„`html<\/p>\n
Die akute Pankreatitis ist eine pl\u00f6tzliche Entz\u00fcndung der Bauchspeicheldr\u00fcse, die sich schnell zu schweren Formen entwickeln kann. J\u00e4hrlich sind weltweit zwischen 30 und 40 von 100.000 Einwohnern betroffen. Obwohl die meisten F\u00e4lle mild verlaufen und von selbst abheilen, entwickeln fast 30 % der Patienten schwere Komplikationen wie anhaltendes Organversagen oder infizierte Pankreasnekrosen. Diese Situationen erh\u00f6hen die Morbidit\u00e4t und Mortalit\u00e4t erheblich und unterstreichen die Bedeutung einer fr\u00fchzeitigen und angepassten Behandlung.<\/p>\n
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 st\u00fctzen sich auf Messungen, die in den ersten 48 Stunden durchgef\u00fchrt werden, was die Identifizierung von Risikopatienten verz\u00f6gert. Zudem ist ihre Genauigkeit begrenzt, mit Diskriminierungswerten von etwa 0,61 f\u00fcr den Ranson-Score und 0,67 f\u00fcr 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 Sensitivit\u00e4t von 42,5 %. Das bedeutet, dass sie vor allem schwere F\u00e4lle erkennen, wenn die Anzeichen offensichtlich sind, aber Schwierigkeiten haben, Patienten zu identifizieren, deren Zustand sich sp\u00e4ter verschlechtern wird.<\/p>\n
Um diese Grenzen zu \u00fcberwinden, kombiniert ein innovativer Ansatz k\u00fcnstliche Intelligenz, die Analyse medizinischer Bilder und klinische Daten. Diese Methode, Radiomik genannt, extrahiert quantitative Informationen aus Bildern, um Muster sichtbar zu machen, die f\u00fcr das menschliche Auge unsichtbar sind. Sie erm\u00f6glicht es, Merkmale wie Intensit\u00e4t, Textur oder die r\u00e4umliche Anordnung von Geweben zu erfassen. Eine weitere Technik, das Deep Learning, erkennt automatisch komplexe Muster in Bildern, ohne dass zuvor Kriterien definiert werden m\u00fcssen. Beide Ans\u00e4tze verwandeln die medizinische Bildgebung nicht nur in ein visuelles, sondern auch in ein quantitatives und pr\u00e4diktives Werkzeug.<\/p>\n
In dieser Studie wurden 284 Patienten mit akuter Pankreatitis analysiert. Davon wiesen 140, also fast die H\u00e4lfte, innerhalb von 30 Tagen nach der Aufnahme schwere Komplikationen auf. Modelle der k\u00fcnstlichen Intelligenz, die ausschlie\u00dflich auf Bildgebung basieren, erzielten bessere Ergebnisse als traditionelle Methoden, mit einer Genauigkeit von 0,77 f\u00fcr die Radiomik und 0,76 f\u00fcr Deep Learning. Die Integration von Laborwerten wie der Anzahl der wei\u00dfen Blutk\u00f6rperchen, 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 \u2013 eine deutliche Verbesserung im Vergleich zu anderen Ans\u00e4tzen.<\/p>\n
Die ausgew\u00e4hlten Biomarker spiegeln zentrale Prozesse der Erkrankung wider. So deutet beispielsweise der Harnstoffspiegel im Blut auf Dehydrierung und eine schlechte Nierenperfusion hin, w\u00e4hrend das C-reaktive Protein eine starke Entz\u00fcndung anzeigt. Ein niedriger Albuminspiegel ist mit einem erh\u00f6hten Risiko f\u00fcr Organversagen verbunden. Diese Marker erg\u00e4nzen die aus den Bildern gewonnenen Informationen und bieten so ein umfassenderes Bild vom Zustand des Patienten.<\/p>\n
Radiologen zeigen trotz ihrer Expertise moderate \u00dcbereinstimmungsdifferenzen bei der Bewertung von Bildern. Ihre begrenzte Sensitivit\u00e4t offenbart, dass einige Patienten, die schwere Komplikationen entwickeln, subtile Anomalien in den Bildern aufweisen, die visuell schwer zu erkennen sind. K\u00fcnstliche Intelligenz hingegen erkennt diese fr\u00fchen Anzeichen durch die Analyse Tausender quantitativer Merkmale.<\/p>\n
Dieser multimodale Ansatz, der Bildgebung und klinische Daten kombiniert, erm\u00f6glicht somit eine zuverl\u00e4ssigere Vorhersage von Komplikationen. Er k\u00f6nnte \u00c4rzten helfen, Hochrisikopatienten fr\u00fcher zu identifizieren, die \u00dcberwachung anzupassen und schnell gezielte Behandlungen einzuleiten. Allerdings sind diese Ergebnisse noch vorl\u00e4ufig und erfordern eine Validierung in gr\u00f6\u00dferen Studien, bevor sie in der klinischen Praxis weit verbreitet eingesetzt werden k\u00f6nnen.<\/p>\n
„`<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1007\/s00261-026-05588-w<\/a><\/p>\n Titre\u00a0:<\/strong> Multimodal AI for early prediction of adverse clinical outcomes in acute pancreatitis<\/p>\n Revue : <\/strong> Abdominal Radiology<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> 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<\/p>\n","protected":false},"excerpt":{"rendered":" „`html Verbessert k\u00fcnstliche Intelligenz die Vorhersage von Komplikationen bei akuter Pankreatitis? Die akute Pankreatitis ist eine pl\u00f6tzliche Entz\u00fcndung der Bauchspeicheldr\u00fcse, die sich schnell zu schweren Formen entwickeln kann. J\u00e4hrlich sind weltweit zwischen 30 und 40 von 100.000 Einwohnern betroffen. Obwohl die meisten F\u00e4lle mild verlaufen und von selbst abheilen, entwickeln fast 30 % der Patienten… Verbessert k\u00fcnstliche Intelligenz die Vorhersage von Komplikationen bei akuter Pankreatitis?<\/span> weiterlesen<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2,4],"tags":[],"class_list":["post-41","post","type-post","status-publish","format-standard","hentry","category-gesundheit","category-international","entry"],"_links":{"self":[{"href":"https:\/\/thepublichealthreview.com\/de\/wp-json\/wp\/v2\/posts\/41","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/thepublichealthreview.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/thepublichealthreview.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/thepublichealthreview.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/thepublichealthreview.com\/de\/wp-json\/wp\/v2\/comments?post=41"}],"version-history":[{"count":1,"href":"https:\/\/thepublichealthreview.com\/de\/wp-json\/wp\/v2\/posts\/41\/revisions"}],"predecessor-version":[{"id":42,"href":"https:\/\/thepublichealthreview.com\/de\/wp-json\/wp\/v2\/posts\/41\/revisions\/42"}],"wp:attachment":[{"href":"https:\/\/thepublichealthreview.com\/de\/wp-json\/wp\/v2\/media?parent=41"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/thepublichealthreview.com\/de\/wp-json\/wp\/v2\/categories?post=41"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/thepublichealthreview.com\/de\/wp-json\/wp\/v2\/tags?post=41"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}