Abstract
Objectives: Interstitial lung disease (ILD) is the most common cause of death in patients with systemic sclerosis (SSc), although disease behavior is highly heterogeneous. While a usual interstitial pneumonia (UIP) pattern is associated with worse survival in other ILDs, its significance in SSc-ILD is unclear. We sought to assess the prognostic utility of a deep-learning HRCT algorithm of UIP probability in SSc-ILD. Methods: Patients with SSc-ILD were included if HRCT images, concomitant lung function tests, and follow-up data were available. We used the Systematic Objective Fibrotic Imaging analysis Algorithm (SOFIA), a convolution neural network algorithm which provides probabilities of a UIP pattern on HRCT images. These were converted into the Prospective Investigation of Pulmonary Embolism Diagnosis (PIOPED)-based UIP probability categories. Decline in lung function was assessed by mixed-effect model analysis and relationship with survival by Cox proportional hazards analysis. Results: 522 patients were included in the study. 19.5% were classified as UIP not in the differential, 53.5% as low probability of UIP, 25.7% as intermediate probability of UIP, and 1.3% as high probability of UIP. A higher likelihood of UIP probability expressed as PIOPED categories was associated with worse baseline FVC, as well as with decline in FVC (p = 0.008), and worse 15-year survival (p = 0.001), both independently of age, gender, ethnicity, smoking history, and baseline FVC or Goh et al. staging system.
Abstract aus Stock CJW, Nan Y, Fang Y, et al.: Deep-learning CT imaging algorithm to detect usual interstitial pneumonia pattern in patients with systemic sclerosis-associated interstitial lung disease: association with disease progression and survival. Rheumatology (Oxford), in press. DOI: 10.1093/rheumatology/keae571
Transfer in die Praxis von PD Dr. Dr. Philipp Sewerin (Herne)
In dieser retrospektiven Studie wurden 522 Patienten mit systemischer Sklerose (SSc)-assoziierter interstitieller Lungenerkrankung (ILD) untersucht, um den prognostischen Wert eines Deep-Learning-Algorithmus (Systematic Objective Fibrotic Imaging analysis Algorithm, SOFIA) zu evaluieren. SOFIA analysiert Bilder aus hochauflösender Computertomografie (HRCT) und berechnet eine kontinuierliche Wahrscheinlichkeit für das Vorliegen einer gewöhnlichen interstitiellen Pneumonie (usual interstitial pneumonia, UIP), die bekanntermaßen bei anderen Formen der ILD mit einer schlechten Prognose assoziiert ist. Die berechneten Wahrscheinlichkeiten wurden entsprechend kategorisiert: «UIP nicht in der Differenzialdiagnose» (0–4%), «niedrige Wahrscheinlichkeit» (5–29%), «mittlere Wahrscheinlichkeit» (30–69%) und «hohe Wahrscheinlichkeit» (70–94%). Aufgrund der geringen Anzahl an Patienten in der hohen Kategorie wurden diese mit den mittleren Fällen zusammengefasst.
Die Ergebnisse zeigen, dass 19,5% der Patienten in die Kategorie «UIP nicht in der Differenzialdiagnose», 53,5% in die Kategorie «niedrige Wahrscheinlichkeit» und 25,7% in die Kategorie «mittlere/hohe Wahrscheinlichkeit» eingeordnet wurden. Eine höhere UIP-Wahrscheinlichkeit korrelierte signifikant mit einer schlechteren Lungenfunktion: Es bestanden inverse Zusammenhänge mit der forcierten Vitalkapazität (FVC; ρ = –0,33) und der Diffusionskapazität der Lunge für Kohlenmonoxid (DLCO; ρ = –0,48; beide P < 0,0001). Darüber hinaus war ein höherer SOFIA-Score mit einer schnelleren Abnahme der FVC im Zeitverlauf assoziiert, was auch nach Adjustierung für Alter, Geschlecht, Ethnizität, Raucherstatus und basale Lungenfunktionswerte bestehen blieb. Im Überlebensvergleich zeigten Patienten mit mittlerer/hoher UIP-Wahrscheinlichkeit eine signifikant reduzierte 15-Jahres-Überlebensrate, wobei die mediane Überlebenszeit in dieser Gruppe signifikant kürzer war als bei Patienten ohne UIP als Differenzialdiagnose.
Die Autoren kommen zu dem Schluss, dass SOFIA als computergestützte Bildanalyse in der Lage ist, subtile UIP-Merkmale zu erkennen, die mit fortgeschrittener ILD, beschleunigter funktioneller Verschlechterung und schlechterer Prognose assoziiert sind. Diese Methode stellt somit eine wertvolle Ergänzung zu konventionellen Prognoseparametern dar und könnte helfen, Patienten frühzeitig zu identifizieren, die von intensivierten Therapieansätzen (z.B. antifibrotische Therapie oder frühzeitige Transplantationsüberlegungen) profitieren könnten.
Fazit für die Praxis
Die Studie unterstreicht das Potenzial von künstlicher Intelligenz (KI), insbesondere von Deep-Learning-Algorithmen, zur Verbesserung der Prognoseabschätzung bei SSc-ILD. Trotz methodischer Einschränkungen, wie z.B. unterschiedliche CT-Aufnahmeprotokolle über einen Zeitraum von 20 Jahren und unkontrollierte Behandlungseffekte, liefert der SOFIA-Algorithmus unabhängige prognostische Informationen, die über traditionelle Lungenfunktionsparameter hinausgehen. Die Möglichkeit der objektiven Quantifizierung subtiler radiologischer Veränderungen eröffnet vielversprechende Perspektiven für eine individualisierte Therapieplanung. Zukünftige prospektive Studien sind jedoch notwendig, um die klinische Anwendbarkeit und den Mehrwert dieser Technologie im Routineeinsatz weiter zu validieren.
Disclosure Statement
Kein Interessenkonflikt.
