Die pulmonalarterielle Hypertonie (PAH) stellt eine spezifische Form der pulmonalen Hypertonie dar, gekennzeichnet durch einen erhöhten Blutdruck in den Lungenarterien infolge eines erhöhten Gefäßwiderstands. Diese Erkrankung manifestiert sich durch unspezifische Symptome wie Atemnot bei Anstrengung und chronische Müdigkeit, was ihre frühzeitige Erkennung erschwert.
Ohne Behandlung kann die PAH in einem Rechtsherzversagen enden. Zur Behandlung setzen Mediziner derzeit auf eine Anfangstherapie mit einer Kombination aus selektiven pulmonalen Vasodilatatoren, die an drei unterschiedlichen Wirkmechanismen ansetzen.
Hohes Risiko für Patienten durch verzögerte Diagnosestellung
Trotz Fortschritten in der Behandlung und einer Senkung der Sterblichkeitsraten bleibt die Zahl der PAH-Patienten mit mittlerem bis größerem Risiko hoch. Eine verzögerte Diagnosestellung, häufig verursacht durch das Übersehen aussagekräftiger bildgebender Befunde und klinischer Symptome, trägt wesentlich zu diesem Problem bei.
Bietet CAD eine Perspektive in der frühzeitigen Diagnostik von PAH?
Die computergestützte Erkennung /Diagnose (computer-aided detection/diagnosis [CAD]) unterstützt die Detektion von Anomalien oder Krankheiten. CAD-Systeme, entwickelt mithilfe von Deep-Learning-Methoden, haben bereits ihre Nützlichkeit in der Erkennung von anderen Pathologien der Lunge anhand von Röntgenbildern bewiesen. Insbesondere bei der PAH steht die Entwicklung eines solchen Algorithmus noch aus.
Entwicklung und Testung eines Deep-Learning-Algorithmus für PAH
In einer Arbeit wurde versucht, einen Deep-Learning-Algorithmus zur Erkennung von PAH auf Basis von Röntgenbildern des Thorax zu entwickeln und zu testen.
Studie verglich KI mit Diagnosekompetenz von Ärzten
Um die Effizienz des Algorithmus zu prüfen, wurden Röntgenaufnahmen aus der Bilddatenbank des Chiba University Hospitals von 145 PAH-Patienten und von 260 Kontrollpersonen ausgewählt. Ein Teil der Bilder diente zum Trainieren und der Rest zum Testen des Algorithmus, der jedem Testbild eine PAH-Wahrscheinlichkeit zwischen 0 und 1 zuordnete. Zusätzlich wurde die Diagnosegenauigkeit des Algorithmus mit der von Fachärzten anhand desselben Datensatzes verglichen.
Überlegene Erkennungsleistung durch CAD-Algorithmus
Die Studie zeigte, dass der entwickelte KI-Algorithmus eine hohe Sensitivität und Spezifität bei der Erkennung von PAH aufwies. Diese Ergebnisse unterstreichen die präzise Erkennungsfähigkeit eines solchen Algorithmus im Vergleich zu traditionellen Methoden. Es zeigte sich, dass der Algorithmus sowohl bei männlichen als auch bei weiblichen Patienten hohe Werte in der Fläche unter der Kurve (Area under the curve [AUC]) erreichte, was seine robuste Leistungsfähigkeit über verschiedene Patientengruppen hinweg bestätigt.
Überlegenheit der KI im Vergleich mit der Leistung von Ärzten
Im Vergleich zu den neun beteiligten Ärzten demonstrierte der KI-Algorithmus eine signifikant überlegene Leistung.
Weitere Studien gefordert, um Überlegenheit der KI zu validieren.
Die überlegene Leistung des KI-Algorithmus im Vergleich zu erfahrenen Ärzten zeigt, dass KI-Technologien eine wertvolle Unterstützung im diagnostischen Prozess darstellen können, indem sie die Genauigkeit erhöhen und möglicherweise die Früherkennung verbessern. Diese Fortschritte könnten zu einer optimierten Patientenversorgung und -behandlung beitragen.
Allerdings sind weitere klinische Studien notwendig, um den Beitrag dieses Algorithmus zur PAH-Detektion genauer zu untersuchen, da beispielsweise die begrenzte Anzahl von Bildern im Studiendatensatz und die Verwendung von Röntgenaufnahmen aus unterschiedlichen Bildgebungsgeräten die Genauigkeit beeinflusst haben könnten. Zukünftige Studien sollten eine größere Population einschließen und für die Bildgebungstechnologie konstante Bedingungen sicherstellen.
