Python-KI erkennt Schlaganfall-Blutgerinnsel in unter 30 Sekunden

In akutem Schlaganfall ist jede Sekunde entscheidend: Bei einer großen Gefäßverschluss (LVO) sterben pro Minute 1,9 Millionen Gehirnzellen. Die Devise „Zeit ist Gehirn“ gilt in der Schlaganfallmedizin als unumstößlich. Je schneller ein LVO erkannt wird, desto früher kann der Patient in die Angiographie-Suite gelangen, um eine Thrombektomie durchzuführen – was die Überlebenschancen und die Funktionsfähigkeit nach dem Schlaganfall erheblich verbessert. Dennoch bleibt die Bildanalyse von CT-Angiographien (CTA) in Spitzenzentren oft ein Flaschenhals: Die Durchsicht der DICOM-Bilder durch Radiologen dauert je nach Arbeitslast, Scanner-Backlog und Verfügbarkeit der Fachkräfte zwischen fünf und 15 Minuten. Diese Verzögerung bedeutet unweigerlich Verlust von Hirngewebe und schlechtere Prognosen. Um dieses Problem zu lösen, entwickelte ein Team unter Leitung von Dr. Ameer Hamza Mahmood eine vollautomatisierte Python-basierte Pipeline, die LVOs in CTA-Bildern in unter 30 Sekunden erkennt – schneller als die traditionelle menschliche Beurteilung. Die Lösung arbeitet direkt mit dem PACS-System (Picture Archiving and Communication System) zusammen: Sobald die CTA-Bilder im System landen, werden sie automatisch verarbeitet. Ein 3D-Convolutional Neural Network (3D CNN) analysiert die volumetrischen Daten, identifiziert potenzielle LVOs und sendet innerhalb von Sekunden eine Alarmmeldung an das Schlaganfallteam. Der Patient ist dabei noch nicht einmal aus dem Scanner zurück, und die Entscheidung zur Intervention ist bereits getroffen. Der Schlüssel zum Erfolg lag nicht in der Entwicklung eines neuen KI-Modells an sich, sondern in der Fokussierung auf den klinischen Workflow. Die Forscher gingen von einem „problem-first“-Ansatz aus: Was verlangsamt die Diagnose? Wo entstehen Engpässe? Die Antwort war klar: Die Zeit zwischen Bildaufnahme und klinischer Entscheidung. Die neue Pipeline beseitigt diese Lücke, indem sie die Analyse direkt in die bestehende Infrastruktur integriert – ohne zusätzliche Hardware oder Änderungen im Ablauf. Die Lösung ist skalierbar, kostengünstig und kann auch in Zentren mit begrenzten Ressourcen eingesetzt werden. Die Ergebnisse zeigen eine hohe Sensitivität und Spezifität bei der LVO-Erkennung, vergleichbar mit erfahrenen Radiologen. Zudem reduziert die Automatisierung menschliche Fehler und Abhängigkeiten von Personalauslastung. Die Technologie könnte besonders in ländlichen Gebieten oder in Krankenhäusern mit geringer Schlaganfallkompetenz eine transformative Wirkung haben, indem sie den Zugang zu schnellen, präzisen Diagnosen ermöglicht. Industrieexperten sehen in dieser Entwicklung einen Meilenstein für die Integration von KI in die akute Notfallmedizin. „Dies ist nicht nur eine technische Errungenschaft, sondern ein Paradigmenwechsel in der Schlaganfallversorgung“, sagt ein Neurologie-Experte. „Wenn KI die Diagnose vor dem Radiologen macht, wird die ganze Versorgungskette beschleunigt.“ Die Plattform basiert auf Open-Source-Technologien, was ihre Transparenz und Nachvollziehbarkeit erhöht. Das Team plant nun klinische Studien zur Validierung in mehreren Zentren und arbeitet an der Integration in Echtzeit-Alarm-Systeme. Mit dieser Technologie könnte die Zukunft der Schlaganfallversorgung nicht nur schneller, sondern auch gerechter werden.