Outcome-Prädiktion für Patienten mit Schlaganfällen der hinteren Zirkulation durch KI-basierte Analyse quantitativer Bildmarker

Zielsetzung Schlaganfälle im vertebrobasilären Stromgebiet sind mit einem hohen Risiko für schlechtes Outcome assoziiert. Durch frühzeitige Triage entsprechend dem erwarteten funktionellen Ergebnis können Behandlungsstrategien optimiert und die allgemeine Patientenversorgung verbessert werden. Bisherige Methoden zur Prädiktion des Outcome beruhen auf konventioneller visueller Analyse mit hoher inter-Rater Variabilität und geringer Standardisierung. Die vorliegende Studie untersucht das Potenzial einer künstliche Intelligenz-basierten Prädiktion des funktionellen Outcomes unter Verwendung von high-end Bildmarkern aus nativen CCTs.

Material und Methoden Die Analyse umfasst native CCTs von 69 Patienten (54% weiblich, Durchschnittsalter 69 Jahre) mit akutem Schlaganfall der posterioren Zirkulation. Der durchschnittliche modified Rankin Scale (mRS) Wert nach 90 Tagen beträgt 4,9. Gutes funktionelles Outcome wurde als mRS ≤ 3 definiert (17/69 Patienten). 9632 Regionen-spezifische Bildmarker wurden aus den akuten CCTs extrahiert und durch Random Forest Algorithmen mit 5-facher Kreuzvalidierung ausgewertet. Für die Validierung wurden die 100 wichtigsten Merkmale (Gini-Impurity) für jeden Trainingsdatensatz ermittelt und im jeweiligen Validierungslauf verwendet.

Ergebnisse Die ROC AUC der Validierungssets für die Prädiktion eines guten funktionellen Outcome beträgt 0,88 (95% Konfidenzintervall [0,80; 0,94]). Spezifitäten und Sensitivitäten von 80% werden erreicht. Gini-Impurity Metriken zeigen, dass Bildmarker der Regionen Mesencephalon und Arteria Cerebri Posterior den höchsten prädiktiven Wert aufweisen.

Schlußfolgerungen Eine KI-basierte Auswertung quantitativer high-end Bildmarker aus nativen CCT Scans erzielt eine hohe prädiktive Genauigkeit für die Vorhersage des funktionellen Outcome bei Patienten mit Schlaganfall in der hinteren Zirkulation. Weiterhin können KI-gestützte Analysen von Regionen-spezifischen Bildmetriken dazu beitragen, bildgebungsbezogene Determinanten einer guten Prognose besser zu verstehen.