Prädiktion klinischer Endpunkte von Patienten mit chronischer mittelgradiger Aortenklappeninsuffizienz mit Deep Learning

• Antragstellerin: Dr. Bruna Filipa Gomes Botelho Quintas
• Fachliche Zuordnung: Epidemiologie und Medizinische Biometrie/Statistik ; Kardiologie, Angiologie
• Förderung: Förderung von 2021 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 457899528

Gemäß den aktuellen Leitlinien der Europäischen Gesellschaft für Kardiologie besteht nur bei PatientInnen mit schwerer Aorteninsuffizienz ohne führende Erkrankung der Aortenwurzel eine Klasse I Empfehlung zur Intervention. Unabhängig von der Begleitsymptomatik oder der linksventrikulären Funktion ist eine mittelgradige Aortenklappeninsuffizienz derzeit keine Indikation zum Aortenklappenersatz. Der klinische Verlauf der schweren Aortenklappeninsuffizienz wurde in den vergangenen Jahren erforscht. Dennoch bleibt das Verhältnis zwischen der mittelgradigen Aortenklappeninsuffizienz und dem Schweregrad der systolischen linksventrikulären Dysfunktion unklar. Bisher wurden bei den meisten epidemiologischen Studien klassische statistische Analysen durchgeführt. Die aktuellen Leitlinien basieren auf einer Übertragung dieser Ergebnisse auf das „reale“ Patientenkollektiv und erfüllen nicht die Anforderungen an eine individualisierte Präzisionsmedizin. Diesbezüglich stellt die auf künstliche Intelligenz basierte Modellierung eine vielversprechende diagnostische Option dar. Das erste Ziel des Projekts ist die Erforschung des natürlichen Krankheitsverlaufs bei chronischer Aortenklappeninsuffizienz mittels Anwendung eines topologischen Netzwerk/Clustering-Verfahrens (Arbeitspaket 1). In einem weiteren Ziel, werden anschließend akkurate, auf künstliche-Intelligenz basierte individuelle Prädiktionsmodelle zur Vorhersage einer systolischen linksventrikulären Dysfunktion, der Symptomentwicklung und der Mortalität bei PatientInnen mit mittelgradiger Aortenklappeninsuffizienz entwickelt (Arbeitspaket 2). Im Arbeitspaket 2.1 werden unterschiedliche Machine-Learning Algorithmen mit strukturierten Input-Parametern aus der ersten Follow-up-Visite trainiert. Im Arbeitspaket 2.2, werden die Input-Parameter um eine zeitliche Dimension erweitert und zur Kompilierung an ein Rekurrentes Neuronales Netzwerk weitergegeben. Im Arbeitspaket 2.3 werden Input-Parameter direkt aus Bildgebungsuntersuchungen eingeschlossen. Ziel ist hier eine direkte klinische Prädiktion basierend auf einem Convolutional Denoising Autoencoder (CNN-DAE) Modell. Nach multizentrischem Screening der PatientInnen mit chronischer Aortenklappeninsuffizienz (n= 13475, aus den Universtitätskliniken Heidelberg, Kiel, Greiswald und Robert-Bosch Krankenhaus Stuttgart; n=2323, aus der UK Biobank) werden die Informationen aus der anonymisierten elektronischen Krankenakte als Input-Parameter zusammengestellt. Die erstellten Modelle werden unter anderem anhand ihrer berechneten Fläche unter der Kurve (AUC) in den Testkohorten (mit „held-out“ Testing-set: Daten aus Uniklinikum Heidelberg) nach einer 6-fachen-Kreuzvalidierung evaluiert. Mit diesem Projekt kann eine präzisere und individuellere Entscheidungslinie zwischen konservativer und interventioneller/chirurgischer Therapie bei PatientInnen mit Aorteninsuffizienz definiert werden.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: USA
• Gastgeber: Professor Euan Ashley, Ph.D.