Existierende Prädiktionsmodelle
Machine-Learning-Modelle
| Studie | n | Methode / Performance | Top-Prädiktoren |
|---|---|---|---|
| Lin et al. (Sci Rep 2025) (Lin et al., 2025) | 452 + 70 prospektiv | XGBoost AUC 0,821 (Training), 0,785 (prospektive Validierung) | Hypophysenstiel-Deviation, Stiel-Längenveränderung, POD-2-Natrium |
| Kinoshita et al. (Endocr J 2024) (Kinoshita2024?) | 74 + 15 extern | SVR R² = 0,92, 6h-Intervall-Prognose | Wasseraufnahme, Na⁺/K⁺-Zufuhr, Urinvolumen, Serum-Na/K/Cl |
| Fuse et al. (Pituitary 2023) (Fuse et al., 2023) | 193 | Random Forest AUROC 0,759 | 24 Features inkl. Bildgebung |
| Jung et al. (Seizure 2025) (Jung2025?) | 2.253 Multicenter | XGBoost AUC 0,83 (CDM-Daten) | Valproat, Diuretika, OXC-Dosis, Alter, Schlaganfall |
| Andersson et al. (Eur J Prev Cardiol 2025) (Andersson2025?) | 260.729 | Causal Forest, 4-Kovariaten-Modell | Alter, Baseline-Na⁺, Hämoglobin, CRP |
| Voglis et al. (Pituitary 2020) (Voglis2020?) | 207 | Boosted GLM AUROC 0,843 | Machbarkeitsstudie, 22 % DPH-Rate |
| Patel et al. (Clin Neurol Neurosurg 2019) (Patel et al., 2019) | > 300 | Logistische Regression, klinisches Vorhersage-Tool | Weiblich, FR bei Entlassung, stationäre Na⁺-Werte |
Meta-analytisch konsistente Risikofaktoren
| Prädiktor | Richtung | Beste Evidenz |
|---|---|---|
| Höheres Alter | ↑ Risiko | Lee 2021 Meta-Analyse: OR 1,16 (95 % CI 1,04–1,29) (Lee et al., 2021) |
| Niedrigeres POD-1/2-Natrium | ↑ Risiko | Krogh et al. (EJE 2018): OR 2,40 (Krogh et al., 2018) |
| Hypophysenstiel-MRT-Veränderungen | ↑ Risiko | Lin 2022 Nomogramm, ML-Modelle |
| Intraoperativer Liquorverlust | ↑ Risiko | Lu 2025, Rajaratnam 2020 |
| Niedriger BMI | ↑ Risiko | Hussain 2013 (Hussain et al., 2014), Cooper 2023 (Cooper et al., 2023) |
| Postoperativer DI | ↓ Risiko (protektiv) | Patel 2019 (Patel et al., 2019), Lin 2022 |
| Weibliches Geschlecht | ↑ Risiko | Patel 2019 (inkonsistent in Meta-Analyse) |
| Risikomedikamente (Thiazide, SSRI, SNRI) | ↑ Risiko | Häufigste medikamentöse SIADH-Ursachen |
| Präoperatives Na⁺ < 138 mmol/l | ↑ Risiko | Geringerer Puffer bis symptomatische Schwelle |
Zentrale Lücke: Alle existierenden ML-Modelle nutzen ausschließlich stationäre Daten. Keines integriert ambulante Monitoring-Zeitreihen (Gewichtstrend, Aktivitätsverlauf, Symptom-Score-Dynamik). Ein Modell, das stationäre Risikostratifizierung mit ambulanten Zeitreihen kombiniert, wäre ein erheblicher Fortschritt – die Datenbasis dafür soll die hier vorgeschlagene Pilotstudie schaffen.
Methodische Implikationen: Kinoshita et al. (2024) zeigen, dass bereits mit 5–7 klinisch verfügbaren Prädiktoren und einem einfachen SVR-Modell eine hohe Vorhersagegenauigkeit (R² = 0,92) für den 6-Stunden-Na⁺-Verlauf erreichbar ist. Andersson et al. (2025) demonstrieren, dass ein Causal-Forest-Modell mit nur 4 Kovariaten (Alter, Baseline-Na⁺, Hämoglobin, CRP) eine klinisch relevante Risikostratifizierung ermöglicht. Beide Ansätze sind auf die HyponaTrack-Datenbasis übertragbar — der Stufenplan hierfür ist in der ML-Roadmap beschrieben.
Literatur
Cooper, O., Lis, R., Bonert, V., Labadzhyan, A., Liu, N.-A., Ben-Shlomo, A., Ljubimov, V., Krutikova, V., & Mamelak, A. N. (2023). Fluid Restriction Reduces Delayed Hyponatremia and Hospital Readmissions After Transsphenoidal Surgery. Journal of Clinical Endocrinology & Metabolism, 108(8), e623–e633. https://doi.org/10.1210/clinem/dgad066
Fuse, Y. et al. (2023). Machine learning models predict delayed hyponatremia post-transsphenoidal surgery using clinically available features. Pituitary, 26, 543–553.
Hussain, N. S. et al. (2014). Early water intake restriction to prevent inappropriate antidiuretic hormone secretion following transsphenoidal surgery: low BMI predicts postoperative SIADH. European Journal of Endocrinology, 171(6), 711–718.
Krogh, J. et al. (2018). Transsphenoidal surgery for pituitary tumours: frequency and predictors of delayed hyponatraemia. European Journal of Endocrinology, 178(3), 247–255.
Lee, J. et al. (2021). Incidence and Factors Associated with Postoperative Delayed Hyponatremia after Transsphenoidal Pituitary Surgery: A Meta-Analysis and Systematic Review. International Journal of Endocrinology, 6659152. https://doi.org/10.1155/2021/6659152
Lin, Y. et al. (2025). Machine learning algorithms for predicting delayed hyponatremia after transsphenoidal surgery for patients with pituitary adenoma. Scientific Reports, 14, 83319.
Patel, K. S., Chen, J. S., Yuan, F., et al. (2019). Prediction of post-operative delayed hyponatremia after endoscopic transsphenoidal surgery. Clinical Neurology and Neurosurgery, 182, 87–91. https://doi.org/10.1016/j.clineuro.2019.04.025