Bildgebung fibrotischer und kalzifzierter Aortenklappenveränderungen und Analyse mit Hilfe von Multitasking-Modellen zur Vorhersage morphologischer und klinischer Langzeitveränderungen

• Antragsteller: Professor Dr. Marc Dewey
• Fachliche Zuordnung: Radiologie ; Medizinische Physik, Biomedizinische Technik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 567210027

Hintergrund und Zielsetzung: Die Aortenstenose (AS) ist die häufigste Herzklappenerkrankung im Alter und zeichnet sich durch fortschreitende fibrotische und kalzifizierte Verdickungen der nativen Aortenklappensegel aus. Mit einer alternden Bevölkerung wird erwartet, dass die Prävalenz der AS bis 2050 doppelt so hoch sein wird. Trotz Fortschritten in der Klappenersatztherapie bleiben das optimale Timing von Klappenersatzverfahren und die Vorhersage langfristiger Ergebnisse herausfordernd, da aktuelle Bildgebungsansätze für frühe fibrotische Veränderungen der nativen Klappe wenig sensitiv sind. Ziel dieses Projekts ist es, mithilfe von Computertomographie (CT) und künstlicher Intelligenz (KI) fibrotische und kalzifizierte Veränderungen der nativen Aortenklappe zu quantifizieren, diese mit hämodynamischen Parametern zu korrelieren und prädiktive Modelle für klinische Langzeitergebnisse über 10 Jahre zu entwickeln. Methoden und Arbeitsprogramm: Das Projekt nutzt Daten von über 5.000 Patient*innen aus drei großen klinischen Studien (CAD-Man, DISCHARGE und IMPRO) mit CT-Bildgebung und langfristigem Follow-up. Es umfasst drei Hauptziele. Ziel 1: Automatisierte Quantifizierung. KI-gestützte Tools werden entwickelt, um die Segmentierung und Quantifizierung fibrotischer und kalzifizierter Gewebe zu automatisieren, validiert durch histopathologische Untersuchungen. Multi-Task-KI-Segmentierung ermöglicht eine schnelle und reproduzierbare Charakterisierung der Gewebetypen. Der Grad periaortaler Entzündung wird im die Klappe umgebenden Fettgewebe bei allen 5.000 Patient*innen quantifiziert. Ziel 2: Hämodynamische Korrelation. CT-Daten werden mit hämodynamischen Parametern der Echokardiographie korreliert und für die Langzeitprädiktion der AS-Progression genutzt. Geschlechtsspezifische Analysen untersuchen Unterschiede in der Pathophysiologie und Progression. Ziel 3: Ergebnisvorhersage. Ein integrierter, KI-unterstützter Risikoscore, der Bildgebungsbiomarker, klinische Variablen und funktionelle Daten kombiniert, wird entwickelt, um 10-Jahres-Ergebnisse wie Mortalität, Schlaganfall und prozedurale Komplikationen vorherzusagen. Externe Validierung gewährleistet die Generalisierbarkeit. Erwarteter Erkenntnisgewinn: Das Projekt schließt Wissenslücken in der Entwicklung und Progression der AS durch die Bereitstellung robuster, nicht-invasiver Bildgebungsbiomarker zur frühen Erkennung und Überwachung. Die KI-gestützte CT-Analyse liefert neue Einblicke in das Zusammenspiel zwischen Klappenfibrose, Kalzifikation, Inflammation und hämodynamischer Dysfunktion. Dies ermöglicht eine personalisierte Risikostratifizierung, optimiert das Timing des Klappenersatzes und unterstützt die Gestaltung neuer Therapien. Die resultierenden Tools und Modelle verbessern die Prognosegenauigkeit und fördern individualisierte Behandlungsstrategien.

• DFG-Verfahren: Sachbeihilfen