MRT-basierte biologische Altersschätzung mittels Deep Learning zur Vorhersage kardiometabolischer Ereignisse in der Allgemeinbevölkerung

M Jung; M Reisert; S Rospleszcz; H Rieder; T Pischon; T Niendorf; H U Kauczor; H Völzke; M Russe; C Schlett; M Lu; F Bamberg; V Raghu; J Weiß

doi:10.1055/s-0045-1802699

RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, Table of Contents

Rofo 2025; 197(S 01): S11
DOI: 10.1055/s-0045-1802699

Abstracts

Vortrag (Wissenschaft)

Ganzkörperdiagnostik/Kohortenstudien

MRT-basierte biologische Altersschätzung mittels Deep Learning zur Vorhersage kardiometabolischer Ereignisse in der Allgemeinbevölkerung

Authors

M Jung

¹Universitätsklinikum Freiburg, Klinik für Diagnostische und Interventionelle Radiologie, Freiburg
M Reisert

²Uniklinikum Freiburg, Medizinphysik, Radiologie, Freiburg
S Rospleszcz

³Uniklinikum Freiburg, Radiologie, Freiburg
H Rieder

³Uniklinikum Freiburg, Radiologie, Freiburg
T Pischon

⁴Molecular Epidemiology Research Group, Max Delbrück Center for Molecular Medicine in the Helmholtz Association (MDC), Molecular Epidemiology Research Group, Max Delbrück Center for Molecular Medicine in the Helmholtz Association (MDC), Berlin
T Niendorf

⁵Berlin Ultrahigh Field Facility, Max Delbrück Center for Molecular Medicine in the Helmholtz Association (MDC), Berlin Ultrahigh Field Facility, Max Delbrück Center for Molecular Medicine in the Helmholtz Association (MDC),, Berlin
H U Kauczor

⁶Uniklinikum Heidelberg, Radiologie, Freiburg
H Völzke

⁷Universitätsmedizin Greifswald, Institute for Community Medicine, Greifswald
M Russe

³Uniklinikum Freiburg, Radiologie, Freiburg
C Schlett

³Uniklinikum Freiburg, Radiologie, Freiburg
M Lu

⁸Massachusetts General Hospital, Cardiovascular Imaging Research Center, Department of Radiology, Boston, MA, USA
F Bamberg

³Uniklinikum Freiburg, Radiologie, Freiburg
V Raghu

⁸Massachusetts General Hospital, Cardiovascular Imaging Research Center, Department of Radiology, Boston, MA, USA
J Weiß

³Uniklinikum Freiburg, Radiologie, Freiburg

Abstract

Full Text

Zielsetzung Chronologisches Alter ist einer der Eckpfeiler für Therapieentscheidungen, aber ein unvollkommenes Maß für Gesundheit. Wir entwickelten ein Deep Learning Modell (MRI-Age) zur Schätzung des biologischen Alters anhand von MRTs vor und untersuchten dessen prognostischen Wert für kardiometabolische Ereignisse unabhängig vom chronologischen Alter und bekannten Risikofaktoren.

Material und Methoden Wir nutzten 30.389 Personen aus der NAKO, um MRI-Age zu entwickeln, das volumetrische Body Composition einschließlich subkutanem, viszeralem, intramuskulärem Fettgewebe und der Muskulatur als Input verwendet und ein Alter in Jahren prädiziert. Für Folgeanalysen verwendeten wir die MRI-Age-Akzeleration, definiert als altersspezifischer z-Score der Altersprädiktion. Wir validierten den Ansatz in einem externen Testset von 36.317 Personen aus der UK Biobank (UKBB). Die Endpunkte waren Diabetes, MACE und Gesamtmortalität. Multivariable Cox-Regressionen, korrigiert für traditionelle kardiometabolische Risikofaktoren, untersuchten den Zusammenhang zwischen „negativer“ (<-1) und „positiver“ (>1) MRI-Age-Akzeleration im Vergleich zur Referenz ( -1 bis 1).

Ergebnisse Bei 36.317 UKBB-Teilnehmern (65,1±7,8 Jahre, 51,7% weiblich; mediane Follow-up-Zeit 4,8 Jahre) fanden wir eine erhöhte Inzidenz von Diabetes, MACE und Tod für Personen mit positiver MRI-Age-Akzeleration. In der multivariablen adjustierten Cox-Regression zeigte sich ein signifikanter positiver Zusammenhang zwischen positiver MRI-Age-Akzeleration und Diabetes (aHR: 1,87, 95% CI [1,56-2,25], p<0,001), MACE (aHR: 1,26, 95% CI [1,01-1,57], p=0,038) und Tod (aHR: 1,37, 95% CI [1,09-1,72], p=0,007).

Schlussfolgerungen Die auf Deep Learning basierende biologische Altersschätzung anhand von MRTs prognostiziert kardiometabolische Outcomes in der Allgemeinbevölkerung über das chronologische Alter und kardiometabolische Risikofaktoren hinaus. Personen mit hohem MRT-Alter könnten von personalisierten Präventionsstrategien, Lebensstilinterventionen und Behandlungen profitieren.