nach oben

Erschienen in:

25.03.2024 | Künstliche Intelligenz | Leitthema

Künstliche Intelligenz in der Gefäßchirurgie

Eine kritische Bestandsaufnahme

verfasst von: PD Dr. med. Christian-Alexander Behrendt, Alexander Gombert, Christian Uhl, Axel Larena-Avellaneda, Bernhard Dorweiler

Erschienen in: Gefässchirurgie | Ausgabe 3/2024

Einloggen, um Zugang zu erhalten

Zusammenfassung

Bereits in der ersten Hälfte des vergangenen Jahrhunderts haben sich Wissenschaftler mit dem Konstrukt der künstlichen Intelligenz (KI) beschäftigt. Durch die zunehmende Popularität von Chatbots und generativer KI in der jüngeren Vergangenheit hat sich die Verbreitung der KI-basierten Techniken auch in der medizinischen Forschung und klinischen Anwendung rasant entwickelt. Die Mehrheit der Anwendungsfälle in der Gefäßchirurgie umfasst Techniken des maschinellen Lernens an Massendaten und die Vorhersage geeigneter Endpunkte zur Unterstützung der Therapieentscheidung. Dabei wird offensichtlich, dass die Validität der Trainingsdaten und die externe Validierung der damit entwickelten Modelle eine große Herausforderung darstellen. Der Rechtsrahmen der Europäischen Union wird vor diesem Hintergrund bereits seit mehreren Jahren an die neuen Entwicklungen der datenbasierten Medizin angepasst, wodurch eine intensive Beschäftigung mit dem Thema und ein kontinuierlicher Austausch mit den beteiligten Schnittstellengebieten wichtig ist. Dieser Artikel gibt einen Überblick in das Themenfeld und einige Anwendungsbeispiele in der Gefäßmedizin.

Alushi K, Hinterseher I, Peters F et al (2022) Distribution of mobile health applications amongst patients with symptomatic peripheral arterial disease in Germany: a cross-sectional survey study. J Clin Med 11:498CrossRefPubMedPubMedCentral

Behrendt CA, Kreutzburg T, Nordanstig J et al (2022) The OAC(3)-PAD risk score predicts major bleeding events one year after hospitalisation for peripheral artery disease. Eur J Vasc Endovasc Surg 63:503–510CrossRefPubMed

Chandrashekar A, Handa A, Lapolla P et al (2023) A deep learning approach to visualize aortic aneurysm morphology without the use of intravenous contrast agents. Ann Surg 277:e449–e459CrossRefPubMed

Charalambous S, Klontzas ME, Kontopodis N et al (2022) Radiomics and machine learning to predict aggressive type 2 endoleaks after endovascular aneurysm repair: a proof of concept. Acta Radiol 63:1293–1299CrossRefPubMed

Cox M, Reid N, Panagides JC et al (2022) Interpretable machine learning for the prediction of amputation risk following lower extremity infrainguinal endovascular interventions for peripheral arterial disease. Cardiovasc Intervent Radiol 45:633–640CrossRefPubMed

Doctorow C (2008) Big data: welcome to the petacentre. Nature 455:16–21CrossRefPubMed

Guang Y, He W, Ning B et al (2021) Deep learning-based carotid plaque vulnerability classification with multicentre contrast-enhanced ultrasound video: a comparative diagnostic study. BMJ Open 11:e47528CrossRefPubMedPubMedCentral

Hilbert M, Lopez P (2011) The world’s technological capacity to store, communicate, and compute information. Science 332:60–65CrossRefPubMed

Huang Z, Cheng XQ, Liu HY et al (2022) Relation of carotid plaque features detected with ultrasonography-based radiomics to clinical symptoms. Transl Stroke Res 13:970–982CrossRefPubMed

10.

Jalalahmadi G, Helguera M, Linte CA (2020) A machine leaning approach for abdominal aortic aneurysm severity assessment using geometric, biomechanical, and patient-specific historical clinical features. Proc SPIE Int Soc Opt Eng 11317:

11.

