Computergestützte, nicht-invasive Risikostratifizierung der Hämodynamik von CTEPH-Patienten mittels Computertomographien

Abstract

Die chronische thromboembolische pulmonale Hypertonie ist eine progressiv verlaufende pulmonalvaskuläre Erkrankung ([1]), die sich durch fibrothrombotische Obstruktionen großer Pulmonalarterien einhergehend mit einer Arteriopathie der kleinen Gefäße auszeichnet ([2]). Da sie die einzige potenziell heilbare Form der pulmonalen Hypertonie darstellt, ist die frühe und exakte Diagnosestellung für den Behandlungserfolg der Erkrankung von großer Bedeutung ([3]). Hierzu ist derzeit eine Rechtsherzkatheteruntersuchung zur Evaluation der Hämodynamik zwingend notwendig ([4]). Diese stellt jedoch ein invasives Verfahren dar, weshalb alternative, nicht-invasive, diagnostische Strategien im Kontext der Erkrankung von besonderem Interesse sind ([5]). Um eine solche, nicht-invasive Alternative zu finden, wurden im Rahmen dieser Dissertation verschiedene, computertomographische Parameter hinsichtlich ihrer Vorhersagekraft der angiographisch ermittelten Hämodynamik der untersuchten Patienten analysiert und zudem mittels Supervised Machine Learning-Modell und Fast-Correlation Based Filtering-Methode eine nicht invasive Risikostratifizierung sowie eine optimierte Analyse der prädiktiven Wichtigkeit der Parameter durchgeführt. Hierzu wurden die Datensätze von 127 Patienten mit chronisch thromboembolischer pulmonaler Hypertonie ausgewertet, die präoperativ sowohl eine thorakale Computertomographie (davon 39 elektrokardiographisch-synchronisiert und 88 nicht-elektrokardiographisch-synchronisiert) als auch eine invasive Rechtsherzkatheteruntersuchung erhalten hatten. Die computertomographischen Parameter umfassten vierzehn quantitative und fünf qualitative Merkmale gemessen in axialen und multiplanar reformierten Schnittbildern. Sie zeigten keine signifikanten Unterschiede zwischen den elektrokardiographisch- und den nicht-elektrokardiographisch-synchronisierten Aufnahmen. Bezogen auf die Rekonstruktionsebene (axial versus multiplanar reformiert) lagen die absoluten Unterschiede bei unter 0,3 Millimetern und es konnten keine signifikanten Unterschiede hinsichtlich ihrer Korrelationen zu den hämodynamischen Kenngrößen beobachtet werden. Sechs quantitative Parameter zeigten Korrelationen mit signifikanten bis hochsignifikanten P-Werten zum rechtsatrialen Druck, elf zum mittleren pulmonalarteriellen Druck und acht zur pulmonalarteriellen Sauerstoffsättigung. Hochsignifikante P-Werte in allen drei Fällen fanden sich für den Kurzachsendurchmesser des rechten Vorhofs (r2:0,5;0,37;-0,37) und dessen Verhältnis zum linken Ventrikel (r2:0,41;0,44;-0,51). Zudem ließen sich bei drei der fünf qualitativen Merkmale signifikante bis hochsignifikante Differenzen bezogen auf alle drei hämodynamischen Variablen beobachten. Der Kontrastmittelrückstau in die Lebervenen wies hierbei drei jeweils hochsignifikante Differenzen (P-Wert:0,001;<0,0001;<0,0001) auf. Im Rahmen der nicht-invasiven Risikostratifizierung mittels Supervised Machine Learning-Modell ergab sich für die binäre Vorhersage des pulmonalarteriellen Mitteldrucks eine Area under the curve von 0,82, für die pulmonalarterielle Sauerstoffsättigung betrug sie 0,74. Die Fast-Correlation Based Filtering-Methode ergab für die binären Vorhersagen des pulmonalarteriellen Mitteldrucks und der Sauerstoffsättigung je vier wichtige Merkmale, wobei das Verhältnis des rechten Vorhofs zum linken Ventrikel und der Kontrastmittelrückstau in die Lebervenen auch hier die insgesamt bedeutendsten Parameter darstellten. Insbesondere diese beiden bildbasierten Variablen waren somit neben weiteren Kenngrößen in der Lage, die Hämodynamik der Patienten sicher vorherzusagen. Gleichfalls wurde eine nicht-invasive Risikostratifizierung ermöglicht, die in der Zukunft als diagnostisches Werkzeug dienen könnte.

Chronic thromboembolic pulmonary hypertension is a progressive disease of the pulmonary vasculature ([1]) that is characterised by fibrothrombotic obstructions of large pulmonary arteries accompanied by a small-vessel arteriopathy ([2]). As it is the only potencially curable form of pulmonary hypertension an early and precise diagnosis is an especially crucial factor regarding the treatment success ([3]. Currently a right heart catheterisation to evaluate the hemodynamics is mandatory for this diagnosis ([4]). Since this is an invasive procedure alternative non-invasive diagnostic strategies are of particular interest in the context of the disease ([5]). To develop such a non-invasive alternative in the course of this dissertation various computed tomographic parameters were analysed in consideration of their predictive power for the angiografically derived hemodynamics of the examined patients and furthermore a non-invasive risk stratification and an optimised analysis of the feature importances were realised using a supervised machine learning model and a fast correlation based filtering method. For this purpose the data of 127 patients with a chronic thromboembolic pulmonary hypertension all of which had undergone a preoperative computed tomography scan of the chest (39 electrocardiographically synchronised and 88 non-electrocardiographically synchronised) and an invasive right heart catheterisation were analysed. The computed tomographic parameters consisted of fourteen quantitative and five qualitative features which were measured in axial and adjusted multiplane reconstructions. They did not show any significant differences between electrocardiographically and non-electrocardiographically synchronised computed tomographies. Relating to the reconstruction plane (axial versus adjusted multiplane reconstructions) the absolute differences were below 0.3 millimeters and beyond that no significant differences were found concerning their correlations with the hemodynamic characteristics. Six quantitative parameters showed correlations with significant to highly significant p-values to the right atrial pressure, eleven to the mean pulmonary artery pressure and eight to the pulmonary artery oxygen saturation. Highly significant p-values in all three cases were found for the short axis diameter of the right atrium (r2:0,5;0,37;0,37) and the ratio of the right atrium and the left ventricle (r2:0,41;0,44;-0,51). Furthermore significant to highly significant differences for all three hemodynamic characteristics could be observed for three of the five qualitative parameters. Indeed the contrast agent retention in hepatic veins showedthree highly significant differences (P-Wert:0,001;<0,0001;<0,0001). In the context of the non invasive risk stratification using a random forest machine learning algorithm an area under the curve of 0.82 was observed for the binary prediction of the mean pulmonary artery pressure, for the pulmonary artery oxygen saturation the area under the curve was 0.74. The fast-correlation based filtering method resulted in four important features for the binary predictions of the mean pulmonary artery pressure and four for the oxygen saturation. Out of these the ratio of the right atrium and the left ventricle as well as the contrast agent retention in hepatic veins likewise were the most important features overall. Consequently especially these two image based parameters alongside others were able to reliably predict the patients’ hemodynamics. In addition a non invasive risk stratification was facilitated that could generally be used as a diagnostic tool.