Entwicklung eines Deep-Learning-Systems zur Identifizierung neuroophthalmologischer Erkrankungen auf farbigen Fundusfotos in der Notaufnahme (DEEP-VISION)

Künstliche Intelligenz (KI) hat in den letzten Jahren einen breiten Einzug in die Medizin gehalten und trägt insbesondere zu einer verbesserten Patientendiagnose bei. Die BONSAI-Studie „Brain and Optic Nerve Study with AI“, an der unser Team teilnimmt, hat erfolgreich die Fähigkeit der KI demonstriert, anhand eines einfachen Fundusbildes einzelne neuroophthalmologische oder neurologische Pathologien zu identifizieren, die die Sehnerven und/oder das Gehirn betreffen.

Obwohl dies ein vielversprechender Fortschritt ist, bleibt er in der aktuellen klinischen Praxis begrenzt. Unsere größte Herausforderung besteht darin, in der gleichen Analyse ein breiteres Spektrum an Pathologien des Sehnervs und/oder des Gehirns gleichzeitig zu identifizieren, um das Patientenmanagement zu verbessern, insbesondere für diejenigen, die an Notaufnahmen überwiesen werden. Tatsächlich können Komplikationen ohne genaue Diagnose irreversibel und lebensbedrohlich sein.

Zu den alarmierendsten klinischen Anzeichen in der Notaufnahme gehört das Stauungspapillenödem, das, begleitet von akuten Kopfschmerzen, auf das Vorliegen einer intrakraniellen Hypertonie, einer entzündlichen oder ischämischen Pathologie hinweisen kann. Letzteres kann eine Manifestation der Horton-Krankheit sein. Unser Team hat einen KI-Algorithmus zur Diagnose von Anomalien der Netzhaut und des Sehnervs entwickelt, der auf Retinofotos basiert, die unter idealen Bedingungen während geplanter Konsultationen aufgenommen wurden, und nicht auf Bildern von Patienten, die sich in der Notaufnahme vorstellen. In Krankenhäusern ohne augenärztliche Notaufnahme ist es unerlässlich, dass Notärzte (Notärzte, Allgemeinmediziner, Neurologen) in Abwesenheit eines Facharztes für Augenheilkunde den Fundus beurteilen können. Obwohl diese Beurteilung Teil der allgemeinen Untersuchung ist, stellt sie für Nicht-Augenärzte oft eine Herausforderung dar. Ziel unserer Studie ist es, die Leistung unseres KI-Algorithmus zu verbessern, damit er in der Notaufnahme zwischen verschiedenen Netzhaut- und Sehnervenpathologien unterscheiden kann. Wir planen daher, eine Datenbank mit Fundusbildern aufzubauen, indem wir prospektiv Patienten einbeziehen, die sich in den Notaufnahmen für Augenheilkunde und Neurologie des Fondation Adolphe de Rothschild-Krankenhauses vorstellen. Die Leistung des entwickelten Algorithmus wird anhand der Standardkriterien Sensitivität, Spezifität, Fläche unter der Kurve (AUC) und Genauigkeit bewertet.