Subscribe to RSS
DOI: 10.1055/s-0042-1749894
CT-Features in der CTEPH – Relevanz sowie KI-basierte Prädiktionsmodelle klinisch relevanter Endpunkte
Zielsetzung Im Statement der Fleischner Gesellschaft zur pulmonalarteriellen Hypertonie (PAH) ergeben sich trotz bekannter Korrelationen von CT-Parametern zur pulmonalen Hämodynamik Hürden: 1. Unklarheit der Relevanz einzelner CT-Parameter, 2. Insuffizienz des oft prädiktiv verwendeten Tr. pulmonalis Durchmessers, 3. Unzulänglichkeit CT-abgeleiteter Prädiktionsmodelle. Ziel der Studie war es alle gängigen CT-Parameter an einer Kohorte von Patienten mit chronisch thrombembolischer PAH (CTEPH) in Zusammenschau mit dem Rechtsherzkatheter auf ihre Relevanz hin zu evaluieren. Zusätzlich wurden erstmalig KI-Algorithmen zur Prädiktion eingesetzt.
Material und Methoden Von 129 diagnostizierten CTEPH-Patienten mit präoperativem Rechtsherzkatheter sowie Kardio-CT wurden 17 qualitative (z.B. Vorhofdurchmesser) und quantitative (z.B. KM-Rückstau) CT-Parameter sowie 4 Werte aus dem Rechtsherzkatheter (z.B. Pulmonalissättigung) für die Analyse herangezogen. Neben multiparametrischer Statistik standen machine learning Modelle zur Prädiktion aus den CT-Daten im Vordergrund.
Ergebnisse Die stärksten Korrelationen (r= 0.5, p=<0.0001) konnten für Durchmesser der li. Pulmonalarterie zum pulmonalarteriellen Mitteldruck, Quotient aus re. Vorhof/li. Ventrikel zur Pulmonalissättigung sowie kurzer Achse des re. Atriums zum atrialen Mitteldruck gezeigt werden. Patienten mit Kontrastmittelrückstau in die Lebervenen zeigten hoch-signifikant geringere Sauerstoffsättigungen bzw. höhere pulmonale Mitteldrücke. Das random forest Modell erreichte in der Prädiktion des pulmonalen Mitteldrucks eine AUC von 0.82, in der Pulmonalissättigung von 0.74. KM-Rückstau war gemäß correlation-based filtering neben den Achsenquotienten der wichtigste Prädiktor.
Schlußfolgerungen Neben dem pulmonalarteriellen Durchmesser stellen Achsenquotienten die relevantesten CT-Parameter dar, während die Bedeutung der qualitativen Features bis dato in ihrer prädiktiven Relevanz unterschätzt wurde. Maschinelle Lernalgorithmen erlauben hierbei eine Prädiktion klinisch relevanter Endpunkte.
Publication History
Article published online:
29 August 2022
© 2022. Thieme. All rights reserved.
Georg Thieme Verlag
Rüdigerstraße 14, 70469 Stuttgart, Germany