ATC 2023: Künstliche Intelligenz (KI)und maschinelles Lernen in der Transplantationsmedizin

KI-Technologien erleben seit kurzem einen immensen Entwicklungsschub hin zu praktischen Anwendungen. Auf dem American Transplant Congress (ATC) 2023 wurden die Grundlagen von KI und maschinellem Lernen aus unterschiedlichen Fachperspektiven erläutert und viele spannende Einsatzgebiete im Bereich der Transplantationsmedizin diskutiert.

KI-Technologien könnten sowohl die Arbeitsweise als auch die Ergebnisse der Transplantationsmedizin in Zukunft spürbar verändern. Grundsätzliche Fragestellungen und konkrete Anwendungen wurden auf dem ATC vorgestellt.

Grundlagen von KI

Der Begriff KI umfasst jede Technik, die menschliche Intelligenz nachahmt – unabhängig davon, wie die Datenverarbeitung erfolgt.¹ Ist die Technik in der Lage, auf Basis von statistischen Daten zu lernen bzw. bessere Lösungen für spezifische Aufgaben auszugeben, ohne explizit programmiert zu werden, spricht man von maschinellem Lernen (ML).² ML – Arten unterscheiden sich u. a. dahingehend, ob Entscheidungen der KI nachträglich nachvollziehbar sind oder nicht (deep learning).³

Im Rahmen der Transplantationsmedizin könnten KI-Technologien zum Einsatz kommen, wenn große Mengen ggf. unterschiedlicher Datentypen integriert und komplexe, nicht-lineare Beziehungen erfasst werden sollen, um zu optimalen, personalisierten Therapieentscheidungen zu kommen. Schwierigkeiten ergeben sich in Bezug auf die Interpretation und Generalisierbarkeit der Ergebnisse.³

Anwendungsfelder von KI in der Transplantationsmedizin

Als Beispiele für Prä-Transplantations-Anwendungen von KI wurden auf dem ATC u. a. das Spender- Empfänger-Matching⁴, die Wartelisten-Priorisierung⁵ sowie die Evaluierung und Zuweisung von Spenderorganen^3,6 präsentiert. So ergaben Berechnungen mittels Markov Modellierung, dass das Alter des Spenders > 70 Jahre das Überleben eines Lebertransplantats in einem „präferierten Empfänger“ mit günstigen Voraussetzungen nicht signifikant beeinträchtigt – im Gegensatz zu „nicht-präferierten Empfängern“.⁶

Auch nach der Transplantation ergeben sich vielfältige Einsatzgebiete für KI, z. B. um Vorhersagen zur Integrität und Funktionalität des Transplantats^7-9 sowie zum Gesamtüberleben^{10, 11} von Transplantatempfänger*innen zu treffen und individuelle, datengestützte Anpassungen des Monitorings und Managements^12-14 zu erlauben. Vorgestellt wurden u. a.:

Das integrierte dd-cfDNA (donor-derived cell-free DNA) Scoring-System AiKidney, das klinische, biologische und non-invasive Biomarker nutzt, um die Entscheidung für oder wider eine Allograft-Biopsie zu erleichtern.¹²
iDS, das individuelle Verläufe nach einer Nierentransplantation durch Abgleich mit Patient*innen mit vergleichbaren Werten für 23 Ausgangsparameter ermittelt und damit klinische Entscheidungen unterstützen könnte.¹³
Ein KI-basierter Ansatz für eine individuell optimierte immunsuppressive Therapie, mit dem Abstoßungsperioden bis zu zwei Wochen vor Diagnose vorhergesagt wurden und entsprechend erforderliche Dosisanpassungen frühzeitig möglich waren.¹⁴

Auch die klinische Forschung könnte zukünftig von KI profitieren, die für die Prognose harter Studien-Endpunkte genutzt wird und damit zu einer früheren Veröffentlichung klinisch relevanter Daten führen könnte.¹⁵

Referenzen

Hsich E. Predicting Transplant Outcome with Machine Learning. ATC 2023; 03.06.– 07.06.2023; San Diego, CA, USA; Impact Session.
Urbanowicz R. Best Practices in Applying Machine Learning in Human Immunogenetics and Complex Immunogenomic Data Mining. ATC 2023; 03.06.–07.06.2023; San Diego, CA, USA; Impact Session.
Bhat M. Strengths and Weaknesses of Machine Learning in Clinical Transplantation. ATC 2023; 03.06.–07.06.2023; San Diego, CA, USA; Impact Session.
Gragert L. HLA Amino Acid Mismatch-Based Risk Stratification of Kidney Graft Failure Using a Novel Machine Learning Approach. ATC 2023; 03.06.–07.06.2023; San Diego, CA, USA; Impact Session.
Cooper M. et al. Dynameld: Accurate, Equitable Modeling of End-Stage Liver Disease. ATC 2023; 03.06.–07.06.2023; San Diego, CA, USA; Oral Abstract #518.
Massie A. Development, Validation, and Application of Decision Aids in Transplantation. ATC 2023; 03.06.–07.06.2023; San Diego, CA, USA; Impact Session.
Naik R. et al. An Artificial Intelligence Approach for Prediction of Worsening Renal Allograft Function. ATC 2023; 03.06.–07.06.2023; San Diego, CA, USA; Oral Abstract #164.
Goutaudier V. et al. Development, Application, and Validation of a Histological Classification Automation System for Kidney Allograft Precision Diagnostics. ATC 2023; 03.06.–07.06.2023; San Diego, CA, USA; Oral Abstract #511.
Cooper LA. et al. Multi-Institutional Validation of Automated AI Banff Lesion Score Predictions from Renal Allograft Biopsies. ATC 2023; 03.06.–07.06.2023; San Diego, CA, USA; Oral Abstract #515
Pencovici N. et al. Novel Artificial Intelligence Algorithms Predict Long Term Outcomes in Kidney Transplant Recipients from Baseline Electrocardiograms. ATC 2023; 03.06.– 07.06.2023; San Diego, CA, USA; Poster #A300.
Mohseni S. et al. Enhanced Reliability of Artificial Intelligence Survival Models to Predict 1- Year Survival After Kidney Transplant Using a Novel Combined Model. ATC 2023; 03.06.– 07.06.2023; San Diego, CA, USA; Poster #A288.
Loupy A. Artificial Intelligence for Classification in Transplantation. ATC 2023; 03.06.– 07.06.2023; San Diego, CA, USA; Impact Session.
Rousseau O. et al. A Visualization Model for Health-Related Big Data: Personalized Patient Contextualization After Kidney Transplantation. ATC 2023; 03.06.–07.06.2023; San Diego, CA, USA; Oral Abstract #516
Bruner JF. et al. Phenotypic Personalized Medicine to Guide. Immunosuppression Management in Liver Transplantation. ATC 2023; 03.06.–07.06.2023; San Diego, CA, USA; Oral Abstract #26.
Naser S. et al. Extended Validation of the iBox in Real Life Setting, Different Transplant Systems and Clinical Trials: The iBox EXTENDED Trial. ATC 2023; 03.06.–07.06.2023; San Diego, CA, USA; Oral Abstract #513.