Maschinelle Lernalgorithmen als neuer Screening-Ansatz für Patientinnen mit Endometriose: Studie zeigt Möglichkeiten für Diagnose und Screening auf
Aufgrund steigender Prävalenz rückt die chronische Erkrankung Endometriose weiter in den Fokus der Gesundheitsversorgung. Wie können maschinelle Lernalgorithmen (MLA) zur Diagnose und Früherkennung von Endometriose beitragen?
Endometriose, eine chronische, jedoch gutartige Erkrankung, bei der endometriumähnliches Gewebe außerhalb der Gebärmutter zu finden ist, verursacht typische Menstruationsbeschwerden wie Krämpfe oder Übelkeit, die meist zyklisch mit der Periodenblutung auftreten. Betroffen ist eine von zehn Frauen im gebärfähigen Alter. Weltweit sind an Endometriose schätzungsweise 190 Millionen Frauen erkrankt [1], in Deutschland sind über zwei Millionen Frauen betroffen [2]. Obwohl die Krankheit schwerwiegende Folgen haben kann, variiert der Zeitraum bis zur individuellen Diagnosestellung, gemessen vom Zeitpunkt des Auftretens erster Symptome bis zur endgültigen Diagnose, erheblich: Aufgrund des unterschiedlichen Verlaufes der Symptomatik vergehen zwischen vier und elf Jahre, bis eine korrekte Diagnose gestellt werden kann [3, 4]. Auch für die Gesundheitssysteme stellt Endometriose eine erhebliche Belastung dar: Die damit zusammenhängenden direkten medizinischen Gesamtkosten, inklusive der Kosten eines chirurgischen Eingriffs, betragen rund 20.000 Euro pro Patientin und Jahr [5]. Weltweit wird intensiv an Möglichkeiten zur Verbesserung der Diagnose und Behandlung von Endometriose geforscht [6].
Innovationen unter Einsatz künstlicher Intelligenz und maschinellen Lernens zeichnen sich bereits als vielversprechende Ansätze für datengesteuerte Lösungen ab. Sie können die Krankheitsdiagnose beschleunigen sowie die Entscheidung über die individuell notwendige Behandlung unterstützen [7].
Studie trainiert und validiert MLA, um Diagnoseinstrument zu entwickeln
Bendifallah et al. (2022) untersuchen die Anwendbarkeit und Effizienz von MLA im Kontext der Endometriose-Diagnostik. Anhand von 16 klinischen und symptombezogenen Merkmalen prüfen die Forscher den Einsatz und die Wirksamkeit von MLA bei der Diagnose und beim Screening von Endometriose [4].
Der in dieser Studie verwendete Datensatz umfasst 8.000 Patientenakten mit 500 Merkmalen zu Symptomen, Diagnosen, Behandlung und Nachsorge einer potenziellen Endometriose. Diese Datenbasis ermöglicht die Entwicklung und das Training diverser MLA, mit dem Ziel, ein hochpräzises Screening-Instrument zu schaffen. Die Validierung dieses Modells erfolgt durch eine prospektive Datenanalyse. Die Evaluierung der Algorithmen illustriert das Potenzial der eingesetzten Methoden zur Steigerung der Genauigkeit in der medizinischen Diagnostik, aber auch für schnellere, nicht-invasive Diagnosemöglichkeiten.
**
**
MLA als wertvolle Unterstützung bei Diagnosefindung
Die Ergebnisse der Studie zeigen, dass MLA eine nicht-invasive Diagnose und Früherkennung von Endometriose ermöglicht. Das entwickelte Modell könnte ein vielversprechendes Screening-Instrument für Allgemeinmediziner, Gynäkologen und weitere medizinische Erstversorger sein. Die Anwendung von MLA könnte in einigen Fällen sogar die traditionelle diagnostische Laparoskopie ersetzen, was einen bedeutenden Wandel in der klinischen Praxis darstellen würde.
Darüber hinaus könnte das auf Basis von Patientendaten entwickelte webbasierte Diagnoseinstrument auch von Patientinnen selbst genutzt werden. Lange Zeiten der Diagnosestellung könnten eventuell verkürzt und eine frühere Behandlung ermöglicht werden.
Fazit
Algorithmen des Maschinellen Lernens können die Diagnose und Früherkennung von Endometriose unterstützen [4,8] und somit einen Paradigmenwechsel in der klinischen Praxis darstellen, indem sie die diagnostische Laparoskopie ersetzen [4]. Die Studienergebnisse untermauern den klinischen Wert der MLA als Unterstützung ärztlicher Entscheidungen bei der Diagnose und Früherkennung von Endometriose. Mittelfristig können die gesammelten Daten zudem dazu beitragen, die Erkenntnisse aus klinischen Studien zu erweitern und zu gezielteren Behandlungsansätzen führen, die die Lebensqualität der Betroffenen verbessern.
Lesen Sie auch unseren Artikel zum Thema Diagnostik in der Dermatologie mittels Deep Learning: https://www.atlas-digitale-gesundheitswirtschaft.de/unterstuetzung-der-diagnostik-in-der-dermatologie-mittels-deep-learning/
Quellen
[1] Kigloo HN, Itani R., Mantreuil T, et al. (2024). Endometriosis, chronic pain, anxiety, and depression: A retrospective study. In: Journal of Effective Disorders. 346. 260-265. Doi: 10.1016/j.jad.2023.11.034.
[2] Endometriose- Vereinigung Deutschland e.V. Stellungnahme Endometriose- Vereinigung Deutschland e.V. 2023. Online: https://www.bundestag.de/resource/blob/940374/2a9ba76eaaaf6e9a648913f91d37f3b9/20_14_0092-3-_Endometriose-Vereinigung-Deutschland-e-V-_Endometriose-data.pdf (Zugriff am 18.12.2023)
[3] Agarwal SK, Chapron C, Giudice LC, et al. (2019). Clinical diagnosis of endometriosis: a call to action. In: American Journal of Obstetrics & Gynecology. 220 (4). 354.e1-354.e12. Doi: 10.1016/j.ajog.2018.12.039.
[4] Bendifallah S, Puchar A, Suisse S, et al. (2022). Machine learning algorithms as new screening approach for patients with endometriosis. In: Scientific Reports. 12 (1). 639. 2022. Doi: 10.1038/s41598-021-04637-2.
[5] Darbà J, Marsà A (2022). Economic Implications of Endometriosis: A Review. In: PharmacoEconomics. 40, 1143–1158. Doi: 10.1007/s40273-022-01211-0.
[6] Duffy JMN, Adamson GD, Benson E, et al. (2020). Top 10 priorities for future infertility research: an international consensus development study. In: Human Reproduction. 35 (12). 2715-2724. 2020 Doi: 10.1093/humrep/deaa242.
[7] Goyal A, Kuchana M, Ayyagari KPR. (2020). Machine learning predicts live-birth occurrence before in-vitro fertilization treatment. In: Scientific Reports. 10. 209252020. Doi: 10.1038/s41598-020-76928-z.
[8] Sivajohan B, Elgendi M, Menon C, et al. (2022). Clinical use of artificial intelligence in endometriosis: a scoping review. In: npj Digital Medicine. 5 (109). Doi: 10.1038/s41746-022-00638-1.
