Bei Hirntumoren (Gliomen) sind personalisierte Therapien ein wichtiger Ansatz, um den Behandlungserfolg zu verbessern. Die individuellen Daten liefern bildgebende Verfahren wie die Magnetresonanztomographie. Methoden der Künstlichen Intelligenz (KI), genauer des Machine Learning (ML), könnten helfen, die höchst komplexe und zeitintensive Daten-Analyse zu vereinfachen und aus ihr wichtige Erkenntnisse zu Mutationen zu ziehen.
Darauf verweist eine Studie der Karl Landsteiner Privatuniversität für Gesundheitswissenschaften in Krems, die auf Daten von 182 Patientinnen und Patienten des Universitätsklinikums St. Pöltens fußt und die KI nach einer spezifischen Mutation suchen ließ.
Patientinnen und Patienten, deren Gliomzellen eine mutierte Form des Gens für Isocitratdehydrogenase tragen, hätten „bessere klinische Aussichten als jene, bei denen die Wildtypform vorliegt. Das bedeutet: Je früher wir über diesen Mutationsstatus Bescheid wissen, desto optimaler können wir die Behandlung individualisieren“, wurde Andreas Stadlbauer, Medizinphysiker am St. Pöltener Zentralinstitut für medizinische Radiologie-Diagnostik, in einer Mitteilung zitiert. Man habe bei der Beurteilung durch die ML-Algorithmen „eine Präzision von 91,7 Prozent und eine Genauigkeit von 87,5 Prozent“ bei der Unterscheidung zwischen Tumoren mit dem Wildtyp-Gen oder der mutierten Form erzielt, hieß es. Allerdings können die Methoden zur Datenerhebung, die von Krankenhaus zu Krankenhaus variieren können, auch zu Verzerrungen in der ML-Auswertung führen, wie sich zeigte. Das sei ein Problem der Standardisierung.
Die Fachpublikation finden Sie hier.
(APA/red.)
