25rhk001 10.3205/25rhk001 urn:nbn:de:0183-25rhk0014 Meeting Abstract Kleyer Kleyer Arnd A

Charité Campus Mitte, Medizinische Klinik mit Schwerpunkt Rheumatologie und Klinische Immunologie, Berlin Universitätsklinikum Erlangen, Medizinische Klinik 3, Rheumatologie und Immunologie, Erlangen

author Fenzl Fenzl Pauline P

Charité Campus Mitte, Medizinische Klinik mit Schwerpunkt Rheumatologie und Klinische Immunologie, Berlin

author Folle Folle Lukas L

University of Erlangen-Nuremberg, Erlangen

author Fagni Fagni Filippo F

Charité Campus Mitte, Medizinische Klinik mit Schwerpunkt Rheumatologie und Klinische Immunologie, Berlin

author Minopoulou Minopoulou Ioanna I

Charité Campus Mitte, Medizinische Klinik mit Schwerpunkt Rheumatologie und Klinische Immunologie, Berlin

author Simon Simon David D

Charité Campus Mitte, Medizinische Klinik mit Schwerpunkt Rheumatologie und Klinische Immunologie, Berlin

author Sticherling Sticherling Michael M

Universitätsklinikum Erlangen, Hautklinik, Erlangen

author Bayat Bayat Sara S

Universitätsklinikum Erlangen, Medizinische Klinik 3, Rheumatologie und Immunologie, Erlangen

author Maier Maier Andreas A

University of Erlangen-Nuremberg, Erlangen

author Schett Schett Georg G

Charité Campus Mitte, Medizinische Klinik mit Schwerpunkt Rheumatologie und Klinische Immunologie, Berlin

author German Medical Science GMS Publishing House

Düsseldorf

610 20250917 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0627 001 Deutsche Gesellschaft für Rheumatologie Deutsche Gesellschaft für Orthopädische Rheumatologie 53. Kongress der Deutschen Gesellschaft für Rheumatologie (DGRh), 39. Jahrestagung der Deutschen Gesellschaft für Orthopädische Rheumatologie (DGORh) Deutscher Rheumatologiekongress 2025 Diagnostik & Bildgebung Wiesbaden 20250917 20250920 DI.01 TextEinleitung: Psoriatische Nagelveränderungen treten häufig bei Patienten mit Psoriasis (PsO) und Psoriasisarthritis (PsA) auf und gelten als Prädiktor für die Entwicklung einer PsA . Die klinische Bewertung mittels Nail Psoriasis Severity Index (NAPSI) ist jedoch zeitaufwendig und im Alltag wenig praktikabel . Der Einsatz künstlicher Intelligenz, insbesondere Deep-Learning-Algorithmen, bietet die Möglichkeit einer objektiven und effizienten Beurteilung – wie bereits in Vorarbeiten demonstriert werden konnte . Ziel dieser Studie ist die Weiterentwicklung eines Deep-Learning-Algorithmus zur automatisierten Klassifikation psoriatischer Nagelveränderungen auf Grundlage standardisierter Handfotos per iPad unter Verwendung eines modifizierten NAPSI (mNAPSI)-Scores.Methoden: Die Studie wurde am Universitätsklinikum Erlangen in den Ambulanzen der Medizinischen Klinik 3 (Rheumatologie und Immunologie) sowie der Dermatologie durchgeführt. Eingeschlossen wurden Patientinnen und Patienten mit Psoriasis vulgaris, Psoriasisarthritis (PsA), rheumatoider Arthritis (RA) sowie gesunde Kontrollpersonen. Zur Datenerhebung wurden mithilfe einer speziell entwickelten Vorrichtung standardisierte, untersucherunabhängige Handaufnahmen mittels iPad erstellt. Zusätzlich erfolgten eine klinische Untersuchung der Hand- und Fingergelenke sowie die Erfassung relevanter Parameter, darunter Morgensteifigkeit und Krankheitsaktivitätsscores.Die Fingernägel wurden automatisiert aus den Bildern extrahiert und durch geschulte Reader gemäß den Kriterien des modifizierten NAPSI (mNAPSI) bewertet. Zur Validierung der Objektivität wurden ausgewählte Bilder von drei unabhängigen Experten beurteilt. Die so annotierten Bilddaten dienten dem Training eines neuronalen Netzwerks zur automatisierten Detektion und Klassifikation psoriatischer Nagelveränderungen in fünf Schweregradstufen anhand des mNAPSI-Scores. Die Modellvorhersagen wurden anschließend mit den Expertenbewertungen auf Nagel- und Patientenebene verglichen.Ergebnisse: Insgesamt wurden 421 Proband:innen (57% Frauen, Durchschnittsalter 53±14,6 Jahre) in die Studie eingeschlossen, darunter 163 mit RA, 150 mit Psoriasisarthritis PsA, 37 PsO und 71 gesunde Kontrollpersonen. Von insgesamt 4.395 verwertbaren Nagelbildern konnten 3.621 für das Training (n=2.313), die Validierung (n=584) und das Testen (n=724) des neuronalen Netzwerks genutzt werden.Die Mehrzahl der Bilder zeigte niedrige mNAPSI-Scores (Score 0: n=1.618; Score 1: n=1.116), während höhere Schweregrade deutlich seltener auftraten (Score 2–8: n=887). Das trainierte Modell erreichte eine AUROC von 91% sowie eine durchschnittliche Präzision von 74% und übertraf damit frühere Ergebnisse auf Basis kleinerer Datensätze (Folle et al., 2023 ). Die Korrelation der Modellvorhersagen mit den Expertenbewertungen lag bei 92%. Die häufigsten detektierten Nagelläsionen waren Ölflecken, Onycholyse und Leukonychia. Die Inter-Rater-Reliabilität der Expertenbewertungen betrug 94%.Schlussfolgerung: Durch die Hinzunahme weitere Bilddaten, konnten wir das bereits entwickelte neuronale Netzwerk weiter verbessern. Künftige Optimierungen durch Datenbalancierung,standardisierte Bildaufnahme aber auch Erweiterung auf Fotos mobiler Endgeräte könnten die Modellleistung weiter verbessern und als Messinstrument im Rahmen klinischer Studien oder auch ambulanter Versorgung eingesetzt werden. Ritchlin CT Colbert RA Gladman DD Psoriatic Arthritis 2017 N Engl J Med 957-70 Ritchlin CT, Colbert RA, Gladman DD. Psoriatic Arthritis. N Engl J Med. 2017 Mar 9;376(10):957-70. DOI: 10.1056/NEJMra1505557 http://dx.doi.org/10.1056/NEJMra1505557 Baran RL A nail psoriasis severity index 2004 Br J Dermatol 568-9 Baran RL. A nail psoriasis severity index. Br J Dermatol. 2004 Mar;150(3):568-9. DOI: 10.1046/j.1365-2133.2003.05725.x http://dx.doi.org/10.1046/j.1365-2133.2003.05725.x Folle L Fenzl P Fagni F Thies M Christlein V Meder C Simon D Minopoulou I Sticherling M Schett G Maier A Kleyer A DeepNAPSI multi-reader nail psoriasis prediction using deep learning 2023 Sci Rep 5329 Folle L, Fenzl P, Fagni F, Thies M, Christlein V, Meder C, Simon D, Minopoulou I, Sticherling M, Schett G, Maier A, Kleyer A. DeepNAPSI multi-reader nail psoriasis prediction using deep learning. Sci Rep. 2023 Apr 1;13(1):5329. DOI: 10.1038/s41598-023-32440-8 http://dx.doi.org/10.1038/s41598-023-32440-8 0 0 0 0