Entwicklung eines Machine-Learning-Modells zur Vorhersage klinischer Outcomes für die Optimierung der chirurgischen Therapie schwerer Fingertraumata

• Antragsteller: Dr. Maximilian Mayrhofer-Schmid
• Fachliche Zuordnung: Orthopädie, Unfallchirurgie, rekonstruktive Chirurgie
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 566657538

Schwere Fingerverletzungen, insbesondere komplexe Traumata mit einer simultanen Schädigung mehrerer Strukturen oder vollständige Amputationen, stellen eine Herausforderung in der medizinischen Versorgung dar. Betroffene Patient*innen leiden häufig langfristig unter Funktionseinbußen, chronischen Schmerzen und psychischen Belastungen, was die Lebensqualität und die Arbeitsfähigkeit stark beeinträchtigt. Zudem entstehen erhebliche Kosten durch Operationen, Klinikaufenthalte und Ausfälle im Berufsleben. Die initiale Therapie und die Entscheidung zwischen verschiedenen chirurgischen Verfahren zur Rekonstruktion oder Amputation spielen eine große Rolle für den weiteren langfristigen Verlauf. Bisher gibt es kein standardisiertes Verfahren oder Instrument, welches diese Entscheidungsfindung anhand einer langfristigen Prognose für postoperative Funktionalität und Lebensqualität unterstützt. Der kürzlich veröffentlichte Mangled Digit Severity Score (MDSS) könnte für die Entscheidung zwischen Rekonstruktion und primärer chirurgischer Amputation bei schweren Fingerverletzungen ohne traumatische Amputation hilfreich sein, ist jedoch bisher nicht in größeren Studien prospektiv validiert. Hinzu kommt das Risiko der Bildung schmerzhafter Neurome nach Amputation, was den Bedarf einer optimierten Nervenversorgung bei der Stumpfbildung verdeutlicht. Dieses Forschungsprojekt verfolgt das Ziel, mithilfe eines Machine Learning (ML) Verfahrens die chirurgische Entscheidungsfindung bei schweren Fingerverletzungen zu verbessern. Die Datenbasis zur Entwicklung dieses Modells soll einerseits aus einer retrospektiven Analyse stammen, welche Faktoren identifizieren soll, die den langfristigen Verlauf in verschiedenen Aspekten wie Handfunktion, Schmerz und Lebensqualität nach Rekonstruktion oder Amputation beeinflussen. Andererseits sollen zwei prospektive Studien durchgeführt werden, deren Daten für das ML-Modell verwendet werden: eine Validierung des MDSS sowie eine randomisierte Untersuchung dreier verschiedener Verfahren zur Versorgung der Nervenstümpfe bei Fingeramputationen. Die aus allen drei Studien erhobenen Daten fließen laufend in ein dynamisches ML-Modell ein, welches in Zukunft helfen soll, auf der Basis von patienten- und verletzungsspezifischen Merkmalen die initiale Therapieentscheidung zu leiten und zu optimieren, um im postoperativen Langzeitverlauf bestmögliche Ergebnisse für Handfunktion, Schmerz und Lebensqualität zu sichern. Langfristig soll dieses Projekt einen Beitrag dazu leisten, die initiale operative Versorgung zu verbessern, Folgeoperationen zu reduzieren sowie Schmerzen, körperliche Einschränkungen und psychische Belastungen nach schweren Fingerverletzungen zu verringern.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: USA
• Gastgeber: Dr. Kyle Eberlin