Präoperative Vorhersage der postoperativen Pankreasfistel nach Pankreaskopfresektion mittels Radiomics und maschinellem Lernen auf Grundlage computertomographischer Diagnostik

Einleitung: Die postoperative Pankreasfistel (POPF) ist eine der häufigsten Komplikationen nach Pankreaskopfresektion und kann für den Patienten lebensbedrohlich sein. Die präoperative Identifizierung von Hoch-Risiko Patient*innen ist für ein patientenzentriertes Therapiekonzept entscheidend.

Ziele: In dieser Studie wurde mittels maschineller Lernverfahren und Radiomics untersucht, ob postoperative Pankreasfisteln und die postoperative Amylase-Dynamik in der Drainageflüssigkeit nach Pankreaskopfresektion auf Grundlage präoperativer Bildgebung vorhergesagt werden können. Weiter wurde untersucht ob das POPF-Vorhersagemodell dem konventionellen Score nach Roberts et al. überlegen ist.

Methoden: Es wurden 68 Patienten eingeschlossen. Die Extraktion der Radiomics-Features der Bauchspeicheldrüse erfolgte aus der arteriellen Phase der Computertomographie mit einer Schichtdicke von 1 mm. Für das POPF-Prädiktionsmodell (PPM) und das Amylase-Prädiktionsmodell (APM) wurden Features mit der Entstehung von POPF bzw. den postoperativen maximalen Amylasewerten in der Drainageflüssigkeit bei einem Cut-off von 1000U/l korreliert. In der PPM wurden klinische Parameter analag zu dem Score nach Roberts et al. eingeschlossen. Für unsere Modelle wurden nur dir Features mit der höchsten Korrelation mit POPF ausgewählt, wobei Autokorrelationen kontrolliert und die Bonferroni-Korrektur für die P-Werte angewendet wurde. Zur Bewertung der resultierenden Vorhersagemodelle wurde eine ROC-Analyse und ein Vergleich zwischen Roberts Score und PPM durchgeführt ([Abb. 1] [2]).

Abb. 1  

Abb. 2  

Ergebnisse: Das POPF-Vorhersagemodell erzielte eine AUC von 0,897 (CI=82,3-97,1%). Die AUC des PPM war höher als die des Roberts-Scores. Der Versuch, die postoperative Amylase-Dynamik in der Drainageflüssigkeit vorherzusagen, erzielte eine AUC von 0,936 (C I=88%-99,1%).

Schlussfolgerungen: Die präoperative Vorhersage der POPF- und Amylase Dynamik in der Drainagenflüssigkeit mithilfe von Radiomics und maschinellem Lernen zeigt vielversprechende Ergebnisse. Beide Modelle bieten neue Ansätze für das klinische Management von POPF.

 

MissingLinkText

Publication History

Article published online:
04 September 2025