Deep Learning für Überlebensprognose bei TAVI-Patienten direkt aus CT-Bildern
Von KI ausgewählt und zusammengefasst
Worum es geht
End-to-End-Deep-Learning-Pipeline zur Vorhersage des Gesamtüberlebens von TAVI-Patienten aus präprozeduralen Whole-Body-CT-Scans ohne manuelle Feature-Engineering, trainiert an 317 Patienten mit 5-fach Kreuzvalidierung.
Ergebnis
Modell erreichte AUC 0,787, Spezifität 72,1 % und Sensitivität 85,3 % zur Identifikation von Kurzzeit-Überlebenden (< 12 Monate). Leistung vergleichbar mit multimodalen ML-Modellen, die extensive klinische Daten erfordern. Risikoidentifikation ohne manuelle Feature-Extraktion als potenzielles klinisches Entscheidungshilfewerkzeug für präoperative Risikoschätzung.
Übertragbarkeit auf Deutschland
Deutschland; klinisches Anwendungssetting in Versorgungskontinuität übertragbar.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.