ML-Datensatz: n = 30, DPH = 12 (40.0%)
Features: 28Shadow-ML-Validierung
Logistische Regression vs. Regel-basiertes Ampel-System
WarnungBeispieldaten
Die folgenden Auswertungen basieren auf synthetischen Demodaten (n = 30) zur Demonstration der ML-Pipeline — keine echten Patientendaten. Bei echten Daten sollte n >= 40 betragen, bevor Ergebnisse interpretiert werden.
HinweisLiteratur-Evidenz
Basierend auf der PubMed-Recherche (03/2026, 12 relevante Paper) zu ML-Modellen bei Hyponatriämie. Schlüsselreferenzen:
- Kinoshita et al. 2024: SVR-Modell, R^2 = 0.92, 6h-Intervall-Prognose
- Sci Rep 2025: XGBoost AUC 0.821, SHAP-Erklärbarkeit
- Jung et al. 2025: Multicenter XGBoost AUC 0.83
- Andersson et al. 2025: Causal Forest, 4-Kovariaten-Modell
1. Fragestellung
Kann ein einfaches ML-Modell (Logistische Regression) die DPH-Prädiktion des regel-basierten Ampel-Systems übertreffen — insbesondere hinsichtlich Sensitivität und Vorlaufzeit?
Shadow-Modus: Das ML-Modell läuft parallel zum Regel-System, aber ohne Einfluss auf Patienten-Alerts. Beide Systeme werden retrospektiv verglichen.
2. Feature Engineering
3. Modell-Training (Leave-One-Out Cross-Validation)
Bei kleinem n ist LOOCV sinnvoller als ein Train/Test-Split (vgl. Voglis 2020, n=207).
4. Performance-Vergleich
5. ROC-Kurven
6. Feature-Importance (Logistische Regression)
7. Interpretation & Naechste Schritte
============================================================
SHADOW-ML ZUSAMMENFASSUNG
============================================================
Datensatz: n = 30, DPH-Rate = 40.0%
Metrik Regel-System Log. Regression
-------------------------------------------------------
Sensitivität 100.0% 58.3%
Spezifitaet 11.1% 83.3%
PPV 42.9% 70.0%
NPV 100.0% 75.0%
AUC --- 0.866
HINWEIS: Bei n < 40 sind diese Ergebnisse NICHT belastbar.
Die Pipeline ist bereit fuer echte Daten nach Studienstart.
Empfohlene Phasen:
Phase 1 (n < 20): Nur Regel-System, Threshold-Kalibrierung
Phase 2 (n >= 40): Shadow-ML aktivieren, AUC-Vergleich
Phase 3 (n >= 80): XGBoost + SHAP, Feature-Importance Feedback
Phase 4 (n > 200): SVR-Verlaufsprognose (Kinoshita-Modell)
WichtigKlinische Einordnung
Das ML-Modell läuft im Shadow-Modus — es hat keinen Einfluss auf die Patientenversorgung. Erst nach prospektiver Validierung an einer unabhängigen Kohorte (Phase 4) kann eine Integration in das Warnsystem erwägt werden.