Maschinelles Lernen zur Vorhersage des Krankheitsverlaufs bei idiopathischer Skoliose im Jugendalter

Hintergrund und Problemstellung Die Adoleszenten-Idiopathische-Skoliose (AIS) ist eine fortschreitende muskuloskelettale Erkrankung, die durch eine dreidimensionale Verformung der Wirbelsäule während der Adoleszenz gekennzeichnet ist. Die Diagnose wird üblicherweise bei einem Cobb-Winkel über 10° und einer axialen Rotation gestellt. Obwohl die genaue Ätiologie unbekannt bleibt, umfassen die führenden Theorien Gewebeanomalien (Muskelfasern, Knochenvolumen), beeinträchtigte spinale Biomechanik (asymmetrisches Knochenwachstum) und neurologische Faktoren (asymmetrische kortikale Dicke, zerebrale Lateralisation und Körperbildverzerrungen).

Der fortschreitende Charakter der AIS, insbesondere das hohe Risiko der Progredienz bei Beginn der Pubertät, erschwert die klinische Entscheidungsfindung. Die Behandlung ist traditionell in drei Phasen unterteilt:

Beobachtung und Bewegung: Für Cobb-Winkel zwischen 10°-25°.

Bewegung und Korsett: Für Cobb-Winkel zwischen 25°-45°.

Operation: Für Cobb-Winkel über 45°.

Trotz dieser Richtlinien ergeben sich durch den unvorhersehbaren Krankheitsverlauf und Schwierigkeiten bei der Therapietreue erhebliche Dilemmata. Insbesondere bei Fällen an der Grenze der Operationsindikation stehen Kliniker vor der Herausforderung, zwischen sofortiger Operation oder konservativer Überwachung zu wählen. Derzeit gibt es keine definitive Methode zur Vorhersage der Progredienz, und Patienten werden typischerweise in 6-monatigen Abständen überwacht. In diesen Intervallen kann sich der Zustand des Patienten stabilisieren oder signifikant verschlechtern.

Darüber hinaus empfehlen die Richtlinien das Tragen einer Orthese durchschnittlich 18 Stunden pro Tag, oft über mehrere Jahre. Diese Anforderung ist für Jugendliche körperlich und psychisch anspruchsvoll und führt aufgrund von ästhetischen Bedenken, funktionellen Einschränkungen und Hautreizungen zu schlechter Compliance. Die Unfähigkeit, die Progredienz vorherzusagen, führt oft zu Überbehandlung (unnötiges Korsett) oder Unterbehandlung (verzögerter Eingriff), die beide Risiken für die langfristige Gesundheit des Patienten darstellen.

Strahlenbedingte Bedenken Der Krankheitsverlauf wird mittels direkter Radiographie (Röntgen) überwacht. Häufige Bildgebung erhöht jedoch das lebenslange Krebsrisiko aufgrund kumulativer ionisierender Strahlung. Insbesondere wird das Risiko für Brustkrebs bei Mädchen mit AIS als etwa siebenmal höher im Vergleich zur gesunden Bevölkerung berichtet. Umgekehrt birgt eine Verlängerung der Nachuntersuchungsintervalle das Risiko, Fenster für eine frühzeitige Intervention zu verpassen. Ein künstliches Intelligenzmodell (KI-Modell), das die Kurvenprogredienz vorhersagen kann, könnte die Bildgebungsfrequenz optimieren, die Sicherheit gewährleisten und gleichzeitig die klinische Wirksamkeit erhalten.

Ziel und Methodik der Studie

Das primäre Ziel dieser Forschung ist die Entwicklung eines maschinellen Lernmodells zur Vorhersage des Cobb-Winkels nach einer 12-wöchigen Bewegungsintervention. Das Modell wird umfassende Baseline- und Nachbehandlungsdaten nutzen, einschließlich:

Demografische und anthropometrische Daten (Alter, Größe, Gewicht, Geschlecht).

Klinische Bewertungen (Cobb-Winkel, Risser-Zeichen, Wirbelsäulenrotationswinkel).

Funktionelle und physische Metriken (Rumpfmuskelkraft, maximaler Inspirations- und Exspirationsdruck [MIP/MEP], Biodex-Gleichgewichtsmessungen).

Visuelle Bewertungen (Walter Reed Skala für visuelle Deformität [WRVAS]).

Forschungshypothesen

Primäre Hypothese: Ein maschinelles Lernmodell, das mit Daten aus Vor- und Nachuntersuchungen trainiert wurde, kann den Cobb-Winkel nach 12 Wochen sowohl statistisch als auch klinisch signifikant vorhersagen.

Sekundäre Hypothese: Durch Vorhersage des Risikos der Progredienz (der Wahrscheinlichkeit eines Anstiegs des Cobb-Winkels) wird dieses Modell dazu beitragen, unnötige chirurgische Eingriffe, Überbehandlung (Korsett/Operation) und kumulative Röntgenbelastung zu reduzieren.