„`html

Verbessert künstliche Intelligenz die Vorhersage von Komplikationen bei akuter Pankreatitis?

Die akute Pankreatitis ist eine plötzliche Entzündung der Bauchspeicheldrüse, die sich schnell zu schweren Formen entwickeln kann. Jährlich sind weltweit zwischen 30 und 40 von 100.000 Einwohnern betroffen. Obwohl die meisten Fälle mild verlaufen und von selbst abheilen, entwickeln fast 30 % der Patienten schwere Komplikationen wie anhaltendes Organversagen oder infizierte Pankreasnekrosen. Diese Situationen erhöhen die Morbidität und Mortalität erheblich und unterstreichen die Bedeutung einer frühzeitigen und angepassten Behandlung.

Aktuell basieren die traditionellen Methoden zur Beurteilung der Schwere einer akuten Pankreatitis auf klinischen Scores wie denen von Ranson oder Glasgow-Imrie. Diese Werkzeuge haben jedoch Grenzen. Sie stützen sich auf Messungen, die in den ersten 48 Stunden durchgeführt werden, was die Identifizierung von Risikopatienten verzögert. Zudem ist ihre Genauigkeit begrenzt, mit Diskriminierungswerten von etwa 0,61 für den Ranson-Score und 0,67 für den Glasgow-Imrie-Score. Radiologen bewerten ihrerseits Kontrastmittel-CT-Bilder, doch ihre visuelle Beurteilung erreicht im Durchschnitt eine Genauigkeit von 0,63 bei einer geringen Sensitivität von 42,5 %. Das bedeutet, dass sie vor allem schwere Fälle erkennen, wenn die Anzeichen offensichtlich sind, aber Schwierigkeiten haben, Patienten zu identifizieren, deren Zustand sich später verschlechtern wird.

Um diese Grenzen zu überwinden, kombiniert ein innovativer Ansatz künstliche Intelligenz, die Analyse medizinischer Bilder und klinische Daten. Diese Methode, Radiomik genannt, extrahiert quantitative Informationen aus Bildern, um Muster sichtbar zu machen, die für das menschliche Auge unsichtbar sind. Sie ermöglicht es, Merkmale wie Intensität, Textur oder die räumliche Anordnung von Geweben zu erfassen. Eine weitere Technik, das Deep Learning, erkennt automatisch komplexe Muster in Bildern, ohne dass zuvor Kriterien definiert werden müssen. Beide Ansätze verwandeln die medizinische Bildgebung nicht nur in ein visuelles, sondern auch in ein quantitatives und prädiktives Werkzeug.

In dieser Studie wurden 284 Patienten mit akuter Pankreatitis analysiert. Davon wiesen 140, also fast die Hälfte, innerhalb von 30 Tagen nach der Aufnahme schwere Komplikationen auf. Modelle der künstlichen Intelligenz, die ausschließlich auf Bildgebung basieren, erzielten bessere Ergebnisse als traditionelle Methoden, mit einer Genauigkeit von 0,77 für die Radiomik und 0,76 für Deep Learning. Die Integration von Laborwerten wie der Anzahl der weißen Blutkörperchen, dem C-reaktiven Protein oder der Laktatdehydrogenase verbesserte die Leistung weiter. Das Modell, das Radiomik und klinische Daten kombiniert, erreichte eine Genauigkeit von 0,80 – eine deutliche Verbesserung im Vergleich zu anderen Ansätzen.

Die ausgewählten Biomarker spiegeln zentrale Prozesse der Erkrankung wider. So deutet beispielsweise der Harnstoffspiegel im Blut auf Dehydrierung und eine schlechte Nierenperfusion hin, während das C-reaktive Protein eine starke Entzündung anzeigt. Ein niedriger Albuminspiegel ist mit einem erhöhten Risiko für Organversagen verbunden. Diese Marker ergänzen die aus den Bildern gewonnenen Informationen und bieten so ein umfassenderes Bild vom Zustand des Patienten.

Radiologen zeigen trotz ihrer Expertise moderate Übereinstimmungsdifferenzen bei der Bewertung von Bildern. Ihre begrenzte Sensitivität offenbart, dass einige Patienten, die schwere Komplikationen entwickeln, subtile Anomalien in den Bildern aufweisen, die visuell schwer zu erkennen sind. Künstliche Intelligenz hingegen erkennt diese frühen Anzeichen durch die Analyse Tausender quantitativer Merkmale.

Dieser multimodale Ansatz, der Bildgebung und klinische Daten kombiniert, ermöglicht somit eine zuverlässigere Vorhersage von Komplikationen. Er könnte Ärzten helfen, Hochrisikopatienten früher zu identifizieren, die Überwachung anzupassen und schnell gezielte Behandlungen einzuleiten. Allerdings sind diese Ergebnisse noch vorläufig und erfordern eine Validierung in größeren Studien, bevor sie in der klinischen Praxis weit verbreitet eingesetzt werden können.

„`

Sources

À propos de cette étude

DOI : https://doi.org/10.1007/s00261-026-05588-w

Titre : Multimodal AI for early prediction of adverse clinical outcomes in acute pancreatitis

Revue : Abdominal Radiology

Éditeur : Springer Science and Business Media LLC

Auteurs : Ahmet Yasin Karkas; Yavuz B. Taktak; Burak Gultekin; Ziliang Hong; Halil Ertugrul Aktas; Deniz Seyithanoglu; Timurhan Cebeci; Alper Akin; Ece Elustu; Kerem Arisin; Ali Canturk; Mehmet Ilhan; Naci Senkal; Michael B. Wallace; Abraham F. Bezuidenhout; Frank H. Miller; Alpay Medetalibeyoglu; Mehmet Semih Cakir; Gorkem Durak; Ulas Bagci; Sukru Mehmet Erturk