Postdoc Start-up Grant on Advancing Digital Aspects: Machine learning-based prognosis: assessment of novel CMR features in a prospective patient cohort

Kernelemente der ärztlichen Versorgung von Patientinnen sind eine Diagnose und die darauf aufbauende Therapie. Kränkere Patientinnen von weniger Kranken oder Patientinnen mit schlechterer von denen mit besserer Prognose unterscheiden zu können, gehört zu den grundständigen ärztlichen Fertigkeiten, die von zentraler Bedeutung sind, wenn es beispielsweise darum geht, Therapiestrategien zu intensivieren oder zu verändern. Bilddaten gehören in der Kardiologie zu den zentralen Instrumenten der Diagnostik der Patientinnen, um genau diese Unterschiede besser herauszuarbeiten. Traditionell werden aus den erhobenen Bilddaten einfache, häufig messbare Werte herausgelesen, die dann in der Folge in die klinischen Entscheidungen und Therapiestrategien eingehen. Gerade Bilder mittels MRT des Herzens bieten eine hohe Dichte and zeitlicher und räumlicher Information, sodass gerade diese Bilder das Potenzial bieten, aus ihnen mehr abzuleiten als traditionelle Messwerte. Mittels künstlicher Intelligenz (KI) kann aus erhobenen Bildern mehr erkannt werden. Ebenso können Algorithmen lernen Bilddaten von Patienten mit anderen Daten dieser Patienten, wie Erkrankungen, Krankenhausaufenthalte oder Todeszeitpunkte mit genau diesen Bilddaten assoziiert sind. Je besser man den Algorithmus der Daten trainiert, desto besser ist er auch darin, korrekt klinische Ereignisse wie Tod oder Krankenhausaufenthalte zu prognostizieren. Die Observationsstudie BeLOVE, welche Patientinnen mit einem deutlich erhöhten kardiovaskulären Risikoprofil einschließt, bietet die Möglichkeit in einem bedeutenden Maß Herz-MRT-Daten auszuwerten und damit ein Prognosemodell zur Risikostratifizierung von Kardiologie-Patientinnen zu entwickeln sowie zu validieren. Die Entwicklung und Überprüfung auf die Verlässlichkeit eines solchen KI-Ansatzes zur Prognosebeurteilung von Patient*innen ist das Hauptziel dieses Forschungsvorhabens.