25doc027
10.3205/25doc027
urn:nbn:de:0183-25doc0274
Meeting Abstract
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
Gutfleisch
Gutfleisch
Matthias
M
Augenzentrum am St. Franziskus-Hospital Münster, Münster
author
Heimes-Bussmann
Heimes-Bussmann
Britta
B
Augenzentrum am St. Franziskus-Hospital Münster, Münster
author
Aydin
Aydin
Sökmen
S
deepeye Medical GmbH, München
author
Petrovic
Petrovic
Ratko
R
deepeye Medical GmbH, München
author
Loktyushin
Loktyushin
Alexander
A
deepeye Medical GmbH, München
author
Ohji
Ohji
Mashito
M
Shiga University of Medical Science, Otsu, Japan
author
Okada
Okada
Annabelle A.
AA
Kyorin University School of Med, Department of Ophthalmology, Mitaka-shi, Japan
author
Scholz
Scholz
Paula
P
Bayer Vital GmbH, Leverkusen
author
Rothaus
Rothaus
Kai
K
Augenzentrum am St. Franziskus-Hospital Münster, Münster
author
Lommatzsch
Lommatzsch
Albrecht
A
Augenzentrum am St. Franziskus-Hospital Münster, Münster
author
German Medical Science GMS Publishing House
Düsseldorf
610
20250513
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).
M0613
027
37. Internationaler Kongress der Deutschen Ophthalmochirurgie (DOC)
Retina II
Nürnberg
20250515
20250517
FP 3.8
TextZielsetzung: 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.
0
0
0
0