Screening koronarer Herzkrankheiten mithilfe künstlicher Intelligenz in der kontrastfreien Computertomographie (SAFE-CT)

Seit der letzten Aktualisierung der NICE-Richtlinien, die die Computertomographie-Koronarangiographie (CTCA) als erste Untersuchungslinie für Patienten mit Verdacht auf koronare Herzkrankheit (KHK) empfiehlt, kam es zu einer hohen Belastung des Gesundheitssystems und einer unnötigen Strahlenexposition und jodhaltigen Substanzen Kontrastmittel, insbesondere bei den Jüngsten. Etwa 35 % der Patienten, die sich derzeit einer CTCA unterziehen, haben normale Herzkranzgefäße, was bedeutet, dass diese Patienten unnötiger Strahlung und Kontrastmittel ausgesetzt waren. Eine CTCA-Screening-Strategie zum Ausschluss einer koronaren Herzkrankheit ist erforderlich, um den ALARA-Grundsätzen („As Low As Reasonable Achievable“) zu entsprechen, Strahlenrisiken zu verhindern, unnötige Scans zu reduzieren und Gesundheitsressourcen denjenigen zuzuweisen, die von einer CTCA profitieren.

Wir haben die SAFE-CT-Studie (Screening Coronary Artery Disease Using ArtiFicial Intelligence in Noncontrast Computed Tomography) entworfen, um eine hochmoderne Methode der künstlichen Intelligenz zu entwickeln, um CAD gemäß CTCA mithilfe hochdimensionaler Daten (Radiomics) zu erkennen, die aus dem Nichtkontrast extrahiert wurden -Kontrast-Herz-Computertomographie (CT). Das Modell wird an 15.000 Probanden trainiert, die mit gepaarter kontrastmittelfreier CT und CTCA gescannt wurden, und in einer unabhängigen Kohorte von 1.000 Probanden extern validiert. In einer vorläufigen Analyse verbesserten kontrastfreie CT-Radiomics die Calcium-Score-Leistung und unterschieden CAD mit einer AUC von 0,91 (95 %-KI: 0,83–1,00). Der Algorithmus wird in ein benutzerfreundliches Plugin umgewandelt, um automatisch zu entscheiden, ob der Patient Kontrastmittel benötigt. Für die prospektive Validierung der Software und die Schaffung einer groß angelegten proteomischen Biobank zur Unterstützung der weltweiten Übersetzung bildgebender Biomarker ist eine realitätsnahe multizentrische Kohortenstudie geplant.

SAFE-CT kann den aktuellen CT-Scan-Workflow verändern, indem eine Software entwickelt wird, die CAD bei mehr als einem Drittel der zur CTCA überwiesenen Patienten mit geringer Strahlung und ohne Kontrast genau ausschließt. Dieses genaue Modell des maschinellen Lernens wird optimiert, um eine Sensitivität von >90 % und einen negativen Vorhersagewert zu erreichen, und wird mehrere Vorteile für Patienten und das Gesundheitssystem mit sich bringen:

• Vermeidung von Strahlen- und Kontrastbelastungen.
• Erhöhte CTCA-Scankapazität für komplexe Fälle.
• Weit verbreiteter Einsatz der CT zum CAD-Ausschluss in der Notaufnahme und in Ambulanzen von Zentren ohne CTCA.
• Verbessertes Screening-Tool für CAD bei asymptomatischen Probanden.
• Reduzierung der Up- und Downstream-Kosten.

Das SAFE-CT-Projekt schlägt eine sicherere, kostengünstigere und personalisierte CTCA-Scanstrategie vor, die wissenschaftliche und technologische Innovationen fördert und das Potenzial hat, die Patientenversorgung und die klinische Praxis zu verbessern und dadurch gesellschaftliche und wirtschaftliche Auswirkungen zu haben.