CT-basierte Biomarker zur Charakterisierung und Prognoseabschätzung bei Lungenarterienembolie

Hintergrund
Technische Fortschritte in der Computertomographie bieten neu Möglichkeiten in der diagnostischen Beurteilung unterschiedlichster Pathologien. Radiomics stellt hierbei eine vielversprechende Methode der Bildanalyse dar, bei der quantitative Merkmale aus Bilddaten extrahiert und mittels Machine Learning (ML) zu prädiktiven Modellen ausgearbeitet werden können. Unsere Studie untersuchte das Potenzial quantitativer Bildgebung („Radiomics und ML“) in der Dual-Energy Computertomographie (DECT) für die akkurate Diagnose einer Lungenarterienembolie (LAE) sowie für Rückschlüsse zu Komplikationen und Outcome.

Methoden
Die Studie umfasste insgesamt 151 Teilnehmer (64 ± 13 Jahre, 81 männlich), die zwischen Januar 2015 und Mai 2023 eine CT-Angiographie der Pulmonalarterien erhielten. Davon wurden 122 Patienten mit peripherer und zentraler LAE diagnostiziert, wohingegen 29 Patienten als Kontrollgruppe dienten. Die pulmonalen Thromben wurden halbautomatisiert segmentiert und letztlich pro Patient 107 quantitative Merkmale mithilfe standardisierter Bildnachverarbeitung extrahiert (PyRadiomics – Open Source Radiomics Software). Für die Entwicklung und Validierung unseres Modells wurde der Gesamtdatensatz in Trainings- und Testsets aufgeteilt. Eine schrittweise Merkmalsreduktion wurde durchgeführt, um die relevantesten Merkmale zu filtern und auszuwählen. Diese Merkmale dienten dann zur Ausbildung eines gradientenverstärkten Entscheidungsmodells. Zur Bewertung der Assoziation von Texturmerkmalen mit dem Gesamtüberleben wurden Receiver Operating Characteristics-Analysen (Area under the Curve [AUC]) und Cox-Regressionstests verwendet.

Ergebnisse
Der angelernte ML Klassifikator erreichte eine Klassifikationsgenauigkeit von 0,98 (95% CI, 0,94-1,00) im Validierungsdatensatz bei der Diagnose einer LAE mit einer AUC von 0,99 (95% CI, 0,94-1,00, p=0,001). Darüber hinaus zeigte unser Modell, dass Radiomics eine bedeutende Rolle bei der Prognose des Outcomes von Patienten mit LAE spielen könnte mit starker prognostischer Power zur Vorhersage des Überlebens (c-Index, 0,988 [0,977–1,00], p=0,001). Auch in Bezug auf den weiteren Aufenthalt (ambulant vs. stationär) sowie Komplikationen (u. a. kardiale Dekompensation, Herzversagen, Reanimation) konnte eine sign. Vorhersage getroffen werden (c-Index, 0,942 [0,910–0,974], p=0,001). Bemerkenswerterweise verbesserte die Einbeziehung klinischer oder anderweitiger konventioneller Bildparameter die Vorhersagefähigkeit nicht.

Schlussfolgerung
Zusammenfassend unterstreicht unsere Studie das vielversprechende Potenzial, Radiomics zur weiterführenden Charakterisierung von Patienten mit Akutpathologien und zur Vorhersage ihres Outcomes zu nutzen. Dieser Ansatz hat das Potenzial, die klinische Risikostratifikation und das Patientenmanagement zu verbessern und bietet Effizienzgewinne in Bezug auf Zeit und Ressourcen, da bestehende DECT-Datensätze retrospektiv ohne zusätzlichen Mehraufwand für die Patienten ausgewertet werden können.