Kontopodis N, Klontzas M, Tzirakis K et al (2023) Prediction of abdominal aortic aneurysm growth by artificial intelligence taking into account clinical, biologic, morphologic, and biomechanical variables. Vascular 31:409–416CrossRefPubMed

12.

Kordzadeh A, Hanif MA, Ramirez MJ et al (2021) Prediction, pattern recognition and modelling of complications post-endovascular infra renal aneurysm repair by artificial intelligence. Vascular 29:171–182CrossRefPubMed

13.

Kreutzburg T, Peters F, Kuchenbecker J et al (2021) Editor’s choice – the GermanVasc score: a pragmatic risk score predicts five year amputation free survival in patients with peripheral arterial occlusive disease. Eur J Vasc Endovasc Surg 61:248–256CrossRefPubMed

14.

Krumb HJ, Dorweiler B, Mukhopadhyay A (2023) HEX: a safe research framework for hybrid EMT X‑ray navigation. Int J Comput Assist Radiol Surg 18:1175–1183CrossRefPubMedPubMedCentral

15.

Larena-Avellaneda A (2017) „Das Buch der Natur ist mit mathematischen Symbolen geschrieben“ (Galileo Galilei). Gefässchirurgie 22:388–391CrossRef

16.

Lareyre F, Behrendt CA, Chaudhuri A et al (2023) Applications of artificial intelligence for patients with peripheral artery disease. J Vasc Surg 77:650–658CrossRefPubMed

17.

Lareyre F, Behrendt CA, Pradier C et al (2023) Nationwide study in france to predict one year major bleeding and validate the OAC3-PAD score in patients undergoing revascularisation for lower extremity arterial disease. Eur J Vasc Endovasc Surg 66:213–219CrossRefPubMed

18.

Lareyre F, Chaptoukaev H, Kiang SC et al (2022) Telemedicine and digital health applications in vascular surgery. J Clin Med 11:6047CrossRefPubMedPubMedCentral

19.

Lareyre F, Chaudhuri A, Behrendt CA et al (2023) Artificial intelligence-based predictive models in vascular diseases. Semin Vasc Surg 36:440–447CrossRefPubMed

20.

Le EPV, Rundo L, Tarkin JM et al (2021) Assessing robustness of carotid artery CT angiography radiomics in the identification of culprit lesions in cerebrovascular events. Sci Rep 11:3499CrossRefPubMedPubMedCentral

21.

Lekadir K, Galimzianova A, Betriu A et al (2017) A convolutional neural network for automatic characterization of plaque composition in carotid ultrasound. IEEE J Biomed Health Inform 21:48–55CrossRefPubMed

22.

Masuda T, Baba Y, Nakaura T et al (2022) Applying patient characteristics, stent-graft selection, and pre-operative computed tomographic angiography data to a machine learning algorithm: Is endoleak prediction possible? Radiography 28:906–911CrossRefPubMed

23.

Ørskov M, Skjøth F, Behrendt CA et al (2023) External validation of the OAC(3)-PAD bleeding score in a nationwide population of patients undergoing invasive treatment for peripheral arterial disease. Eur J Vasc Endovasc Surg

24.

Ostberg NP, Zafar MA, Mukherjee SK et al (2023) A machine learning approach for predicting complications in descending and thoracoabdominal aortic aneurysms. J Thorac Cardiovasc Surg 166:1011–1020.e1013CrossRefPubMed

25.

Pan T, Jiang X, Liu H et al (2022) Prediction of 2‑year major adverse limb event-free survival after percutaneous transluminal angioplasty and stenting for lower limb atherosclerosis obliterans: a machine learning-based study. Front Cardiovasc Med 9:783336CrossRefPubMedPubMedCentral

26.

Peters F, Behrendt CA (2022) External validation of the OAC3-PAD risk score to predict major bleeding events using the prospective Germanvasc cohort study. Eur J Vasc Endovasc Surg

27.

