Aortenaneurysmen, also gefährliche Ausstülpungen der Hauptschlagader, zählen zu den häufigsten Gefäßerkrankungen und verursachen tausende Todesfälle pro Jahr in Europa und den USA. Während der offene Eingriff eine höhere Belastung während der Operation sowie eine längere Genesungszeit mit sich bringt, ist die sogenannte endovaskuläre Behandlung mit einer Reihe von Komplikationen nach der Operation behaftet. Bei dieser Behandlung wird ein Stent-Graft – eine Art Röhrchen – durch das Blutgefäß eingeführt und direkt beim Aneurysma platziert. Dies soll ein Reißen des Aneurysmas verhindern, weil das Gefäß an dieser Stelle entlastet wird und das Blut durch den Stent-Graft fließt.

Im Projekt EndoPredictor entwickelten ForscherInnen der RISC Software GmbH gemeinsam mit MedizinerInnen des Kepler Universitätsklinikums und der MATTES Medical Imaging GmbH Methoden, die es erlauben, Eigenschaften der abdominalen Aorta und des Aneurysmas aus medizinischen Bilddaten zu extrahieren und digital abzubilden. Dafür wurden 50 anonymisierte Patientendatensätze, bestehend aus Computer-Tomographie-Angiographie (CT-A) Aufnahmen vor dem Eingriff sowie für mehrere Nachfolgeuntersuchungen nach der endovaskulären Behandlung herangezogen.  Aus diesen Bilddaten wurden die Aorten und Stent-Grafts modelliert, der Blutfluss durch den Stent-Graft simuliert und eine mögliche Änderung des Stent-Grafts in Lage und Form bei der Nachfolgeuntersuchung berechnet.

Insgesamt wurden 201 CT-A Bilddatensätze untersucht und jeweils 42 Maßzahlen berechnet. Diese Maßzahlen beschreiben die Form von Aorta und Stent-Graft sowie Eigenschaften, die aus dem simulierten Blutfluss gewonnen werden.  Es wurde untersucht, welche Maßzahlen statistische Zusammenhänge mit Komplikationen wie Lecks, Gefäßverengungen oder Gefäßverschlüsse zeigen. Die Vorhersage dieser Komplikationen erfolgte mittels eines eigens entwickelten Verfahren. Ergebnis ist nun ein Software-System für die automatisierte Vorhersage der postoperativen Komplikationen nach endovaskulären Behandlungen. Es konnte eine Vorhersagegenauigkeit von bis zu 88 % erzielt werden.

Das entwickelte Vorhersageverfahren basiert auf maschinellen Lernverfahren und erkennt automatisch relevante Merkmale in den Daten und lernt aus vorangegangenen Datensätzen. Es wurde eine neue Methode zur Validierung der Merkmalsauswahl bei gleichzeitigem Training des Vorhersagesystems umgesetzt.

Derzeit wird eine Patenteinreichung des Verfahrens geprüft. Die Projektergebnisse sollen in weiterer Folge wissenschaftlich publiziert, und das Verfahren schrittweise in ein fertiges Produkt übergeführt werden.