Vorteile des maschinellen Lernens zur Diagnose tiefer Venenthrombosen im Vergleich zum Goldstandard-Ultraschall

„AutoDVT“ ist ein Softwaresystem, das entwickelt wurde, um nicht spezialisierte Bediener wie Krankenschwestern, Allgemeinmediziner (GP) und andere Angehörige der Gesundheitsberufe bei der Diagnose von DVT zu unterstützen. Die Software verwendet einen "Maschinenlern"-Algorithmus, wie unten beschrieben.

Diese Studie zielt darauf ab, den derzeitigen mühsamen, zeitaufwändigen und teuren diagnostischen DVT-Pfad zu verbessern.

Venenthrombosen (VT) treten häufig in den tiefen Beinvenen sowie in den tiefen Venen des Beckens auf. DVTs können in oberhalb des Knies (Iliakal-, Oberschenkel-, Kniekehlenvenen) und unterhalb des Knies (Wadenvenen) unterteilt werden.

Es ist bekannt, dass TVT sowohl zum Zeitpunkt der Diagnose als auch nach der Diagnose eine weltweit signifikante Morbidität und Mortalität verursacht. Zwischen 30 und 50 Prozent der Patienten, bei denen eine TVT diagnostiziert wurde, entwickeln im weiteren Verlauf ein postthrombotisches Syndrom, das einen erheblichen Einfluss auf die langfristige Lebensqualität der Patienten hat. Patienten mit TVT sind auch gefährdet, eine tödliche Lungenembolie (PE) zu entwickeln. Laut Charity Thrombosis United Kingdom (UK) stirbt in Industrieländern alle 37 Sekunden ein Mensch an einer VT.

Zwischen 75 und 88 Prozent der Verdachtsfälle einer TVT sind bei vollständiger Untersuchung negativ. Die Kosten für die Diagnose einer TVT lagen vor über zehn Jahren zwischen 42 und 202 britischen Pfund (£), so dass die Kosten für den NHS für die Untersuchung aller Patienten mit TVT-Symptomen etwa 175 Millionen £ jährlich betrugen, wie in der Studie „Non- invasive Diagnose tiefer Venenthrombosen durch Ultraschallbildgebung mit maschinellem Lernen“ von Prof. Kainz vom Imperial College London.

Es ist wichtig zu beachten, dass dieser Wert keine zusätzlichen indirekten Kosten wie Arbeitsausfall, Krankenhausaufenthalte, Behandlungskosten und Kosten für wiederholte Ultraschalluntersuchungen berücksichtigt. Es ist schwierig, eine TVT allein durch eine klinische Untersuchung zu diagnostizieren. Der derzeitige Standardansatz zur Diagnose einer proximalen TVT umfasst einen Algorithmus, der Vortestwahrscheinlichkeit (Wells-Score), D-Dimer-(Blut-)Test und Kompressions-Ultraschall (typischerweise eine Dreipunkt-Kompressionsuntersuchung) kombiniert.

Es sind neue handgehaltene Ultraschallsonden (US) verfügbar, d. h. nur die US-Sonde wird für diagnostische Zwecke in Verbindung mit einem Mobiltelefon oder Tablet benötigt. Obwohl die neuen handgehaltenen Sonden derzeit kleiner und besser für die Point-of-Care-Diagnose geeignet sind, benötigen sie immer noch einen erfahrenen Radiologen oder Sonographen, um die Dreipunkt-Kompressionsuntersuchung durchzuführen.

Das bedeutet, dass diese Geräte nur dort eingesetzt werden können, wo Spezialisten wie MTRA oder Radiologen ihren Sitz haben. Aufgrund der jüngsten Fortschritte beim „maschinellen Lernen“ wurde nun jedoch eine Software für diese „App-basierten“ Sonden entwickelt, die nicht spezialisiertes medizinisches Fachpersonal dabei unterstützen kann, die Kompressions-US-Untersuchung mit minimalem Training durchzuführen und zwischen DVT und nicht zu unterscheiden TVT.

Die vorherige Datenerhebungsstudie für dieses Gerät am Oxford University Hospital (OUH) wurde hauptsächlich zur Verbesserung der AutoDVT-Software verwendet, aber sie hob auch in einer kleinen Pilotstudie hervor, dass diese Technologie eine ähnliche diagnostische Testgenauigkeit wie Standard-Kompressions-US hatte. Die in diesem Protokoll beschriebene Studie wird diese Hypothese testen.