Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

RadiSSO-Login

Einfach buchen

Buchen Sie jetzt RÖKO DIGITAL des 105. Deutscher Röntgenkongress und 10. Gemeinsamer Kongress von DRG und ÖRG und verpassen Sie keines unserer lehrreichen und informativen Webinare zu verschiedenen Themen der Radiologie.

  • Wissenschaft & Fortbildung
  • CME-Punkte
  • Themenvielfalt
  • Dialog & Interaktion
Jetzt buchen

Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

RadiSSO-Login

Ohne Buchung.

Sie können an dieser Veranstaltung auch ohne Buchung von RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG gebucht haben oder noch nachbuchen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an dieser Veranstaltungen auch ohne Buchung von RÖKO DITITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG gebucht haben oder noch nachbuchen.

Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Jetzt teilnehmen

Kongressteilnehmer.

Als Teilnehmer am RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG loggen Sie sich bitte ein, um an dieser Industrie­veranstaltung teilzunehmen.

RadiSSO-Login

Ohne Buchung.

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen. Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Jetzt teilnehmen

Das ist eine Meldung

Stet clita kasd gubergren, no sea takimata sanctus est. Ut labore et dolore aliquyam erat, sed diam voluptua.

Login

WISS 208

Muskuloskelettale Radiologie - KI für Muskel und Knochen

Muskuloskelettale Radiologie - KI für Muskel und Knochen
Donnerstag, 9. Mai 2024 · 15:45 bis 16:50 Uhr
Diese Veranstaltung findet ausschließlich als Präsenzveranstaltung im Rhein-Main-Congress-Center in Wiesbaden statt. Diese Veranstaltung kann nicht über einen Stream sondern nur vor Ort besucht werden.
9
Mai

Donnerstag, 9. Mai 2024

15:45 bis 16:50 Uhr · Raum: Terrassensaal C  in Kalender übernehmen:   iCal  ·  Google
Kongress buchen

Veranstaltungsdetails

Veranstalter
Deutsche Röntgengesellschaft e.V.
Art
Wissenschaftliche Sitzung
Thema
Muskuloskelettale Radiologie

Zertifizierungen

Der RÖKO WIESBADEN wird im Rahmen einer Kongresszertifizierung durch die LÄK Hessen bewertet. Bitte beachten Sie die Hinweise unter A bis Z.

Informationen

Moderation
Mike Notohamiprodjo (Starnberg)
Ursula Schwarz-Nemec (Wien)

Ablauf

15:45 - 15:50

Vortrag (Wissenschaft)

Automatisierte Detektion von Weichteilsarkomen in der MRT mittels KI und Chat-GPT 4

Hendrik Voigtländer

weitere Autoren

Sebastian Voigtländer (Heidelberg) / Sam Sedghat (Heidelberg)

Zielsetzung

Weichteilsarkome repräsentieren eine heterogene Gruppe von bösartigen Tumoren, die ihren Ursprung in den Weichteilen des Körpers haben. In den letzten Jahren hat die künstliche Intelligenz (KI)erhebliche Fortschritte in verschiedenen medizinischen Fachgebieten gemacht. Ziel unsere Studie war es unter Verwendung von ChatGPT-4 ein neuronales Netzwerk für die automatisierte Detektion von primären Weichteilsarkomen in der MRT zu entwickeln und zu testen.

Material und Methoden

Als Eingangsdatensatz dienten Standard-MRT-Sequenzen (T1, T2fs, n=1104 Aufnahmen) der Extremitäten, welche in ein Trainingsdatensatz 80% (n=884 Aufnahmen) und in ein Validierungsdatensatz 20% (n=220 Aufnahmen) randomisiert wurden. Unser 10-schichtige Netzwerk integrierte Faltungsschichten zur Merkmalserkennung, Pooling-Schichten zur Reduzierung der Dimensionalität und abschließend zwei Dense-Schichten für die binäre Klassifikation. Das Modell wurde über 8 Epochen trainiert. Als Referenzbasis dienten zwei erfahrene Radiologen für die Klassifikation in "Tumor" und "nicht Tumor" auf den MRT-Aufnahmen.

