Meta-Analyse und systematisches Review: Was leistet maschinelles Lernen bei der Diagnose der Frühgeborenen-Retinopathie?

PEDIATRICS & STRABISM Changsha – Die frühzeitige Erkennung der Frühgeborenen-Retinopathie (ROP) ist entscheidend für die Verhinderung von Netzhautablösung und Erblindung bei Frühgeborenen und daher von grosser klinischer Relevanz. Yihang Chu, Shipeng Hu et al. von der Central South University of Forestry and Technology in Changsha, Hunan, China, wollten die Leistungsfähigkeit von maschinellem Lernen (ML) bei der Diagnose der ROP bewerten und herausfinden, ob damit ein effektives automatisiertes Diagnosewerkzeug für die klinische Anwendung entwickelt werden kann. Die Publikationsdatenbanken Web of Science, PubMed, Embase, IEEE Xplore und Cochrane Library wurden von Beginn an bis zum 1. Oktober 2022 nach Studien zu bildanalysebasiertem ML zur Diagnose von ROP oder zur Klassifizierung klinischer Subtypen durchsucht. Das Quality Assessment Tool for Artificial Intelligence-centered Diagnostic Test Accuracy Studies wurde verwendet, um das Verzerrungsrisiko (RoB) der eingeschlossenen Originalstudien zu bestimmen. Für die quantitative Analyse der Daten wurde ein bivariates Mixed-Effects-Modell und für die Berechnung des Publikationsbias der Deek-Test verwendet. Die Qualität der Evidenz wurde nach der GRADE-Methodik bewertet. Insgesamt wurden 22 Studien in das systematische Review eingeschlossen; vier Studien hatten ein hohes oder unklares RoB. Im Bereich der Itemkenngrössen wiesen nur zwei Studien ein hohes oder unklares Bias-Risiko auf, da sie keine vordefinierten Schwellenwerte verwendeten. Im Bereich der Referenzstandards wiesen drei Studien ein hohes oder unklares RoB auf. Bezüglich der Anwendbarkeit wurde nur einer Studie eine hohe oder unklare Anwendbarkeit hinsichtlich der Patientenauswahl zugeordnet. Die Sensitivität und Spezifität des bildbasierten ML für die Diagnose einer ROP lagen bei 93% (95% Konfidenzintervall [KI] 0,90 – 0,94) bzw. 95% (95% KI 0,94 – 0,97). Die Fläche unter der Receiver-Operating-Characteristic(ROC)-Kurve betrug 0,98 (95% KI 0,97 – 0,99). Für die Klassifikation der klinischen Subtypen der ROP lagen die Sensitivität und Spezifität bei 93% (95% KI 0,89 – 0,96) bzw. 93% (95% KI 0,89 – 0,95) und die Fläche unter der ROC-Kurve bei 0,97 (95% KI 0,96 – 0,98). Die Klassifikationsergebnisse waren denen klinischer Experten sehr ähnlich (Spearman’s R = 0,879). In der elektronischen Vorabpublikation im Januar 2024 beim Fachjournal OPHTHALMOLOGY RETINA kommen die Autoren zu dem Schluss, dass Algorithmen für maschinelles Lernen nicht weniger genau sind als menschliche Experten und daher ein erhebliches Potenzial als automatisierte Diagnosewerkzeuge für ROP haben. Angesichts der Qualität und der grossen Heterogenität der verfügbaren Evidenz sollten diese Algorithmen jedoch als ergänzende Instrumente zur Unterstützung der ärztlichen Diagnose der Frühgeborenen-Retinopathie betrachtet werden. (bs)

Autoren: Chu Y, Hu S, Li Z, Yang X, Liu H, Yi X, Qi X. Korrespondenz: Xinwei Qi, State Key Laboratory of Pathogenesis, Prevention and Treatment of High Incidence Diseases in Central Asia, Clinical Medical Research Institute, The First Affiliated Hospital of Xinjiang Medical University, No. 137 South Liyushan Road, Urumqi 830054, Xinjiang, China. E-Mail: xwqi1982@gmail.com Studie: Image Analysis-Based Machine Learning for the Diagnosis of Retinopathy of Prematurity: A Meta-analysis and Systematic Review. Quelle: Ophthalmol Retina. 2024 Jan 17:S2468-6530(24)00014-9. doi: 10.1016/j.oret.2024.01.013. Epub ahead of print. PMID: 38237772. Web: https://www.sciencedirect.com/science/article/abs/pii/S2468653024000149