Projektbeschreibung:

Schlaganfallpatienten entwickeln in bis zu 10 % aller Fälle eine extreme Hirnschwellung. Man spricht dann von einem „malignen Infarkt“, der aufgrund des Druckanstieges im Gehirn zu schwerwiegenden Folgeschäden führt und häufig tödlich verläuft. Die Schwellung des malignen Infarktes ist durch Medikamente kaum beeinflussbar und bedarf einer operativen Entlastung, die ihrerseits risikobehaftet ist und deshalb häufig zu spät durchgeführt wird. Klinisch besteht somit die Herausforderung, schon frühzeitig diejenigen Patienten zu identifizieren, bei denen eine operative Therapie unerlässlich ist, um genau diese Patienten zeitnah zu operieren. Mithilfe der Methode des „maschinellen Lernens“ werden computertomografische Aufnahmen (CT-Bilder) und klinische Daten von 1.500 Patienten analysiert und ein Modell entwickelt, das hilft, die Hirnschwellung frühzeitig zu erkennen und ihren Verlauf vorherzusagen. Zunächst identifizieren computerbasierte Algorithmen automatisch charakteristische Merkmale aus den CT-Bildern und den klinischen Daten (Lernphase). In einer anschließenden Validierungsphase wird das so entwickelte Modell an neuen Datensätzen überprüft.

Medizinische Fachrichtung:

Schlaganfallmedizin; Neurologie, Neuroradiologie und Neurochirurgie

Ziel des Projektes:

Mit dem Einsatz des maschinellen Lernens soll die Hirnschwellung besser verstanden und frühzeitig erkannt werden.

Zielgruppe:

Schlaganfallpatienten mit „malignem Hirninfarkt“

Projektleitung:

Dr. med. Sven Poli, Abteilung Neurologie mit Schwerpunkt neurovaskuläre Erkrankungen und Neuroonkologie, und Hertie-Institut für klinische Hirnforschung am Universitätsklinikum Tübingen

Kooperationspartner:

Fraunhofer-Institut für Digitale Medizin MEVIS

Projektzeitraum:

3 Jahre; 01.04.2019 bis 31.03.2022

Finanzierung:

Innovationsausschuss beim Gemeinsamen Bundesausschuss; 1.102.360,00 Euro