| Hintergrund: Die Diplomarbeit befasst sich mit der Fragestellung, ob es eine Korrelation zwischen Parametern, die durch Texturanalysen von Röntgen-Thorax-Bildern gewonnenen wurden und klinischen, sowie Laborparametern von COVID-19-Patient*innen gibt. In dieser Arbeit wird eine retrospektive Studie vorgestellt, die den Zusammenhang zwischen Texturanalysen von Röntgenbildern des Thorax von COVID-19-Patient*innen und klinischen Parametern untersucht. Ziel ist es, aufzeigen zu können, dass mittels Radiomics generierter Daten aus Röntgenbildern eine möglichst genaue Prognose der Erkrankung gegeben werden kann. Das Röntgen-Thorax ist eine einfache und kostengünstige Routineuntersuchung und wird bei fast allen Patient*innen mit Dyspnoe oder Verdacht auf eine Pneumonie in der Notaufnahme durchgeführt. Bisherige Studien zeigen bereits, dass mittels Texturanalysen aus CT-Bildern die Prognose für COVID-19- Patient*innen gut vorhergesagt werden kann. Ob ein Vorhersagemodell, basierend auf Algorithmen des maschinellen Lernens, mittels Texturdaten aus Röntgenbildern und Laborwerten eine vergleichbare Leistung erbringen kann, ist Gegenstand dieser Studie.
Methoden: Die Studie beinhaltet eine Stichprobe von 250 PCR-positiven COVID-19-Patient*innen, die im Zeitraum von November 2020 bis Mai 2021 in Graz behandelt wurden. Bei allen Patient*innen wurden Röntgenaufnahmen des Brustkorbs durchgeführt und anschließend Texturanalysen durchgeführt. Die Bildsegmentierung wurde mit der Open-Source- Software 3D Slicer (Version 4.11.0-2019-03-24) durchgeführt und die Extraktion von Radiomics-Merkmalen wurde mit SlicerRadiomics durchgeführt. Die klinischen Parameter und Laborwerte wurden anhand der Krankenakten erfasst und umfassen neben Aufenthaltsdauer, Intensivpflichtigkeit und -dauer, Notwendigkeit und Dauer einer Intubation und Überlebensdauer unter anderem verschiedene Laborparameter (BGA, Blutbild, Gerinnungswerte, Entzündungswerte) und andere COVID-19 relevante Blutwerte.
Ergebnisse: Die Ergebnisse zeigen, bei einer auswertbaren Datenmenge von N=237, signifikante Globaltests zwischen Texturparametern und Mortalität sowie zwischen Laborwerten und Mortalität. Die Bewertung von vier Klassifizierungsalgorithmen, welche die Mortalität anhand von Texturparametern und Laborwerten vorhersagen sollen, zeigt eine ähnlich gute Leistung für alle verwendeten Algorithmen: AdaBoost (AUC= 0.7328), Elastic Net (AUC= 0.7334), Gradient Boosting Machines (AUC= 0.7314), Support Vector Machines (AUC= 0.734). Das Miteinbeziehen von Texturparametern in die Algorithmen führt zu keiner verbesserten Leistung der Algorithmen, die nur mit Laborwerten trainiert wurden.
Fazit: Die Studie verdeutlicht, dass Laborwerte wertvolle Informationen bezüglich der Schwere der Erkrankung widerspiegeln und Machine-Learning-Algorithmen mit diesen Werten trainiert werden könnten, um möglichst genaue Prognoseinstrumente für COVID-19 zu entwickeln. Texturparameter aus Röntgenbildern erbrachten diesbezüglich keinen aussagekräftigen Mehrwert für die Performance der verschiedenen Klassifikationsmethoden und somit für die Prognoseabschätzung. Es ist möglich, dass andere Einflussfaktoren oder eine umfassendere Datenintegration erforderlich sind, um die Prognosegenauigkeit für Vorhersagemodelle mit ausschließlich klinischen Parametern für COVID-19-Patient*innen zu erhöhen. |
