KI-basierte Quantifizierung der Indocyaningrün-Perfusion zur Vorhersage von Anastomoseninsuffizienzen bei Roboter-assistierter Ösophagusresektion (RAMIE)

Einleitung: Die intraoperative Indocyaningrün-Angiographie (ICG) hat sich als essentielles Instrument zur Evaluation der Magenschlauchperfusion im Rahmen der Ösophagusresektion mit Magenschlauchhochzug etabliert. Die qualitativen ICG-Beurteilungen weisen jedoch eine erhebliche Untersucher-abhängige Variabilität auf.

Ziele: Das Ziel dieser Studie ist die Entwicklung und Evaluation einer quantitativen ICG-Analyse mittels eines Self-Organizing Map (SOM) Netzwerks bei roboter-assistierter minimal-invasiver Ösophagusresektion (RAMIE).

Methodik: In dieser monozentrischen retrospektiven Studie wurden 70 Patienten eingeschlossen, die zwischen 01/2022 und 08/2023 mittels Ivor Lewis-RAMIE mit intraoperativer ICG-Fluoreszenzbildgebung und präemptiver endoluminaler Vakuumtherapie behandelt wurden. Erfasst wurden die Inzidenz von Anastomoseninsuffizienzen, die Dauer der präemptiven endoluminalen Vakuumtherapie, die patientenspezifischen Komorbiditäten sowie das Ausmaß der Arteriosklerose in präoperativen CT-Scans. Die intraoperativ akquirierten ICG-Videosequenzen wurden pixel-weise mittels eines unüberwachten SOM-Clustering-Algorithmus analysiert und ein quantitativer ICG-Perfusionsscore determiniert.

Ergebnisse: Anastomoseninsuffizienzen traten bei 12 Patienten (17%) auf. Der ICG-Perfusionsscore war in der univariaten Analyse signifikant höher bei Patienten mit Insuffizienz im Vergleich zu Patienten ohne Insuffizienz (8,8±1,6 vs. 7,9±1,4; p<0,001). Ebenso korrelierten das Patientenalter und der BMI signifikant mit einem erhöhten Risiko für eine Insuffizienz. Der ICG-Perfusionsscore wies eine Odds Ratio von 1,6 (95% CI: 0,97-2,7) auf. Andere Komorbiditäten und das Ausmaß der Arteriosklerose in den präoperativen CT-Scans unterschieden sich nicht signifikant zwischen Patienten mit und ohne Insuffizienz. In der multivariaten Analyse erreichte keiner der Faktoren statistische Signifikanz, wobei der ICG-Perfusionsscore mit p=0,063 nahe der Signifikanzschwelle lag.

Schlussfolgerung: Die KI-Anwendung eines unüberwachten Lern-Algorithmus zur Quantifizierung der ICG-Bildgebung könnte die Prädiktion von Anastomoseninsuffizienzen nach RAMIE optimieren. Erstmals ermöglicht KI eine objektive, quantitative Auswertung statt qualitativer Beurteilung. Bei identifiziertem erhöhtem Risiko könnten präventive Maßnahmen wie endoluminale Vakuumtherapie in Kombination mit PEJ getroffen werden. Die klinische Relevanz dieses Ansatzes muss in einer rand.-prospekt. Studie verifiziert werden.