Gastroenterologie – Praxis-IT

Telemedizin

Die Studie „Telephone Consultation as a Substitute for Routine Out-patient Face-to-face Consultation for Children With Inflammatory Bowel Disease“ (2015) untersucht die Wirksamkeit und Kosten von Telefonkonsultationen im Vergleich zu herkömmlichen ambulanten persönlichen Konsultationen bei Kindern mit entzündlichen Darmerkrankungen (IBD). In einer randomisierten kontrollierten Studie mit 86 Patienten (8–16 Jahre) in Manchester, UK, zeigte sich kein Unterschied in der Lebensqualität nach 12 Monaten zwischen den Gruppen (Telefon vs. persönlich). Telefonkonsultationen waren kürzer (9,8 vs. 14,3 Minuten) und kostengünstiger (£35,41 vs. £51,12 pro Konsultation), ohne Hinweise auf Nachteile in Bezug auf Krankheitsverlauf oder Patientenzufriedenheit. Die Studie, finanziert vom UK National Institute for Health Research, zeigt, dass Telefonkonsultationen eine effektive und kostensparende Alternative für die Routinebetreuung von Kindern mit IBD sind. (Akobeng u. a. 2015)

KI-Bilderkennung in der Endoskopie

Computervision hat in der Endoskopie hat durch KI-gestützte Systeme wie EndoML und EndoDINO Einzug gehalten. EndoML ermöglicht es, mit dem Fundamentmodell EndoDINO, das auf über 130.000 Endoskopievideos trainiert wurde, KI-Modelle für Anwendungen wie Polypenerkennung, Landmarkenerkennung und IBD-Schweregradbewertung zu entwickeln, ohne tiefgehende Programmierkenntnisse. Die Plattform erleichtert das Hochladen und Labeln von Endoskopiedaten, beschleunigt die Biomarker-Identifikation und bietet HIPAA- und SOC2-konforme Sicherheit. EndoDINO übertrifft frühere Modelle wie Etro-FM und Endo-FM durch die Nutzung von 10 Millionen Frames und fortschrittlicher DINOv2-Architektur, was zu höherer Präzision bei Klassifikation, Segmentierung und Detektion führt. Zusätzlich unterstützt EndoML Objekterkennung, Videosegmentierung, natürliche Sprachanalyse und interaktive Visualisierungen wie T-SNE-Diagramme, während ein dynamischer API-Zugang und der Datenaustausch die Integration und Forschung weiter fördern. Studien wie die von Zhao Wang et al. (2025) zeigen, dass Modelle wie EndoFM-LV, die auf langen Videosequenzen trainiert werden, bestehende Ansätze in Klassifikation, Segmentierung, Detektion und Workflow-Erkennung deutlich übertreffen, was die Bedeutung langer Sequenzen für die Endoskopie-Analyse unterstreicht. (Wang u. a. 2025)

KI-Mikrobiom-Analyse

Die Studie „Classification of Microbiome Data from Type 2 Diabetes Mellitus Individuals with Deep Learning Image Recognition“ untersucht die Klassifikation von Mikrobiomdaten zur Unterscheidung zwischen gesunden und an Typ-2-Diabetes leidenden Personen mittels Deep Learning. Die Forscher entwickelten eine innovative Methode, bei der Mikrobiomdaten als radiale Heatmaps visualisiert und mit einem ResNet-50-Modell analysiert wurden. Dabei wurden 674 gesunde und 272 T2D-Proben untersucht, was eine Klassifikationsgenauigkeit von 96 %, eine Spezifität von 97 % und eine Sensitivität von 92 % ergab. Die Studie zeigt, dass diese Methode eine präzise Unterscheidung ermöglicht und zukünftig zur Diagnose verschiedener Krankheiten durch Analyse des Darmmikrobioms beitragen könnte. (Pfeil u. a. 2023)

Die Studie „Investigation of metabolic pathways from gut microbiome analyses regarding type 2 diabetes mellitus using artificial neural networks“ untersucht die Klassifizierung von Stoffwechselwegen des Darmmikrobioms bei Typ-2-Diabetes-Patienten mittels neuronaler Netze. Durch Next-Generation-Sequencing von 16S-rDNA aus Stuhlproben wurden Mikrobiomprofile von 272 Patienten und 674 gesunden Kontrollpersonen erstellt und Stoffwechselwege identifiziert. Ein neuronales Netz ermöglichte eine präzise Klassifizierung mit einer Genauigkeit von 84,5 %, wobei wichtige Stoffwechselwege wie die Biosynthese von Aminosäuren (z. B. L-Tyrosin, L-Phenylalanin) und Thiazolen als entscheidend für die Vorhersagegenauigkeit erkannt wurden. Eine SHAP-Analyse zeigte, dass bestimmte Biosynthesewege bei Typ-2-Diabetes häufiger auftreten, während andere reduziert sind. Die Studie unterstreicht die Bedeutung des Darmmikrobioms für das Verständnis und die Diagnose von Typ-2-Diabetes. (Siptroth u. a. 2023)