USA: Deep‑Learning‑Modell sagt postoperative zerebrovaskuläre Ereignisse bei Kindern mit Moyamoya voraus
Ein Team von Forschern hat ein erklärbares Deep‑Learning‑Verfahren entwickelt, das intraoperative arteriellen Blutdruck (ABP)‑Wellenformen nutzt, um das Risiko von postoperativen zerebrovaskulären Ereignissen bei pädiatrischen Patienten mit Moyamoya‑Krankheit zu prognostizieren. Das Modell erreichte in interner Validierung eine Fläche unter der ROC‑Kurve (AUROC) von 0.772 und in einer unabhängigen temporalen Validierung von 0.738.
Studienaufbau
In einer retrospektiven Analyse wurden 181 Patienten im Alter von bis zu 18 Jahren, die zwischen 2010 und 2022 eine Revascularisations‑Operation wegen Moyamoya erhalten hatten, untersucht. Für die externe Validierung wurde ein separater Datensatz von 79 Patienten reserviert, der zeitlich nach dem Trainings‑Set lag.
Datenaufbereitung
Die ABP‑Signale wurden zunächst enttrendet, in einzelne Pulse segmentiert und normalisiert. Anschließend wurden die Pulse in Bilddarstellungen umgewandelt, um sie als Input für verschiedene Convolutional‑Neural‑Network‑Architekturen (CNN) zu nutzen. Zusätzlich wurden Vision‑Transformer‑Modelle (ViT) getestet.
Modellleistung
Die CNN‑basierten Modelle übertrafen die ViT‑Varianten konsequent. Das beste Ergebnis wurde mit rohen Pulswellen und drei aufeinanderfolgenden Pulsen pro Bild erzielt. Auf Patient‑Ebene lieferte das Modell im internen Test eine AUROC von 0.772 ± 0.070 und im externen Test 0.738 ± 0.011.
Erklärbarkeit der Vorhersage
Durch Grad‑CAM‑Analysen wurde die diastolische Auslaufphase der Pulswelle als besonders relevante Region für die Klassifikation identifiziert. Vier aus den Wellenformen abgeleitete Merkmale, die die arterielle Compliance beschreiben, zeigten signifikante Unterschiede zwischen Patienten mit und ohne postoperative Ereignisse (p < 0.05).
Bedeutung und Ausblick
Die Ergebnisse belegen, dass CNN‑Modelle aus intraoperativen ABP‑Wellenformen potenziell zur Früherkennung von Komplikationen nach Moyamoya‑Operationen eingesetzt werden können. Die Autoren betonen jedoch, dass die Befunde explorativ sind und einer prospektiven, multizentrischen Validierung bedürfen, bevor klinische Entscheidungen darauf basieren.
Einschränkungen
Die Studie stammt aus einem einzelnen Zentrum und beruht auf retrospektiven Daten, wodurch mögliche Verzerrungen nicht vollständig ausgeschlossen werden können. Zudem wurde die Generalisierbarkeit des Modells nur mit einem zeitlich getrennten internen Kollektiv geprüft.
ZukĂĽnftige Forschung
Weitere Untersuchungen sollen das Modell in mehreren Kliniken testen, die Integration in Echtzeit‑Monitoring‑Systeme prüfen und die identifizierten physiologischen Merkmale weiter charakterisieren, um die klinische Anwendbarkeit zu stärken.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Ăśbertragung