Künstliche Intelligenz zur Prädiktion der postoperativen/postablativen Nierenfunktion bei älteren und/oder komorbiden Patienten mit lokal begrenztem Nierentumor

• Antragstellerin: Privatdozentin Dr. Annemarie Uhlig
• Fachliche Zuordnung: Reproduktionsmedizin, Urologie ; Nuklearmedizin, Strahlentherapie, Strahlenbiologie
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 511948726

Die akute Nierenschädigung (Acute Kidney Injury; AKI) und die chronische Niereninsuffizienz (Chronic Kidney Disease; CKD) sind ernst zu nehmende Komplikationen der operativen/ablativen Therapie lokalisierter Nierentumoren. Insbesondere alte und komorbide Patienten weisen ein erhöhtes AKI-/CKD-Risiko auf. Indes wiegen die Folgen einer Nierenschädigung gerade bei diesen Patienten besonders schwer: Sie haben einen relevanten Einfluss auf „in-hospital“ Mortalitätsraten sowie Kurz- und Langzeit-Überleben. Aktuell sind nur wenige Prädiktionsmodelle für eine posttherapeutische AKI/CKD verfügbar bzw. ihre klinische Relevanz ist eingeschränkt. Daten aus der prätherapeutischen Bildgebung werden in derzeitigen Prädiktionsmodellen nicht berücksichtigt, obwohl initiale Studien eine Korrelation zwischen Bildgebungsmerkmalen und posttherapeutischer Nierenfunktion zeigen konnten. Übergeordnetes Ziel des beantragten Projekts ist daher die Entwicklung von Risikomodellen für eine posttherapeutische AKI/CKD durch eine Kombination von klinischen Daten und der prätherapeutischen Computertomographien (CT), wofür Künstliche Intelligenz (KI) eingesetzt wird. Ein besonderer Projektfokus liegt auf älteren und komorbiden Nierentumorpatienten: Für diese vulnerable Patientenpopulation sollen individualisierte Therapiekonzepte möglich werden.In der 12-monatigen retrosektiven Kohortenstudie werden 2 unterschiedliche KI-Ansätze untersucht: 1) Einsatz von Radiomics in Kombination mit Maschinellem Lernen (ML) 2) Einsatz von Deep Learning-(DL-)Algorithmen Folgende Vergleiche sind geplant: i) Prädiktion AKI/CKD durch klinische Daten alleine ii) Prädiktion AKI/CKD mittels klinischer Daten + Radiomics und ML iii) Prädiktion AKI/CKD mittels klinischer Daten + DL Als Resultat der Vergleiche wird der Ansatz mit der besten Prädiktionsgüte für die weiteren Analysen ausgewählt. Von besonderer Relevanz sind die Vergleiche von Patienten <65 Jahre vs. ≥65 Jahre sowie von Patienten ohne/mit wenig Komorbiditäten vs. komorbide Patienten: Zum Projektabschluss werden Risikomodelle für AKI und CKD erstellt; gegebenenfalls separat für die jeweiligen Alters- und Komorbiditätsgruppen. Das Projekt beinhaltet 6 Arbeitspakete, von denen das erste eine Komplettierung der bereits vorhanden klinisch-radiologischen Datenbank vorsieht. Hierzu werden studentische Hilfskräfte und ein:e Datenbankmanager:in eingesetzt. Die Algorithmusentwicklung und Validierung erfolgen unter der Leitung der Antragstellerin im Rahmen bereits etablierter Kooperationen: für Radiomics und ML mit Herrn Dr. Andreas Leha (Institut für medizinische Biostatistik, Universitätsmedizin Göttingen, UMG) bzw. für DL mit Frau Hazal Timuçin (Institut für medizinische Bioinformatik, UMG). Die übrigen Analysen (Vergleich der Algorithmusperfomance und die Erstellung alters-/komorbiditätsabhängiger Risikomodelle) sowie die Ergebniszusammenfassung erfolgen maßgeblich durch die Antragstellerin.

• DFG-Verfahren: Sachbeihilfen