sensitivität von 0,9000 und Spezifität von 0,9670. Im unabhängigen Testdatensatz erzielte es einen F1-Score von 0,8980, eine Genauigkeit von 0,9398, ROC AUC von 0,9891, Präzision von 0,8462, Sensitivität von 0,9565 und Spezifität von 0,9333. Das Modell mit neun Merkmalen erreichte einen F1-Score von 0,9025, Genauigkeit von 0,9489, ROC AUC von 0,9503, Präzision von 0,9281, Sensitivität von 0,8889 und Spezifität von 0,9713 in der Kreuzvalidierung. Im unabhängigen Testdatensatz zeigte es einen F1-Score von 0,9565, eine Genauigkeit von 0,9759, ROC AUC von 0,9957, Präzision von 0,9565, Sensitivität von 0,9565 und Spezifität von 0,9833. Die Logloss-Verläufe bestätigten stabile Konvergenz mit minimalem Overfitting. Diese Studie zeigt, dass ein ML-Modell Reoperationen bei DNI durch Integration klinischer und CT-abgeleiteter Merkmale präzise vorhersagen kann. Das vereinfachte Modell mit neun Merkmalen erzielte überlegene Leistung bei erhöhter klinischer Akzeptanz und praktischer Anwendbarkeit. Diese Ergebnisse unterstreichen das Potenzial von ML für zeitgerechte chirurgische Planung und individualisierte Risikoabschätzung für Reoperationen bei DNI-Patienten.