London und Potsdam, Deutschland (ots/PRNewswire) –
Ein Forscherteam entwickelt einen Algorithmus der künstlichen Intelligenz (KI) mit dem Ziel, tiefe Venenthrombosen (DVT) schneller und effektiver zu diagnostizieren als herkömmliche, von Radiologen interpretierte Diagnosescans, wodurch lange Wartelisten von Patienten verkürzt und vermieden werden kann, dass Patienten unnötigerweise Medikamente zur Behandlung von DVT erhalten, obwohl sie gar nicht daran leiden.
Eine tiefe Venenthrombose ist eine Art von Blutgerinnsel, das sich meist in den Beinen bildet und Schwellungen, Schmerzen und Unwohlsein verursacht – unbehandelt kann es zu tödlichen Blutgerinnseln in der Lunge führen. Bei 30-50 % der Menschen, die eine TVT entwickeln, können langfristige Symptome und Behinderungen auftreten.
Forscher der Universität Oxford, des Imperial College und der Universität Sheffield arbeiteten mit dem Technologieunternehmen ThinkSono (unter der Leitung von Fouad Al-Noor und Sven Mischkewitz) zusammen, um einen KI-Algorithmus mit maschinellem Lernen (AutoDVT) zu trainieren, der Patienten mit einer TVT von solchen ohne TVT unterscheiden kann. Der KI-Algorithmus diagnostizierte die TVT im Vergleich zur Goldstandard-Ultraschalluntersuchung sehr genau, und das Team errechnete, dass die Gesundheitsdienste durch die Anwendung des Algorithmus möglicherweise 150 US-Dollar pro Untersuchung einsparen könnten.
“Wir haben festgestellt, dass die vorläufigen Daten, die mit dem KI-Algorithmus in Verbindung mit einem tragbaren Ultraschallgerät gewonnen wurden, vielversprechende Ergebnisse zeigen”, sagte die Leiterin der Studie, Dr. Nicola Curry, Wissenschaftlerin am Radcliffe Department of Medicine der Universität Oxford und Klinikerin am Oxford University Hospitals NHS Foundation Trust.
Dies ist die erste Studie, die zeigt, dass KI-Algorithmen mit maschinellem Lernen potenziell eine TVT diagnostizieren können. Die Forscher werden eine verblindete klinische Studie starten, in der die Genauigkeit von AutoDVT mit der Standardversorgung verglichen wird, um die Sensitivität des Systems bei der Erkennung von TVT-Fällen zu ermitteln. Die Hoffnung ist, dass AutoDVT den fast 8 Millionen Menschen weltweit, die jedes Jahr ein venöses Blutgerinnsel haben könnten, schneller die richtige Diagnose stellt.
“Der KI-Algorithmus kann nicht nur darauf trainiert werden, Ultraschallbilder zu analysieren, um das Vorhandensein bzw. Nichtvorhandensein eines Blutgerinnsels zu unterscheiden – er kann auch den Benutzer mit dem Ultraschallstab zu den richtigen Stellen entlang der Oberschenkelvene führen, so dass auch ein nicht spezialisierter Benutzer die richtigen Bilder aufnehmen kann”, sagte Christopher Deane vom Oxford Haemophilia and Thrombosis Centre, Mitglied des Studienteams.
Das Forschungsteam hofft, dass die Kombination des AutoDVT-Tools mit der Einbeziehung des KI-Algorithmus es nicht spezialisierten medizinischen Fachkräften wie Hausärzten und Krankenschwestern ermöglichen wird, Thrombosen schnell zu diagnostizieren und zu behandeln. Darüber hinaus können auch Nicht-Fachleute Bilder aufnehmen, die an einen Experten geschickt werden können, um die Diagnose für diejenigen zu erleichtern, die nicht zu einem Spezialisten gehen können.
“Derzeit erhalten viele Patienten nicht innerhalb von 24 Stunden nach dem Verdacht auf eine Thrombose eine endgültige Diagnose, so dass viele Patienten am Ende schmerzhafte Injektionen eines oft unnötigen Gerinnungshemmers mit potenziellen Nebenwirkungen erhalten”, so Dr. Curry, der auch dem Oxford Centre for Haematology angehört.
Fouad Al Noor, der CEO von ThinkSono, erklärte: “Wir sind von den Ergebnissen dieser Studie begeistert und freuen uns auf die weitere Zusammenarbeit mit dem Oxford University Hospital und anderen Partnerkliniken, um die Software zu testen und sie Patienten weltweit zur Verfügung zu stellen.”
Die Ergebnisse der Studie sind in der Zeitschrift npj Digital Medicine veröffentlicht.
Die Website von ThinkSono ist hier zu finden:
www.thinksono.com
Kontaktieren Sie ThinkSono für weitere Informationen: Fouad Al Noor, hello@thinksono.com
Anmerkung: Das Forschungspapier ist hier zu finden: https://www.nature.com/articles/s41746-021-00503-7 mit DOI https://doi.org/10.1038/s41746-021-00503-7
Foto – https://mma.prnewswire.com/media/1626577/ThinkSono.jpg
Importiert mit WPna von Tro(v)ision
