Künstliche Intelligenz zur Verbesserung der Erkennung und Risikostratifizierung akuter Lungenembolie (AID-PE) (AID-PE)

Eine akute Lungenembolie (PE) entsteht durch einen teilweisen oder vollständigen Verschluss der Lungenblutgefäße durch einen Thrombus, der zu Rechtsherzversagen und Tod führen kann, wenn er nicht frühzeitig diagnostiziert und behandelt wird. Akute PE ist eine häufige Erkrankung mit steigender Sterblichkeit. Patienten mit akuter LE sind trotz klarer Leitlinien oft nur unzureichend risikostratifiziert. Tatsächlich hat die National Confidential Inquiry into Patient-Related Outcome and Death (NCEPOD) für akute PE aus dem Jahr 2019 die Notwendigkeit hervorgehoben, der Verschlechterung der Sterblichkeitsraten durch eine angemessene Risikostratifizierung der Erkrankung entgegenzuwirken.

Die ESC/ERS-Leitlinien für die Diagnose und Behandlung akuter LE weisen auch auf die Bedeutung der Risikostratifizierung hin. Ein erhöhtes Verhältnis von rechtem zu linkem Ventrikel (RV:LV) > 1,0 im Computertomographie-Lungenangiogramm (CTPA) ist mit einem 2,5-fach erhöhten Risiko für Gesamtmortalität und einem 5-fach erhöhten Risiko für PE-bedingte Mortalität verbunden. Diese Metrik soll Ärzten dabei helfen, zwischen Patienten mit akuter PE mit hohem und niedrigem Risiko zu unterscheiden. Patienten mit hohem Risiko (RV:LV-Verhältnis > 1,0) erfordern eine genauere Überwachung im stationären Bereich. Patienten mit niedrigem Risiko (RV:LV-Verhältnis < 1,0) eignen sich dagegen für eine frühzeitige Entlassung auf ambulanten Wegen.

Daher hat die Bereitstellung von RV:LV-Metriken im Rahmen der radiologischen Berichterstattung möglicherweise wichtige klinische Auswirkungen. Wenn Ärzten keine quantifizierbaren Beweise für eine RV-Dysfunktion zur Verfügung gestellt werden, auf die sie ihre Behandlungsentscheidungen stützen könnten, könnten Patienten mit akuter LE mit hohem Risiko unbeabsichtigt als „geringes Risiko“ eingestuft und nach Hause entlassen werden. Darüber hinaus müssen Patienten mit einer akuten PE mit geringem Risiko möglicherweise längere und möglicherweise unnötige stationäre Aufenthalte hinnehmen, was zweifellos zu den Kosten der Gesundheitsversorgung beiträgt. Die Integration der Technologie der künstlichen Intelligenz (KI) in die radiologische Berichterstattung über CTPAs bei akuter PE könnte eine mögliche Lösung zur Bewältigung dieser Herausforderung sein.

KI ist eine zunehmend attraktive Technologie im Gesundheitswesen. Es beschreibt eine Reihe von Computersoftwaretechniken, die die kognitiven Funktionen des Menschen nachahmen. KI ist vielversprechend hinsichtlich der Fähigkeit, akute PE zu erkennen und einer Risikostratifizierung zu unterziehen. Die meisten Studien wurden jedoch in retrospektiven Kohorten durchgeführt. Darüber hinaus hat sich keine aktuelle Studie mit den gesundheitsökonomischen Auswirkungen der Implementierung von KI-Technologie in der realen Berichterstattung über akute PE befasst.

Diese Beobachtungsstudie wird vom Royal United Hospital Bath NHS Trust (RUH) geleitet. Ziel dieser Studie ist es, künstliche Intelligenz und maschinelle Lerntechnologie in die Berichterstattung über CTPAs für akute PE zu integrieren. Die Forscher gehen davon aus, dass KI-Technologie die schnelle Diagnose, Risikostratifizierung und das Management akuter PE in einem realen klinischen Umfeld verbessern kann. Die Forscher gehen außerdem davon aus, dass die Integration der KI-Technologie kostengünstig und für Radiologen und Kliniker akzeptabel ist.

Bei den Patienten, deren Scans in die Studie einbezogen werden, handelt es sich um alle Patienten, die sich 12 Monate vor (Vergleichskohorte) und 12 Monate nach (Interventionskohorte) „Live“-Einführung der integrierten KI-Technologie-Berichterstattung nacheinander mit der möglichen Diagnose einer akuten PE beim RUH vorstellen . Für alle rekrutierten Teilnehmer wird ein anonymisiertes Fallberichtsformular für Kliniker verwendet, um Details zu ihrer Demografie, dem klinisch-radiologischen PE-Schweregrad, ihrem Management und den Ergebnissen, einschließlich der Mortalität nach 12 Monaten, zu erfassen.

Zum Zeitpunkt der Analyse führen die Forscher Anpassungen/Abgleiche zwischen den beiden Kohorten hinsichtlich der Ausgangsmerkmale des Patienten durch. Die Ermittler werden auch den Kalenderzeitpunkt der Rekrutierung anpassen, um zeitliche Trends zu berücksichtigen. Die Analyse beider Kohorten wird auch die Entwicklung eines Entscheidungsanalysemodells ermöglichen, um die Kosteneffizienz der integrierten KI-Technologie im CTPA-Bericht für akute PE zu bewerten. Zur Beurteilung der Benutzerakzeptanz werden Fragebögen von Klinikern und Radiologen verwendet.