Hypertonie-Screening per KI: Warum positive Vorhersagekraft und Bias entscheidend sind

Ein Modell, das für "identifizierte" undiagnostizierte Hypertonie mit einer Sensitivität von 62,7 % und einer Spezifität von 60,7 % arbeitet, klingt zunächst nach einem soliden Screening-Werkzeug. Eine aktuelle unabhängige Evaluation aus North West London zeigt jedoch, warum diese beiden Kennzahlen allein für die Bewertung eines KI-gestützten Risikomodells in der Praxis nicht ausreichen – und warum die positive Vorhersagekraft (PPV) sowie demografische Verzerrungen für den tatsächlichen klinischen Nutzen viel entscheidender sind.

Das Modell und seine Evaluation

Der North West London Integrated Care Board hatte 2023 ein Random-Forest-Modell in Auftrag gegeben, das anhand von Sozialdemografie- und Zensusdaten Patientinnen und Patienten mit hohem Risiko für unentdeckte Hypertonie identifizieren sollte. Trainiert wurde es mit Daten von über 2,3 Millionen Menschen aus der Whole Systems Integrated Care (WSIC)-Datenbank. Ein Jahr nach dem Rollout untersuchte ein unabhängiges Forschungsteam, wie sich das Modell im realen Praxisbetrieb schlägt – anhand von Daten von 1,8 Millionen Personen ohne bestehende Hypertonie-Diagnose (Quelle).

Das Ergebnis: Sensitivität und Spezifität lagen jeweils im moderaten Bereich um 60 %. Entscheidend ist aber, was daraus für die Praxis folgt. Je nach zugrunde gelegter Hypertonie-Prävalenz (22,4 % bis 32 % in der englischen Bevölkerung) lag die positive Vorhersagekraft nur zwischen 31,5 % und 42,9 %. Das bedeutet: Wird eine Person vom Modell als "wahrscheinlich hypertensiv" eingestuft, trifft das in weniger als der Hälfte der Fälle tatsächlich zu. Für eine Hausarztpraxis, die auf Basis solcher Listen gezielt zur Blutdruckmessung einbestellt, heißt das konkret: Der überwiegende Teil der einbestellten Personen hat am Ende keine behandlungsbedürftige Hypertonie – mit entsprechendem Aufwand für Praxispersonal und unnötiger Verunsicherung bei Patientinnen und Patienten.

Bias ist kein Randphänomen

Noch aufschlussreicher sind die Unterschiede zwischen demografischen Gruppen. Die Sensitivität war bei älteren Menschen und bei Schwarzen Patientinnen und Patienten deutlich höher, die Spezifität dagegen bei jüngeren, weiblichen und weißen Patientinnen und Patienten. Auch der sozioökonomische Status spielte eine Rolle: In stärker deprivierten Gebieten war die Sensitivität höher, die Spezifität niedriger – ein Muster, das sich erst in den beiden am wenigsten deprivierten Quintilen anglich.

Besonders auffällig war die Altersverteilung der Vorhersagen: In der Altersgruppe 70–79 Jahre wurden 96,2 % der Personen als potenziell hypertensiv eingestuft, in der Gruppe 30–39 Jahre praktisch niemand (0,004 %) – obwohl in dieser jüngeren Gruppe tatsächlich bei 2,2 % im Studienzeitraum eine Hypertonie diagnostiziert wurde. Das Modell "lernt" hier im Wesentlichen das Alter als dominanten Prädiktor und verpasst dadurch systematisch jüngere Betroffene.

Komplexität ohne Mehrwert

Bemerkenswert ist zudem der Vergleich mit einem deutlich einfacheren, transparenten logistischen Regressionsmodell mit nur wenigen Prädiktoren. Dessen Sensitivität und Spezifität lagen praktisch gleichauf mit dem komplexen Random-Forest-Modell. Ein Modell, das allein auf Altersgruppen basierte, erreichte sogar eine höhere Sensitivität bei etwas geringerer Spezifität. Die Autorinnen und Autoren der Studie ziehen daraus einen klaren Schluss: Wo keine Leistungseinbußen entstehen, sollten transparentere, nachvollziehbare Modelle bevorzugt werden – nicht zuletzt, weil sich Verzerrungen bei einfachen Modellen leichter erkennen und korrigieren lassen.

Was das für deutsche Praxen bedeutet

Auch hierzulande gewinnen risikobasierte Screening-Ansätze an Bedeutung, sei es durch Praxissoftware mit Risikoscores oder durch KI-gestützte Auswertung von Praxisdaten. Aus dieser Evaluation ergeben sich drei praktische Konsequenzen:

1. Fragen Sie nach der PPV, nicht nur nach Sensitivität und Spezifität. Nur die PPV sagt Ihnen, wie viele der als "auffällig" markierten Patientinnen und Patienten tatsächlich betroffen sind – und wie viel unnötigen Mehraufwand ein Tool erzeugt.
2. Verlangen Sie eine Subgruppenanalyse nach Alter, Geschlecht, Herkunft und sozioökonomischem Status, bevor Sie ein Modell einsetzen. Ein Tool, das systematisch jüngere oder sozioökonomisch benachteiligte Patientengruppen übersieht, verschärft bestehende Versorgungslücken statt sie zu schließen.
3. Bevorzugen Sie bei vergleichbarer Leistung das einfachere, nachvollziehbare Modell. Komplexität allein ist kein Qualitätsmerkmal – im Gegenteil, sie erschwert die Fehlersuche.

Vor jedem Rollout eines KI-gestützten Screening-Tools in Ihrer Praxis oder Ihrem MVZ lohnt sich daher eine lokale Validierung anhand eigener Patientendaten – idealerweise mit einer Aufschlüsselung nach relevanten Patientengruppen. Nur so lässt sich verhindern, dass ein technisch "gutes" Modell in der Praxis zu ungleicher oder ineffizienter Versorgung führt.