Prädiktion der Erfolgsaussichten der endovaskulären Therapie des akuten Schlaganfalls unter besonderer Rücksichtnahme auf gängige Fehlerquellen bei der Anwendung von künstlicher Intelligenz in der Medizin

• Antragsteller: Dr. Quirin Strotzer
• Fachliche Zuordnung: Nuklearmedizin, Strahlentherapie, Strahlenbiologie ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Klinische Neurologie; Neurochirurgie und Neuroradiologie ; Medizininformatik und medizinische Bioinformatik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 522669021

Der zerebrale Schlaganfall stellt weltweit eine der häufigsten Ursachen für Behinderung und Tod dar, wobei der ischämische Insult dabei den größten Anteil hat. Neben der intravenösen Thrombolyse ist die endovaskuläre Therapie mittels mechanischer Thrombektomie (interventionelle Entfernung des Blutgerinnsels mit z.B. über die Leiste eingebrachter Drähte und Katheter) die wichtigste Therapieoption des akuten, ischämischen Schlaganfalls. Durch die gezielte Auswahl von für die Thrombektomie geeigneter Patient:innen könnten die Erfolgsquoten deutlich gesteigert und gleichzeitig die finanziellen und personellen Ressourcen geschont werden. Aufgrund der zeitkritischen Natur ist es für das klinische Personal jedoch beinahe unmöglich, bei der Indikationsstellung zur interventionellen Therapie die Menge aller nötigen Informationen zu berücksichtigen und richtig einzuordnen. Eine umfassende Lösung, welche im klinischen Kontext akzeptable Vorhersagewerte zu den Erfolgsaussichten der endovaskulären Therapie des akuten Schlaganfalls liefert, existiert noch nicht. Da zur Entscheidungsfindung eine große Menge verschiedener Daten (klinische Parameter, Bildgebung, etc.) ausgewertet werden müssen, bietet sich die Anwendung von Methoden aus dem Gebiet der künstlichen Intelligenz (KI) an. Diese sind aufgrund der potentiell weitreichenden Folgen für Patient:innen jedoch mit besonderer Vorsicht zu handhaben. Unter anderem können Modelle einen in den Trainingsdaten vorhandenen Bias aufnehmen und verstärken oder zu Fehlerhaften Vorhersagen bei unterrepräsentierten Daten führen. Unter Zuhilfenahme von Methoden der künstlichen Intelligenz soll ein Modell entwickelt werden, welches anhand klinischer und bildmorphologischer Parameter die Erfolgsaussichten einer mechanischen Thrombektomie zur Therapie des akuten Schlaganfalls abschätzt und somit im akuten Setting bei der Indikationsstellung und Therapieplanung unterstützt. Hierbei wird auch analysiert, welche Faktoren den größten Einfluss auf das Outcome haben. Zu diesem Zweck wird eine multizentrische Datenbank mit klinischen Parametern und Bilddaten erstellt, welche auch prospektiv erweitert wird. Da die Forschung im Bereich der KI in der Medizin meist rein theoretischer Natur ist und gewonnene Erkenntnisse und entwickelte Modelle nur selten ihren Weg in die klinische Anwendung finden, soll der Bogen zur klinischen Anwendung im Rahmen einer anschließenden prospektiven klinischen Validierung gespannt werden. Beginnend mit der Datenkollektion, über die Modellentwicklung und die Evaluation, bis zur prospektiven Validierung wird ein besonderes Augenmerk auf die Gefahren (z.B. Datenleckagen) gelegt, welche in der Regel zu Fehlfunktionen von KI-Modellen führen. Somit wird ein Modell erhalten, welches wirklich von klinischem Mehrwert ist.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: USA
• Gastgeber: Professor Rajiv Gupta, Ph.D.