Ergebnisse

Die Auswertung unter Verwendung unseren Datensatzes mit n=1104 Aufnahmen konnte, nachdem Trainieren unseres sequenziellen neuronalen Netzwerkmodells über 8 Epochen eine signifikante Verbesserung in der automatisierten Detektionsleistung beobachtet werden. Das Modell zeigte eine diagnostische Genauigkeit von 96,27% auf dem Trainingsdatensatz (n=884 Aufnahmen). Beim Testen mit dem Validierungsdatensatz (n=220 Aufnahmen) erzielte das Modell eine diagnostische Genauigkeit von 93,64% bei einer Sensitivität von 82,14% und einer Spezifität von 98,53% zur Erkennung von Weichteilsarkomen der Extremitäten in der MRT.

Schlussfolgerungen

Das unter Zuhilfenahme von ChatGPT entwickelte neurale Netzwerk zeigt in der initialen Auswertung bereits eine gute diagnostische Performance und Effektivität des Modells. Mit unserem Netzwerk lassen sich somit primäre Weichteilsarkome der Extremitäten in der MRT mit einer hohen Sensitivität und Spezifität erkennen.

Teilnahme Young Investigator Award

15:50 - 15:55

Vortrag (Wissenschaft)

Künstliche Intelligenz ermöglicht die zuverlässige und standardisierte Vermessung von strahlensparenden EOS-Ganzbeinachsen in einem pädiatrischen Setting.

Andreas Sperr (München)

weitere Autoren

Verena Schäfer (München) / Luisa Udoh (München) / Daniel Berger (München) / Bernd Erber (München) / Sophia Goller (München) / Boris Holzapfel (München) / Jörg Arnholdt (München) / Nina Hesse (München) / Paul Reidler (München)

Zielsetzung

Ziel der Studie war es, erstmalig die diagnostische Leistung einer auf künstlicher Intelligenz basierenden Software (KI) - welche an konventionellen Röntgenbildern trainiert wurde - zur Durchführung orthopädischer Messungen an EOS-Ganzbeinachsen (FLR) bei einer pädiatrischen Patientenkohorte zu beurteilen.

Material und Methoden

346 FLR von Patienten zwischen 4 und 17 Jahren [Median 12 J; IQR 11-14 J] wurden ausgewertet. Zwei erfahrene MSK-Radiologen bewerteten den hip-knee-ankle angle (HKA), die Beinlänge und die Mechanische Achsabweichung (MAD). Die KI-Messungen wurden mit IB Lab LAMA (IB Lab GmbH, Österreich) durchgeführt. Unterschiede in der Messung von Radiologen und KI wurden auf Ursache und Reproduzierbarkeit untersucht und statistisch erfasst. Der Intraklassen-Korrelationskoeffizient (ICC) wird zur Bewertung der Konformität und die Bland-Altman-Analyse zur Bewertung des bias zwischen KI, Radiologen und zwischen den beiden Radiologen verwendet. ICC-Übereinstimmungsraten ≥ 0,9 wurden als ausgezeichnet und 0,75-0,89 als gut definiert.

Ergebnisse

Einliegendes Fremdmaterial fand sich bei 24,9% der Kohorte und eine signifikante Arthrose bei 16,5%. Median und 95-CI% für die HKA, MAD und Beinlängen sind jeweils für die KI 1,3° [-6; 8], -4,5 cm [-24; 18], 79 cm [63; 90] und für die ground truth 1,5° [-5,1; 7,3], -4,8 cm [-23; 17], 79 cm [63; 90]. Die KI-Auswertung war erfolgreich bei 72,6% der Patienten. Die KI zeigte im Vergleich zur ground truth eine gute Übereinstimmung für HKA und MAD bei Einliegen von Fremdmaterial und eine ausgezeichnete Übereinstimmung für die verbleibenden Winkel und Längen. Die Abweichung zwischen KI und der ground truth ist gering und die Interreader-Varianz ist bei allen Messungen ausgezeichnet.

