Auf künstlicher Intelligenz basierende Klassifikatoren zur Vorhersage von Ergebnisparameter und Steinfreiheitsstatus nach perkutaner Nephrolithotomie bei Staghornsteinen

STONE DESIASES Manipal – Zur präoperativen Abschätzung des Outcomes einer perkutanen Lithotripsie (PNL) sind in die letzten Jahren verschiedene Algorithmen vorgestellt worden, wobei deren Anwendung in der Klinik sehr limitiert blieb und entsprechend kaum externe Validationen vorgenommen werden konnten. Entsprechend beschränkt sich ihre Anwendung bisher hautpsächlich das das Gebiet der Forschung. Die Hauptlimitation dieser Algorithmen, welche auf verschiedenen Variabeln basieren, liegt hauptsächlich in der Auswahl der Variabeln, welche meist nach der subjektiven Wahrnehmung und Präferenz des Chirurgen erfolgt. In der nachfolgend vorgestellten Arbeit von B M Zeeshan Hameed und Kollegen, welche in der Mai-Ausgabe der Fachzeitschrift JOURNAL OF ENDOUROLOGY publiziert wurde, versuchten die Autoren aus der urologischen Abteilung des Kasturba Medical College Manipal in Manipal, Inien, die oben erwähnte Limitation durch die Anwendung künstlicher Intelligenz (AI) zu umgehen. Gemäss Autoren erlaubt Machine Learning den Ein- bw. Ausschluss einer Vielzahl an Variabeln mit einer Anpassung der prädiktiven Modells nach Eingabe neuer Daten. In die Studie mit retrospektivem Design fanden 100 Patienten mit CT-grafisch gesicherten partiellen oder vollständigen Ausgusskonkrementen, welche einer PNL zugeführt wurden. Verschiedenste Variabeln wie medizinische Vorgeschichte, Charakteristika der Nierensteine, Steinzusammensetzung, biochemische Parameter und renale Anatomie wurden in den Machine Learning Prozess eingspiesen. Als Endpunkt definierten die Autoren die Steinfreiheitsrate (SFR) nach postoperativer Bildgebung, wobei leider weder Definition der SFR noch deren Erhebungszeitpunkt angegeben wurden. Der AI-Algorithmus erreichte im Anschluss eine Vorhersagegenauigkeit von 81%. Insbesondere im Gebiet der Onkologie hat die AI bereits in den letzten Jahren Einzug gehalten, zunehmend findet sie nun auch Anwendung in anderweitigen medizinischen Fachdisziplinen. (fa/um)

Autoren: B M Zeeshan Hameed 1 2 3, Milap Shah 1 3, Nithesh Naik 3 4, Harneet Singh Khanuja 5, Rahul Paul 6, Bhaskar K Somani 3 7, Korrespondenz: 1 Department of Urology, Kasturba Medical College Manipal, Manipal Academy of Higher Education, Manipal, Karnataka, India. 2 KMC Innovation Centre, Manipal Academy of Higher Education, Manipal, Karnataka, India. 3 iTRUE (International Training and Research in Uro-oncology and Endourology) Group, Manipal, Karnataka. 4 Department of Mechanical and Manufacturing Engineering, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, Karnataka, India. 5 Information and Communication Technology, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, India. 6 Department of Radiation Oncology, Massachusetts General Hospital, Boston, Massachusetts, USA. 7
Department of Urology, University Hospital Southampton NHS Trust, Southampton, United Kingdom., Studie: Application of Artificial Intelligence-Based Classifiers to Predict the Outcome Measures and Stone-Free Status Following Percutaneous Nephrolithotomy for Staghorn Calculi: Cross-Validation of Data and Estimation of Accuracy, Quelle:J Endourol. 2021 May 20.doi: 10.1089/end.2020.1136. Online ahead of print. Web: https://www.liebertpub.com/doi/10.1089/end.2020.1136

Kommentar

Die Autoren beschreiben gemäss ihrer Aussage die erstmalige Anwendung von AI zur Prädiktion der SFR nach PNL. Bis zur klinischen Anwendung einer entsprechenden AI ist es sicherlich noch ein langer Weg, nichtsdestotrotz ist die vorliegende Studie ein weiterer Schritt in der Digitalisierung der Medizin. AI findet in immer mehr Bereichen den Medizin Anwendung, wir dürfen gespannt sein, was in den nächsten Jahrzehnten für Fortschritte und Erkenntnisse daraus resultieren werden. (fa)

Autor: Dr. med. Fabian Aschwanden, Assistenzarzt Lucerner Kantonspital