Artikel
Post-hoc-Analyse von mit intravitrealem Aflibercept mit T&E-Schema behandelten nAMD-Patienten aus ARIES & ALTAIR: Vorhersage von Behandlungsintervallen und -häufigkeit unter Verwendung von maschinellem Lernen
Suche in Medline nach
Autoren
-
Matthias Gutfleisch
- Augenzentrum am St. Franziskus-Hospital Münster, Münster
-
Britta Heimes-Bussmann
- Augenzentrum am St. Franziskus-Hospital Münster, Münster
-
Sökmen Aydin
- deepeye Medical GmbH, München
-
Ratko Petrovic
- deepeye Medical GmbH, München
-
Alexander Loktyushin
- deepeye Medical GmbH, München
-
Mashito Ohji
- Shiga University of Medical Science, Otsu, Japan
-
Annabelle A. Okada
- Kyorin University School of Med, Department of Ophthalmology, Mitaka-shi, Japan
-
Paula Scholz
- Bayer Vital GmbH, Leverkusen
-
Kai Rothaus
- Augenzentrum am St. Franziskus-Hospital Münster, Münster
-
Albrecht Lommatzsch
- Augenzentrum am St. Franziskus-Hospital Münster, Münster
| Veröffentlicht: | 13. Mai 2025 |
|---|
Gliederung
Text
Zielsetzung: In dieser post-hoc-Analyse der beiden prospektiven Studien ARIES und ALTAIR wurde untersucht, inwieweit sich mittels eines schon vorhanden künstlicher Intelligenz (KI)-Algorithmus der Behandlungsbedarf (Intervalle und Injektionshäufigkeit) von Patienten mit neovaskulärer AMD (nAMD) unter Aflibercept-Therapie im Rahmen eines Treat-and-Extend-Schemas prädiktieren lässt.
Methode: Insgesamt konnten OCT-Datensätze nach Woche 8 und 16 von insgesamt 317 Patienten eingeschlossen werden, 205 aus ARIES und 112 aus ALTAIR. Es erfolge eine Segmentierung und Analyse der Biomarker intra- und subretinale Flüssigkeit mit schon vorhandenen KI-Segmentierungs-Algorithmen, die auf Pro renata Daten trainiert wurde. Anschließend wurden Vorhersagemodelle (Deep Learning bzw. logistische Regression) trainiert, um die nächste Intervallanpassung und die zu erwartende Injektionshäufigkeit auf das T&E-Schema zu übertragen.
Ergebnis: Die KI-Modelle prädiktieren sowohl die erste Intervallanpassung nach Therapiebeginn (AUC bis zu 0,87 in ARIES) als auch die Anzahl der erforderlichen Injektionen im ersten bzw. zweiten Behandlungsjahr (AUC bis 0,84) mit hoher Genauigkeit. In der ALTAIR-Gruppe konnten trotz der kleinen Stichprobe mit logistischer Regression Vorhersagen getroffen werden (AUC bis 0,79).
Schlussfolgerung: In der vorliegenden post-hoc Analyse konnte durch den Einsatz von bereits vorhandenen KI-Modellen, die auf einem PRN-Datensatz trainiert wurden, eine gute Prädiktion auf den ARIES und ALTAIR-Daten, einem T&E-Datensatz, getroffen werden. Des Weiteren konnte gezeigt werden, dass es durch Transfer Learning möglich ist, bereits vorhandene KI-Modelle auf ein anderes Therapieschema anzupassen. Die Qualität der Vorhersage von Injektionsintervall und -frequenz einer anti-VEGF-Therapie ist dabei entscheidend abhängig von einer guten Biomarker-Segmentierung. In der täglichen Praxis könnten solche Informationen Therapieentscheidungen unterstützen und die Aufklärung des Patienten über den zu erwartenden Ablauf der Therapie verbessern.