Schlussfolgerungen

Trotz vorwiegendem Training auf Erwachsenen-Datensätzen erlaubt die KI-gestützte Auswertung von FLR EOS-Bildgebung bei pädiatrischen Patient*innen eine verlässliche und standardisierte Befundung, mit ausgezeichneter Übereinstimmung zur manuellen Messung von erfahrenen MSK-Radiologen.
15:55 - 16:00

Vortrag (Wissenschaft)

Künstliche Intelligenz ermöglicht zuverlässige und standardisierte Messungen von EOS-Ganzbein-Röntgenbildern

Verena Schäfer (München)

weitere Autoren

Andreas Sperr (München) / Luisa Udoh (München) / Daniel Berger (München) / Bernd Erber (München) / Sophia Goller (München) / Boris Holzapfel (München) / Jörg Arnholdt (München) / Nina Hesse (München) / Paul Reidler (München)

Zielsetzung

Ziel der Studie war es erstmalig die diagnostische Leistung einer auf künstlicher Intelligenz basierenden Software (KI), welche an Röntgenbildern trainiert wurde, zur Durchführung orthopädischer Messungen an EOS-Ganzbeinachsen (FLR) zu beurteilen.

Material und Methoden

Zwei erfahrene MSK-Radiologen bewerteten den hip-knee-ankle angle (HKA) , die Beinlänge und die mechanische Achsabweichung (MAD). Die KI-Messungen wurden mit IB Lab LAMA (IB Lab GmbH, Österreich) durchgeführt. Der Intraklassen-Korrelationskoeffizient (ICC) wird zur Bewertung der Konformität und die Bland-Altman-Analyse zur Bewertung des bias zwischen KI, Radiologen und zwischen den beiden Radiologen verwendet. ICC-Übereinstimmungsraten ≥ 0,9 wurden als ausgezeichnet und 0,75-0,89 als gut definiert.

Ergebnisse

1030 Beine wurden auf EOS FLR vermessen. Das mediane Alter lag bei 57,5 Jahren, 26 % hatten eine Knieendoprothese (TKA) und 19 % eine fortgeschrittene Kniearthrose. Median und 95-CI% für die HKA, MAD und Beinlängen betragen für KI -1,0° [-9,1; 7,0], 4,0 cm [-23; 33], 82 cm [73; 92] und für die ground truth -1,5° [-10; 6,3], 4,7 cm [-22; 35], 82 cm [73; 92]. Im Vergleich zur ground truth zeigt die KI eine gute Übereinstimmung für HKA und MAD bei TKA-Patienten und eine ausgezeichnete Übereinstimmung für alle übrigen Winkel und Längen. Die Abweichung zwischen KI und ground truth ist gering und die Interreadervarianz ist bei allen Messungen ausgezeichnet. Eine überproportionale Anzahl klinischer Fehler wird bei der Messung von TKA-Patienten für KI beobachtet, im Gegensatz zu einer ähnlichen Anzahl bei Arthrose-Patienten für manuelle Messungen.

Schlussfolgerungen

Die KI-gestützte automatisierte Auswertung von FLR EOS ermöglicht – unter Berücksichtigung von TKA und Arthrose als Störfaktoren - eine zunehmende Standardisierung der Befundung. Möglich sind eine Reduktion der Strahlenbelastung sowie Qualitäts- und Effizienzgewinne im Vergleich zur im klinischen Betrieb bisher etablierten Vermessung von konventionellen Röntgenbildern.
16:00 - 16:05

Vortrag (Wissenschaft)

MRT des Kniegelenkes unter 5 Minuten mittels KI: ein SuperResolution Rekonstruktionsansatz für Compressed Sensing.

Robert Terzis (Köln)

weitere Autoren

Thomas Dratsch (Köln) / Robert Hahnfeldt (Köln) / Lajos Basten (Köln) / Philip Rauen (Köln) / Kristina Sonnabend (Köln) / Kilian Weiss (Köln) / Robert Reimer (Köln) / David Maintz (Köln) / Andra-Iza Iuga (Köln) / Grischa Bratke (Köln)

Zielsetzung

Untersuchung des Potenzials der Kombination von Compressed Sensing (CS) und einem neu entwickelten KI-basierten SuperResolution-Rekonstruktionsprototypen für ein komplettes diagnostisches 2D-Knie-MRT-Protokoll in unter 5 Minuten.

Material und Methoden

In dieser prospektiven Studie wurden 20 Probanden an einem 3T-MRT-Scanner untersucht. In Korrelation mit den klinischen MRT-Protokollen wurde bei jedem Probanden ein Protokoll aus einer fettsaturierten 2D-Protonendichtesequenz in koronarer, sagittaler und transversaler Ausrichtung sowie einer sagittalen T1-gewichteten Sequenz durchgeführt. Die Sequenzen wurden mit zwei verschiedenen Auflösungen (Standard- und Niedrigauflösung) akquiriert. Die Rohdaten wurden mit zwei verschiedenen Rekonstruktionsalgorithmen rekonstruiert: einem konventionellen CS und einem neuen KI-basierten SuperResolution Algorithmus zur Minimierung des Bildrauschens und Erhöhung der Bildschärfe (CS-SuperRes). Die subjektive Bildqualität wurde von zwei Radiologen bewertet, die 8 Kriterien auf einer 5-Punkt-Likert-Skala überprüften. Das Signal-Rausch-Verhältnis wurde als objektiver Parameter berechnet.

Ergebnisse

Das mit CS-SuperRes rekonstruierte Protokoll erhielt höhere Bewertungen als die zeitäquivalenten CS-Rekonstruktionen, statistisch signifikant insbesondere bei den Sequenzen mit Niedrigauflösung (z. B. Gesamtbildeindruck: 4,3±0,4 vs. 3,4±0,4, p<0,05). CS-SuperRes-Rekonstruktionen für die Niedrigauflösungserfassung waren vergleichbar mit traditionellen CS-Rekonstruktionen mit Standardauflösung für alle Parameter (z.B. Gesamtbildeindruck: 4,3±0,4 vs. 4,0±0,5, p<0,05) und erreichten eine Scanzeitreduktion von 11:01 min auf 4:46 min (57 %) für das gesamte Protokoll.

Schlussfolgerungen

Der neu entwickelte KI-basierte SuperResolution Rekonstruktionsalgorithmus ermöglicht eine Reduzierung der Scanzeit unter 5 Minuten für ein komplettes Knie MRT-Protokoll bei Beibehaltung einer ausgezeichneten Bildqualität.
Das bietet neue Möglichkeiten für die Patientenlogistik als auch für das Workflow-Management.

Teilnahme Young Investigator Award

16:05 - 16:10

Vortrag (Wissenschaft)

Schnellere 3D-MR-Bildgebung des Knies. Ein auf Deep Learning basierender Rekonstruktionsansatz für beschleunigte Bildgebung mit Compressed Sensing: Bewertung bei gesunden Probanden

Thomas Dratsch

weitere Autoren

Charlotte Zaeske (Köln) / Florian Siedek (Köln) / Philip Rauen (Köln) / Nils Große Hokamp (Köln) / Kristina Sonnabend (Köln) / David Maintz (Köln) / Grischa Bratke (Köln) / Andra Iuga (Köln)

Zielsetzung

Kombination von Compressed Sensing (CS) und Deep Learning (DL) für beschleunigte 3D-MRT-Sequenzen des Knies mit dem Ziel, den Einsatz von 3D-Sequenzen in der klinischen Routine zu vereinfachen.

Material und Methoden

Zwanzig gesunde Probanden wurden mit einem 3-T-Scanner mit einer fettgesättigten 3D-Protonendichte-Sequenz mit vier verschiedenen Beschleunigungsstufen (10, 13, 15 und 17) untersucht. Alle Sequenzen wurden mit CS beschleunigt und mit dem konventionellen und einem neuen Deep-Learning-basierten Algorithmus (CS-AI) rekonstruiert. Die subjektive Bildqualität wurde von zwei verblindeten Readern anhand von 7 Kriterien auf einer 5-Punkte-Likert-Skala bewertet (Gesamteindruck, Artefakte und Abgrenzung des vorderen Kreuzbandes, des hinteren Kreuzbandes, der Menisci, des Knorpels und des Knochens). Alle CS-AI-Sequenzen wurden mit dem klinisch verwendeten Standard (Sense-Sequenz mit einem Beschleunigungsfaktor von 2) verglichen. Zusätzlich wurde die subjektive Bildqualität zwischen CS und CS-AI mit den gleichen Beschleunigungswerten verglichen.

Ergebnisse

Mit CS-AI rekonstruierte 3D-Sequenzen erreichten signifikant bessere Werte für die subjektive Bildqualität als mit CS rekonstruierte Sequenzen mit demselben Beschleunigungsfaktor (p < .001). Die mit CS-AI rekonstruierten Bilder zeigten, dass eine 10-fache Beschleunigung ohne signifikante Qualitätsverluste im Vergleich zur Referenzsequenz möglich ist.

Schlussfolgerungen

Mit einem DL-basierten Algorithmus kann die Bildakquisition für 3D-Sequenzen bei der 3-T-MRT des Knies um 54 % beschleunigt werden. Die Implementierung dieses Algorithmus könnte dazu beitragen, die klinische Routineanwendung von 3D-Sequenzen zu erleichtern und eine bessere Visualisierung anatomischer Strukturen zu ermöglichen, die nicht parallel zu den Standardbildebenen liegen, wodurch sich die diagnostische Genauigkeit und Effizienz verbessern könnten.
16:10 - 16:15

Vortrag (Wissenschaft)

Ist ein 3 Minuten Knie MRT-Protokoll im klinischen Alltag ausreichend? Ein SuperResolution Rekonstruktionsansatz für niedrig aufgelöste Sequenzen mittels KI und Compressed Sensing.

Robert Hahnfeldt (Köln)

weitere Autoren

Robert Terzis (Köln) / Thomas Dratsch (Köln) / Lajos Basten (Köln) / Philip Rauen (Köln) / Johannes Oppermann (Köln) / David Grevenstein (Köln) / Kristina Sonnabend (Köln) / David Maintz (Köln) / Jonathan Kottlors (Köln) / Grischa Brakte (Köln) / Andra-Iza Iuga (Köln)

Zielsetzung

Die vorliegende Studie untersucht die Anwendbarkeit eines 3Minuten Knie-MRT-Protokolls, das mittels eines KI-basierten SuperResolution Rekonstruktionsansatzes optimiert wurde.

Material und Methoden

In dieser prospektiven Studie wurden 20 Probanden an einem 3T-MRT-Scanner(Ingenia,Philips) untersucht. Das Protokoll umfasste 2D-Protonendichtesequenzen in koronaler, sagittaler und transversaler Ausrichtung und eine sagittale T1-gewichtete Sequenz. Die Bildakquisition erfolgte in zwei Auflösungen(Standard und Niedrigauflösung) und wurde anschließend mit der im Alltag benutzten KI-basierte CompressedSensing(CS-AI) und eine neue KI-basierte SuperResolution(CS-SuperRes) Rekonstruktionsmethode verarbeitet. Die Sequenzen wurden von drei Experten unabhängig ausgewertet (zwei Radiologen und ein Orthopäde: 7 Jahre Erfahrung, Schwerpunkt Muskuloskelettale Bildgebung; 5 Jahre Erfahrung, Schwerpunkt allgemeine Radiologie; 7 Jahre Erfahrung, Schwerpunkt Chirurgie der unteren Extremität). Zwei Protokolle wurden untersucht: Standardauflösung mit CS-AI-Rekonstruktion (Standard) und Niedrigauflösung mit CS-SuperRes-Rekonstruktion. Als Goldstandard diente die Konsensauswertung zwei weiterer erfahrener Radiologen mit Schwerpunkt Muskuloskelettale Bildgebung. Genauigkeit, Spezifität und Sensitivität wurden berechnet.

Ergebnisse

Die Scanzeiten pro Protokoll betrugen 11:01 und 03:44 Minuten für Standard-bzw. niedrig aufgelöste Sequenzen. Die Bewertung zeigte in der Gesamtbewertung eine etwas bessere Genauigkeit und erhöhte Spezifität der niedrig aufgelösten, mittels CS-SuperRes rekonstruierten Sequenzen im Vergleich zum Standardprotokoll (0,87 vs. 0,86 bzw. 0,9 vs. 0,87). Demgegenüber wies jedoch das Standardprotokoll eine höhere Sensitivität auf (0,57 vs. 0,73).

Schlussfolgerungen

Die neue KI- und CS-basierte SuperResolution Rekonstruktionsmethode ermöglicht ein Knie-MRT-Protokoll in unter 4 Minuten mit hoher Genauigkeit und Spezifität.
16:15 - 16:20

Vortrag (Wissenschaft)

Dual-layer Detektor Spektral-CT Muskelfettfraktion als neuer bildgebender Biomarker klinisch reduzierter Muskelkraft

Isabel Molwitz (Hamburg)

weitere Autoren

Graeme Michael Campbell (Hamburg) / Niklas Schubert (Hamburg) / Alina Busch (Hamburg) / Julia Breckow (Hamburg) / Jennifer Erley (Hamburg) / Gerhard Adam (Hamburg) / Roland Fischer (Hamburg) / Mirco Grosser (Hamburg) / Jin Yamamura (Hamburg)

Zielsetzung

Prüfung der Übereinstimmung zwischen Dual-Layer-Detektor Spektral-CT (dlCT) Muskelfettquantifizierung als neuer Methode und MRT Fettquantifizierung sowie Evaluation der Eignung der dlCT Muskelfettfraktion (dlCT mFF) hinsichtlich der Detektion klinisch reduzierter Muskelkraft.

Material und Methoden

Prospektiver Einschluss von Patienten mit gastrointestinalem Adenokarzinom unter palliativer Chemotherapie. Durchführung von kontrastverstärkten dlCT Stagings (CT7500) bei 120 kV und 3T MRT Scans (beide: Philips, Niederlande). Quantifizierung der Muskelfettfraktion mit 3-Materialdekomposition für Muskelgewebe, Jod und Fett bzw. mDIXONquant für den paraspinalen Muskel auf Höhe des dritten Lendenwirbelkörpers (L3). Berechnung der skelettalen Muskelmasse (SMI) über die Fläche der gesamten abdominellen Muskulatur auf Höhe von L3 normalisiert zur Körpergröße. Bestimmung klinisch reduzierter Muskelkraft über die Handgriffkraft (Männer: <27kg; Frauen: <16kg) und den Chair-Rise-Test (jeweils: 5x Aufstehen >15s). Statistische Analysen mittels Intraklassen-Korrelationskoeffizienten (ICC) und Receiver-Operating-Characteristic-Analysen (ROC).

Ergebnisse

Bislang wurden 36 Patienten, davon 16 weiblich, (Durchschnitt: 63 ±11 Jahre, 25±3kg/m2) eingeschlossen. Der mittlere dlCT mFF betrug 9,0±6,0%. Die Abweichung der Beträge zwischen dlCT und MRI betrug im Mittel 3,4±2,6%. Dies entsprach einer guten Übereinstimmung [ICC 0,88 [95%-Konfidenzintervall (95%-CI) 0,82-0,93]]. Die Fläche unter der ROC-Kurve hinsichtlich der Detektion klinisch reduzierter Muskelkraft war moderat bis gut für die dlCT mFF (Chair-Rise 0,79 [95%-CI 0,63-0,95], Handgriffkraft 0,67 [95%-CI 0,51-0,84]) und nicht relevant für den SMI (Chair Rise 0,61 [95%-CI 0,40-0,82], Handgriffkraft 0,48 [95%-CI 0,17-0,79]).

Schlussfolgerungen

Die dlCT liefert valide Ergebnisse zur Bestimmung einer Myosteatose. Bisherige Ergebnisse zeigen eine der CT Muskelmasse möglicherweise überlegene Eignung der dlCT mFF zur Identifikation von Patienten mit klinisch reduzierter Muskelkraft.
16:20 - 16:50

Diskussion

Diskussion

Runlog

Öffnen