Global 
Deutschland Dickdarm bis Rektum
Am J Gastroenterol. 2025;120(1):213-224
Deep learning model using stool pictures for predicting endoscopic mucosal inflammation in patients with ulcerative colitis
Ein Deep-Learning-Modell unter Verwendung von Stuhlbildern zur Vorhersage endoskopisch nachweisbarer Schleimhautentzündungen bei Patient*innen mit Colitis ulcerosa
Einführung: Stuhlcharakteristika können sich je nach endoskopischer Aktivität der Colitis ulcerosa (CU) ändern. Das Autorenteam entwickelte ein Deep-Learning-Modell unter Verwendung von Stuhlbildern von Patient*innen mit CU (deep learning model using stool photographs of patients with UC, DLSUC), um endoskopisch nachweisbare Schleimhautentzündungen vorherzusagen.
Methoden: Diese prospektive multizentrische Studie wurde an 6 Krankenhäusern der Tertiärversorgung durchgeführt. Patient*innen, bei denen eine Endoskopie zur Überwachung einer Schleimhautentzündung geplant war, wurden gebeten, ihren Stuhl mit dem Smartphone innerhalb 1 Woche vor dem Tag der Endoskopie zu fotografieren. Das DLSUC wurde auf Basis von 2161 Stuhlbildern von 306 Patient*innen entwickelt und an 1047 Stuhlbildern von 126 Patient*innen getestet. Die endoskopische Aktivität wurde anhand des endoskopischen Index des Schweregrads der CU definiert. Die Leistung des DLSUC bei der Vorhersage der endoskopischen Aktivität wurde mit der von fäkalem Calprotectin (Fcal) verglichen.
Ergebnisse: Die Fläche unter der Receiver-Operating-Characteristics-Curve (AUC) des DLSUC für die Vorhersage einer endoskopischen Aktivität betrug 0,801 (95% Konfidenzintervall [CI]: 0,717–0,873) und unterschied sich damit statistisch nicht von der AUC des Fcal (0,837 [95% CI: 0,767–0,899, DeLong-p-Wert = 0,458]). Wenn Fälle ohne Beteiligung des Rektums (23/126; 18,2%) ausgenommen wurden, erhöhte sich die AUC des DLSUC auf 0,849 (95% CI: 0,760–0,919). Die Genauigkeit, Sensitivität und Spezifität des DLSUC bei der Vorhersage der endoskopischen Aktivität betrug 0,746, 0,662 bzw. 0,877 bei allen Patient*innen und 0,845, 0,745 bzw. 0,958 bei Patient*innen mit Beteiligung des Rektums. Bei Patient*innen mit nach DLSUC klassifizierter aktiver Erkrankung kam es während einer im Median 8-monatigen Nachbeobachtungszeit mit einer höheren Wahrscheinlichkeit zu einem Rezidiv (Log-Rank-Test, p = 0,002).
Diskussion: Das Deep-Learning-Modell unter Verwendung von Stuhlbildern von Patient*innen mit Colitis ulcerosa (CU) zeigte eine ähnlich gute Trennschärfe wie das fäkale Calprotectin bei der Vorhersage der endoskopischen Aktivität, mit einer höheren Genauigkeit bei Patient*innen mit Beteiligung des Rektums. Diese Studie legt nahe, dass Stuhlbilder ein nützliches Überwachungsinstrument bei der typischen CU sind.