Algorithmus erkennt Arthrose, bevor sie entsteht Logo of esanum https://www.esanum.de

Algorithmus erkennt Arthrose, bevor sie entsteht

An der University of Pittsburgh School of Medicine und dem Carnegie Mellon University College of Engineering wurde ein Algorithmus entwickelt, der Anzeichen von Arthrose (Osteoarthritis) auf einem MRT-Scan erkennt, bevor die ersten Symptome auftreten. Durch künstliche Intelligenz könnte die häufigste Gelenkerkrankung weltweit künftig präventiv mit Medikamenten behandelt werden statt durch eine OP.

Künftig Medikamente statt Operation

An der University of Pittsburgh School of Medicine und dem Carnegie Mellon University College of Engineering wurde ein Algorithmus entwickelt, der Anzeichen von Arthrose (Osteoarthritis) auf einem MRT-Scan erkennt, bevor die ersten Symptome auftreten. Mithilfe künstlicher Intelligenz könnte die häufigste Gelenkerkrankung weltweit künftig präventiv mit Medikamenten behandelt werden statt durch eine OP.

"Der Goldstandard für die Diagnose von Arthritis ist die Röntgenuntersuchung", sagte Dr. med. Kenneth Urish, außerordentlicher Professor für orthopädische Chirurgie in Pittsburgh und stellvertretender medizinischer Direktor des Knochen- und Gelenkzentrums am UPMC Magee-Womens Hospital. "Wenn sich der Knorpel verschlechtert, nimmt der Raum zwischen den Knochen ab. Wenn man Arthritis auf Röntgenbildern sieht, ist der Schaden bereits angerichtet. Es ist viel einfacher zu verhindern, dass der Knorpel zerfällt, als zu versuchen, ihn wieder zum Wachsen zu bringen".

Bisher keine medikamentöse Therapie

In Deutschland leiden etwa fünf Millionen Menschen unter Beschwerden, die durch eine Arthrose verursacht werden. Bisher wird Arthrose behandelt, indem Betroffenen ein neues Gelenk eingesetzt wird. In den USA ist der Kniegelenkersatz die häufigste Operation bei Menschen über 45 Jahren. Medikamente, die verhindern, dass sich die präsymptomatische Arthrose zu einer ausgewachsenen Gelenkverschlechterung entwickelt, gibt es bisher nicht. Die rheumatoide Arthritis hingegen kann bereits medikamentös behandelt werden. Das wünscht man sich auch für die Arthrose. Mehrere Wirkstoffe befinden sich in der präklinischen Pipeline.

Umfangreiche Daten für den Algorithmus

Um den Algorithmus mit Daten füttern zu können, griffen die WissenschaftlerInnen auf Daten der Arthrose-Initiative zurück, die sieben Jahre lang Tausende Menschen auf die Entwicklung einer Arthrose im Knie beobachtet hatte. Speziell ging es um die PatientInnen, die zu Beginn der Studie kaum Anzeichen von Knorpelschäden hatten. Heute wissen die Forschenden, welche Testpersonen später an Arthrose erkrankten. Anhand dieser Daten kann der Algorithmus erste Muster auf den MRT-Scans von präsymptomatischen Menschen mit Arthrose-Risiko erkennen.

"Wenn sich Ärzte diese Bilder des Knorpels ansehen, gibt es kein Muster, das mit bloßem Auge erkennbar ist, aber das bedeutet nicht, dass dort kein Muster zu erkennen ist. Es bedeutet nur, dass man es mit herkömmlichen Mitteln nicht sehen kann", sagte Shinjini Kundu, M.D., Ph.D., Hauptautorin der Studie, die dieses Projekt als Teil ihrer Graduiertenausbildung im Rahmen des Pitt Medical Scientist Training Programm und des Carnegie Mellon Department of Biomedical Engineering abgeschlossen hat.

Genauigkeit von 78 Prozent

Um diesen Ansatz zu validieren, trainierte Kundu das Modell an einem Teil der Knie-MRT-Daten und testete es dann an PatientInnen, von denen der Computer keine Daten hatte. Der Algorithmus sagte eine Arthrose mit 78%iger Genauigkeit aus MRTs voraus, die drei Jahre vor dem Einsetzen der Symptome durchgeführt wurden.

"Anstatt 10.000 Menschen zu rekrutieren und sie 10 Jahre lang zu beobachten, können wir einfach 50 Menschen rekrutieren, von denen wir wissen, dass sie in zwei oder fünf Jahren Osteoarthritis bekommen werden", sagte Urish. "Dann können wir ihnen das experimentelle Medikament geben und sehen, ob es die Entwicklung der Krankheit aufhält.

Quellen: 
1. https://www.upmc.com/media/news/092120-Kundu-Urish-OA
2. Enabling early detection of osteoarthritis from presymptomatic cartilage texture maps via transport-based learning
Shinjini Kundu, Beth G. Ashinsky, Mustapha Bouhrara, Erik B. Dam, Shadpour Demehri, Mohammad Shifat-E-Rabbi, Richard G. Spencer, Kenneth L. Urish, and Gustavo K. Rohde
PNAS first published September 21, 2020 
https://doi.org/10.1073/pnas.1917405117