Rimmele DL, Borof K, Wenzel JP et al (2021) Differential association of flow velocities in the carotid artery with plaques, intima media thickness and cardiac function. Atheroscler Plus 43:18–23CrossRefPubMedPubMedCentral

28.

Ross EG, Shah NH, Dalman RL et al (2016) The use of machine learning for the identification of peripheral artery disease and future mortality risk. J Vasc Surg 64:1515–1522.e1513CrossRefPubMedPubMedCentral

29.

Saba L, Brinjikji W, Spence JD et al (2021) Roadmap consensus on carotid artery plaque imaging and impact on therapy strategies and guidelines: an international, multispecialty, expert review and position statement. AJNR Am J Neuroradiol

30.

Saxena A, Ng EYK, Lim ST (2019) Imaging modalities to diagnose carotid artery stenosis: progress and prospect. BioMed Eng OnLine 18:66CrossRefPubMedPubMedCentral

31.

Schwaneberg T, Debus ES, Repgen T et al (2019) Entwicklung eines selbstlernenden Risikoscores an Real-World-Datenquellen. Gefässchirurgie 24:234–238CrossRef

32.

Skandha SS, Nicolaides A, Gupta SK et al (2022) A hybrid deep learning paradigm for carotid plaque tissue characterization and its validation in multicenter cohorts using a supercomputer framework. Comput Biol Med 141:105131CrossRefPubMed

33.

Squiers JJ, Thatcher JE, Bastawros DS et al (2022) Machine learning analysis of multispectral imaging and clinical risk factors to predict amputation wound healing. J Vasc Surg 75:279–285CrossRefPubMed

34.

Stock J, Petersen T, Behrendt C‑A et al (2022) Privatsphärefreundliches maschinelles Lernen. Informatik Spektrum 45:70–79CrossRef

35.

Stock J, Petersen T, Behrendt C‑A et al (2022) Privatsphärefreundliches maschinelles Lernen. Informatik Spektrum 45:137–145CrossRef

36.

Turing AM (1950) I.—Computing machinery and intelligence. Mind LIX, S 433–460

37.

Wang Y, Zhou M, Ding Y et al (2022) Development and comparison of multimodal models for preoperative prediction of outcomes after endovascular aneurysm repair. Front Cardiovasc Med 9:870132CrossRefPubMedPubMedCentral

38.

Zhang D, Wang M, Wu L et al (2021) Assessing the characteristics and diagnostic value of plaques for patients with acute stroke using high-resolution magnetic resonance imaging. Quant Imaging Med Surg 12:1529–1538CrossRef

39.

Zimmermann M, Larena-Avellaneda A, Rother U et al (2023) Editor’s Choice – Long Term Outcomes After Invasive Treatment of Carotid Artery Stenosis: a Longitudinal Study of German Health Insurance Claims. Eur J Vasc Endovasc Surg 66:493–500CrossRefPubMed

Titel: Künstliche Intelligenz in der Gefäßchirurgie
Eine kritische Bestandsaufnahme
verfasst von: PD Dr. med. Christian-Alexander Behrendt
Alexander Gombert
Christian Uhl
Axel Larena-Avellaneda
Bernhard Dorweiler
Publikationsdatum: 25.03.2024
Verlag: Springer Medizin
Schlagwort: Künstliche Intelligenz
Erschienen in: Gefässchirurgie / Ausgabe 3/2024
Print ISSN: 0948-7034
Elektronische ISSN: 1434-3932
DOI: https://doi.org/10.1007/s00772-024-01098-5

Neu im Fachgebiet Chirurgie

Vorsicht, erhöhte Blutungsgefahr nach PCI!

10.05.2024 Koronare Herzerkrankung Nachrichten

Nach PCI besteht ein erhöhtes Blutungsrisiko, wenn die Behandelten eine verminderte linksventrikuläre Ejektionsfraktion aufweisen. Das Risiko ist umso höher, je stärker die Pumpfunktion eingeschränkt ist.

Darf man die Behandlung eines Neonazis ablehnen?

