Ein Team unter der Leitung von Forschern der Yale School of Medicine hat ein Deep-Learning-Modell entwickelt, das anhand von Computertomographie-Angiographie (CTA)-Scans bei der Aufnahme genau die postoperativen Ergebnisse für einige Patienten mit großen Gefäßverschlüssen (LVO)-Schlaganfällen vorhersagen kann. Der leitende Autor der Studie, Sam Payabvash, M.D., Associate Professor für Radiologie und Biomedizinische Bildgebung, bezeichnet das von ihrem Forschungsteam entwickelte Deep-Learning-Modell als ersten Schritt zur intelligenten Maschinisierung des Schlaganfall-Neuroimaging-Protokolls. Die Modelle wurden mit Daten von Patienten trainiert, bei denen von 2014 bis 2020 Thrombektomien durchgeführt wurden, wobei verschiedene Modelle aufgenommene CTA-Scans mit und ohne Daten wie Zeit bis zur Operation, Alter, Geschlecht und NIH-Schlaganfallskala trainiert wurden. Die Forscher sagen, dass das neue Werkzeug schnelle und genaue Entscheidungsfindung ermöglichen würde, wobei ein etablierter ‘Behandlungsauslöser’ die Behandlungskette nach der Operation aktiviert. Payabvash betont, dass das Modell ausschließlich auf CT-Angiographie-Scans des Gehirns basieren kann, die zum Zeitpunkt der Schlaganfalldiagnose immer vorhanden sind, und daher schnelle, objektive Vorhersagen unabhängig von der örtlichen Expertise und anderen Variabilitäten bieten kann, die die Behandlung in Ressourcen-knappen Gemeinden beeinflussen könnten. Die Seniorautorin der Studie war Jakob Sommer, weitere Autoren waren Fiona Dierksen, Tal Zeevi, Anh Tuan Tran, Emily W. Avery, Adrian Mak, Ajay Malhotra, Charles C. Matouk, Guido J. Falcone, Victor Torres-Lopez, Sanjey Aneja, James Duncan, Lauren H. Sansing und Kevin N. Sheth.
Künstliche Intelligenz prognostiziert Schlaganfallergebnisse nach arterieller Verschlankung
