KI-Tool sagt ein Wiederauftreten des Barrett-Ösophagus mit hoher Genauigkeit voraus

Ein neues auf künstlicher Intelligenz (KI) basierendes Tool verspricht eine verbesserte Überwachung von Patienten, die mit endoskopischen Eradikationstherapien wegen Barrett-Ösophagus-Dysplasie und frühem Adenokarzinom der Speiseröhre behandelt werden. BE ist die einzige bekannte Erkrankung, die einem Adenokarzinom der Speiseröhre vorausgeht – einem aggressiven Krebs mit hohen Sterblichkeitsraten.

Das von US-Forschern entwickelte und validierte KI-Modell war zu über 90 % genau bei der Vorhersage, bei welchen Patienten nach einer endoskopischen Eradikationstherapie (EET) ein erneutes Auftreten von BE auftreten würde, und bei der Erkennung, wann es wahrscheinlich auftritt.

Die Ergebnisse wurden heute in Clinical Gastroenterology and Hepatology veröffentlicht.

Die frühzeitige Erkennung einer Barrett-Ösophagus-Dysplasie und eines damit verbundenen Adenokarzinoms der Speiseröhre kann Leben retten. Die frühere Erkennung von Rezidiven in Form von BE, BE-bedingter Dysplasie und BE-bedingtem Adenokarzinom des Ösophagus, insbesondere bei Hochrisikopatienten, die sich einer endoskopischen Eradikationstherapie unterzogen haben, schafft Möglichkeiten für eine rechtzeitige Behandlung, bevor sich Krebs entwickelt oder fortschreitet.“

Sachin Wani, MD, leitender Autor der Studie, Geschäftsführer des Rady Esophageal and Gastric Center of Excellence des Anschutz Cancer Center der University of Colorado

EET ist eine wirksame Behandlung für BE-bedingte Dysplasie und frühes Adenokarzinom der Speiseröhre, die abnormales Barrett-Gewebe eliminiert und das Risiko einer Progression zu Speiseröhrenkrebs deutlich reduziert.

„Die Herausforderung besteht darin, dass es auch nach einer endoskopischen Eradikationstherapie immer noch zu einem Wiederauftreten des Barrett-Ösophagus kommen kann und aktuelle Überwachungsstrategien nicht zwischen Patienten mit hohem und niedrigem Risiko unterscheiden. Jeder wird unabhängig von seinem Risiko nach dem gleichen Zeitplan überwacht“, sagte Wani.

Mithilfe künstlicher Intelligenz und Daten von mehr als 2.500 Patienten haben Wani und ein Team führender Experten aus dem ganzen Land das maschinelle Lerntool entwickelt. Dazu analysierten sie detaillierte klinische Daten von Patienten, die mit EET behandelt und über einen längeren Zeitraum beobachtet wurden, um festzustellen, ob und wann BE und BE-bedingte Dysplasie oder Krebs erneut auftraten. Diese Analyse ergab, dass bei fast drei von zehn Patienten nach erfolgreicher Behandlung ein Rezidiv auftrat, wobei die Erkrankung im Durchschnitt etwa zwei Jahre nach der Therapie wieder auftrat.

Anschließend wurde das KI-Tool darauf trainiert, viele Patientenfaktoren gleichzeitig zu berücksichtigen, wie etwa Alter, Körpergewicht, Schwere der Erkrankung und Behandlungsdetails. Es lernte Muster, die Menschen nicht leicht erkennen können, einschließlich der Art und Weise, wie Kombinationen von Faktoren das Risiko beeinflussen. Sie fanden heraus, dass ein Wiederauftreten wahrscheinlicher bei Patienten war, die Folgendes hatten:

• Ein längerer Bereich des Barrett-Gewebes
• Ein höheres Körpergewicht
• Älteres Alter
• Es waren weitere Behandlungssitzungen erforderlich, um abnormales Gewebe vollständig zu entfernen
• Fortgeschrittenere Zellveränderungen zum Zeitpunkt der Diagnose

Das Modell wurde auf zwei Arten getestet: indem überprüft wurde, wie gut es bei Patienten funktionierte, die denen ähnelten, an denen es trainiert wurde, und indem die Leistung bei verschiedenen Patientengruppen aus anderen Quellen überprüft wurde. Das Tool war für beide Patientengruppen genau.

Dieses Tool könnte Ärzten helfen, die Nachsorge nach der Behandlung zu personalisieren, anstatt für jeden Patienten den gleichen Zeitplan zu verwenden. Menschen mit einem höheren Risiko für ein Wiederauftreten der Erkrankung könnten genauer überwacht werden, während Menschen mit einem geringeren Risiko möglicherweise weniger Nachsorgemaßnahmen benötigen. Dieser Ansatz könnte unnötige Tests reduzieren, den Stress für Patienten verringern und die Ressourcen des Gesundheitswesens besser nutzen.

„Diese Arbeit ist das Ergebnis mehrjähriger Anstrengungen und Partnerschaften zwischen mehreren Institutionen. Ohne die Zusammenarbeit unserer Kollegen, die ihre Daten und ihr Fachwissen geteilt haben, wäre sie nicht möglich gewesen“, sagte Wani.

Zu den Mitarbeitern zählen Experten der Johns Hopkins University, der Mayo Clinic, der UZ Leuven, der University of North Carolina at Chapel Hill, der Washington University School of Medicine, der Cleveland Clinic London, der Northwestern Feinberg School of Medicine, dem University College London, der University of California Los Angeles, der University of Kansas und der Hirlanden Clinic Zürich.

Der nächste Schritt besteht darin, das Modell mithilfe internationaler Datensätze durch Kooperationen in den Niederlanden, dem Vereinigten Königreich, Belgien und der Schweiz weiter zu validieren. Ziel ist es, das Tool zu validieren, damit es breit einsetzbar und als zuverlässiges, universelles Hilfsmittel in der klinischen Versorgung eingesetzt werden kann.

Quellen: