Chronische Nierenkrankheit: Nichtinvasives Diagnosegerät unterstützt bei Bewertung des Fibroserisikos27. März 2024 Foto: © Aliaksandr-Marko/stock.adobe.com Forscher der Abteilung für Gesundheitstechnologie und Informatik der Polytechnischen Universität Hongkong (PolyU), China, haben Smart-CKD (S-CKD) entwickelt – ein computergestütztes Diagnoseinstrument für Patienten mit chronischer Nierenkrankheit (CKD). Das Gerät integriert Ultraschalldaten und ausgewählte klinische Variablen, um klinische Erkenntnisse zu gewinnen und das Risiko eines mittelschweren bis schweren Fortschreitens der Nierenfibrose bei CKD-Patienten zu bewerten. Die Forschungsergebnisse wurden in der Zeitschrift „Academic Radiology“ veröffentlicht. Prof. Michael Tin Cheung Ying, stellvertretender Leiter und Professor der Abteilung für Gesundheitstechnologie und -informatik an der PolyU, und Postdoktorand Dr. Ziman CHEN haben in Zusammenarbeit mit Dr. Zhongzhen SU, Vizepräsident des Fifth Affiliated Hospital der Sun Yat-sen University, erfolgreich S-CKD erfunden, indem sie diese fortschrittliche Gesundheitstechnologie zur Bewältigung dieser Herausforderung einsetzen. Dieses innovative Diagnoseinstrument soll die Überwachung des Krankheitsverlaufs und das klinische Management von CKD verbessern. Ying kommentiert: „Die Nierenbiopsie ist zwar nach wie vor der Goldstandard für die Diagnose und Stadieneinteilung der Nierenfibrose, doch ihre invasive Natur schränkt die Durchführung von Mehrfachbeobachtungen und Nachuntersuchungen ein und birgt potenzielle Komplikationen. Daher besteht ein dringender Bedarf an der Entwicklung eines nichtinvasiven Biomarkers zur präzisen Überwachung und klinischen Behandlung der Nierenfibrose und ihres Fortschreitens.“ Bewertung des Nierenfibrose-Risikos Durch den Einsatz von maschinellem Lernen integriert S-CKD drei wichtige klinische Parameter – Alter, Ultraschall-Nierenlänge und enddiastolische Flussgeschwindigkeit der interlobaralen Nierenarterie –, um Ärzte bei der Bewertung des Nierenfibrose-Risikos von CKD-Patienten in der klinischen Routinepraxis zu unterstützen. Es spielt eine entscheidende Rolle bei der Festlegung von Behandlungsentscheidungen und bei der Verbesserung der Patientenprognose. S-CKD ist über eine webbasierte Online-Plattform oder in einem Offline-Dokumentenformat zugänglich und damit ein benutzerfreundliches Hilfsinstrument für flexible klinische Anwendungen. Ying erklärt: „Wir planen, weitere prospektive klinische Forschung zu S-CKD durchzuführen und dabei die innovative Medizintechnik und die Einrichtungen der PolyU in Zusammenarbeit mit medizinischen Einrichtungen in der Greater Bay Area und unseren Partnern in Hongkong zu nutzen. Gemeinsam werden wir in der Forschung zusammenarbeiten, um die Auswirkungen von S-CKD auf das klinische Management zu verbessern und letztlich die Prognose von CKD-Patienten zu verbessern.“
Mehr erfahren zu: "Akute Nierenschädigung: KI-Sprachmodelle übertreffen Fachmediziner" Akute Nierenschädigung: KI-Sprachmodelle übertreffen Fachmediziner Forschende der Universität Marburg und des Universitätsklinikums Gießen und Marburg untersuchten, wie gut 13 der bekanntesten öffentlich verfügbaren KI-Sprachmodelle klinisches Wissen zur akuten Nierenschädigung in einer standardisierten Testsituation abrufen und […]
Mehr erfahren zu: "Typ-2-Diabetes und CKD: Metaanalyse vergleicht Wirksamkeit neuartiger Antidiabetika" Weiterlesen nach Anmeldung Typ-2-Diabetes und CKD: Metaanalyse vergleicht Wirksamkeit neuartiger Antidiabetika Eine aktuelle Metaanalyse aus China verdeutlicht: Neuartige Antidiabetika bieten Vorteile für Patienten mit Typ-2-Diabetes und gleichzeitiger chronischer Nierenkrankheit (CKD). Die optimale Intervention variiert jedoch je nach gewünschtem Behandlungsergebnis.
Mehr erfahren zu: "Nierentransplantation: Maschinelles Lernen zur Vorhersage einer verzögerten Transplantatfunktion" Weiterlesen nach Anmeldung Nierentransplantation: Maschinelles Lernen zur Vorhersage einer verzögerten Transplantatfunktion Ein US-Forschungsteam hat ein neuartiges Modell entwickelt, das auf maschinellem Lernen basiert und nach einer Nierentransplantation die Vorhersage sowohl der Wahrscheinlichkeit als auch der Dauer einer verzögerten Transplantatfunktion verbessern könnte.