08.05.2024 Gesellschaft Nachrichten

In einer Leseranfrage in der Zeitschrift Journal of the American Academy of Dermatology möchte ein anonymer Dermatologe bzw. eine anonyme Dermatologin wissen, ob er oder sie einen Patienten behandeln muss, der eine rassistische Tätowierung trägt.

Deutlich weniger Infektionen: Wundprotektoren schützen!

08.05.2024 Postoperative Wundinfektion Nachrichten

Der Einsatz von Wundprotektoren bei offenen Eingriffen am unteren Gastrointestinaltrakt schützt vor Infektionen im Op.-Gebiet – und dient darüber hinaus der besseren Sicht. Das bestätigt mit großer Robustheit eine randomisierte Studie im Fachblatt JAMA Surgery.

Chirurginnen und Chirurgen sind stark suizidgefährdet

07.05.2024 Suizid Nachrichten

Der belastende Arbeitsalltag wirkt sich negativ auf die psychische Gesundheit der Angehörigen ärztlicher Berufsgruppen aus. Chirurginnen und Chirurgen bilden da keine Ausnahme, im Gegenteil.

Update Chirurgie

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

Newsletter bestellen

Aktuelle BDC Leitlinien-Webinare

S3-Leitlinie „Diagnostik und Therapie des Karpaltunnelsyndroms“

Karpaltunnelsyndrom BDC Leitlinien Webinare

CME: 2 Punkte

Das Karpaltunnelsyndrom ist die häufigste Kompressionsneuropathie peripherer Nerven. Obwohl die Anamnese mit dem nächtlichen Einschlafen der Hand (Brachialgia parästhetica nocturna) sehr typisch ist, ist eine klinisch-neurologische Untersuchung und Elektroneurografie in manchen Fällen auch eine Neurosonografie erforderlich. Im Anfangsstadium sind konservative Maßnahmen (Handgelenksschiene, Ergotherapie) empfehlenswert. Bei nicht Ansprechen der konservativen Therapie oder Auftreten von neurologischen Ausfällen ist eine Dekompression des N. medianus am Karpaltunnel indiziert.

Prof. Dr. med. Gregor Antoniadis

S2e-Leitlinie „Distale Radiusfraktur“

Radiusfraktur BDC Leitlinien Webinare

CME: 2 Punkte

Das Webinar beschäftigt sich mit Fragen und Antworten zu Diagnostik und Klassifikation sowie Möglichkeiten des Ausschlusses von Zusatzverletzungen. Die Referenten erläutern, welche Frakturen konservativ behandelt werden können und wie. Das Webinar beantwortet die Frage nach aktuellen operativen Therapiekonzepten: Welcher Zugang, welches Osteosynthesematerial? Auf was muss bei der Nachbehandlung der distalen Radiusfraktur geachtet werden?

PD Dr. med. Oliver Pieske

Dr. med. Benjamin Meyknecht

S1-Leitlinie „Empfehlungen zur Therapie der akuten Appendizitis bei Erwachsenen“

Appendizitis BDC Leitlinien Webinare

CME: 2 Punkte

Inhalte des Webinars zur S1-Leitlinie „Empfehlungen zur Therapie der akuten Appendizitis bei Erwachsenen“ sind die Darstellung des Projektes und des Erstellungswegs zur S1-Leitlinie, die Erläuterung der klinischen Relevanz der Klassifikation EAES 2015, die wissenschaftliche Begründung der wichtigsten Empfehlungen und die Darstellung stadiengerechter Therapieoptionen.

Dr. med. Mihailo Andric

Springer Medizin

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 3/2024

Rechtsrahmen der Nutzung digitaler Gesundheitsanwendungen in der Versorgung und Versorgungsforschung

Herz- und Gefäßmedizin?

Wearables in der Kardiologie: – Erkenntnisse aus aktuellen, digitalen Vorhofflimmern-Screenings und Management-Studien

Mitteilungen der ÖGG

Katheterassoziierte Gefäßkomplikationen

Gefäßmedizin im Digitalrausch: Die Zukunft mit Wearables gestalten

Update Chirurgie