Veranstaltungsprogramm

Keynote

Hintergrund

Sepsis ist die führende Todesursache bei Schwerbrandverletzten mit einer sepsisassoziierten Mortalitätsrate von bis zu 60 %. Die pathophysiologischen Besonderheiten dieser Patientengruppe, insbesondere die anhaltende inflammatorische Reaktion und die kontinuierliche mikrobielle Besiedlung großflächiger Wunden, erschweren eine frühzeitige Sepsisdiagnostik erheblich. Während verbrennungsspezifische Prognosescores wie der Baux- oder ABSI-Score Mortalitätsrisiken abbilden, fehlt bislang ein spezifisches, datengetriebenes Modell zur Risikostratifizierung. Ziel dieser Studie war die Entwicklung eines klinisch praktikablen Machine-Learning-Modells zur Sepsisprädiktion unter Verwendung einer minimalen, interpretierbaren Anzahl von Variablen.

Methoden

Die Studie basiert auf einer retrospektiven Kohortenanalyse von 6.804 Patienten aus dem Deutschen Verbrennungsregister (2015–2023). Ein systematischer Feature-Selection-Ansatz, bestehend aus LASSO-Regression, ElasticNet, Recursive Feature Elimination und Expertenkonsens, wurde zur Identifikation relevanter Prädiktoren implementiert. Anschließend wurden vier maschinelle Lernalgorithmen (Random Forest, Logistic Regression, XGBoost, LightGBM) mit einer 5-fach-stratifizierten Kreuzvalidierung trainiert und anhand der AUROC, Sensitivität, Spezifität, PPV und NPV evaluiert. Zur Interpretierbarkeit des Modells wurden SHAP-Analysen durchgeführt.

Ergebnisse

Das leistungsstärkste Modell basierte auf sechs Aufnahmeparametern: verbrannte Körperoberfläche (VKOF), Inhalationstrauma, Verbrennungstiefe (Grad 2b und 3), Alter und Hypertonie. Der Random-Forest-Algorithmus zeigte die beste Gesamtperformance mit einer AUROC von 0,922, einer Sensitivität von 0,907 und einem NPV von 0,989. Die SHAP-Analyse bestätigte die VKOF als stärksten Einzelprädiktor, gefolgt von Alter und Verbrennungstiefe. Für die VKOF wurde ein Ceiling-Effekt ab etwa 40% beobachtet, während binäre Prädiktoren wie Inhalationstrauma und Hypertonie signifikante Risikomodulationen aufwiesen.

Schlussfolgerung

Das entwickelte Modell erreicht eine prädiktive Genauigkeit auf dem Niveau hochdimensionaler Algorithmen, bleibt jedoch durch die Verwendung weniger, klinisch etablierter Aufnahmeparameter hochgradig praktikabel. Besonders die Kombination aus hoher Sensitivität und exzellentem NPV macht es zu einem vielversprechenden Instrument für eine frühzeitige Sepsisrisikostratifizierung im klinischen Alltag. Zukünftige Arbeiten sollten sich auf die externe Validierung und die prospektive Integration in bestehende klinische Entscheidungsprozesse zur Optimierung der Patientenversorgung fokussieren.

Hintergrund:
Die Frakturdiagnostik an Hand und Handgelenk ist essenziell für eine adäquate und zeitgerechte Versorgung. Fortschritte in der multimodalen Künstlichen Intelligenz (KI) eröffnen neue Möglichkeiten zur Automatisierung und Optimierung diagnostischer Prozesse. Insbesondere multimodale KI-Modelle, die visuelle und textuelle Daten verarbeiten können, zeigen vielversprechende Ansätze in der radiologischen Bildauswertung.

Ziele:
Diese Studie untersucht die diagnostische Leistung von modernen multimodalen KI-Modellen (darunter Gemini 1.5 Pro, GPT-4o, Claude 3.5, LLaMA 3.2 [1B - 90B], LLaVA 1.6, InternVL, Phi-3.5-Vision, CogVML und Qwen-V) bei der automatisierten Erkennung von Frakturen an Hand und Handgelenk. Ziel ist es, die diagnostischen Stärken und Schwächen der Modelle zu analysieren und deren klinischen Nutzen zu bewerten.

Methodik:
In einer retrospektiven Analyse wurden anonymisierte Röntgenaufnahmen von Patienten mit Verdacht auf Frakturen verwendet. Diese wurden mit radiologischen Berichten kombiniert, die als Ground Truth dienen. Nach standardisierter Vorverarbeitung der Bilddaten wurden die Modelle anhand von Genauigkeit, Sensitivität, Spezifität und AUC bewertet. Statistische Verfahren wie Chi-Quadrat-Tests wurden eingesetzt, um signifikante Leistungsunterschiede zu identifizieren.

Ergebnisse:
Erste Ergebnisse zeigen, dass multimodale KI-Ansätze eine präzisere und schnellere Frakturdetektion ermöglichen können. Die Leistung der Modelle variiert je nach Frakturtyp, wobei insbesondere die Integration von Bild- und Textdaten vielversprechende Ergebnisse liefert.

Schlussfolgerung:
Multimodale KI-Modelle haben das Potenzial, die radiologische Diagnostik durch schnellere und konsistentere Befundung zu entlasten. Die Ergebnisse dieser Studie bieten eine wertvolle Grundlage für die Integration von KI in klinische Workflows und die Weiterentwicklung diagnostischer Technologien.

Hintergrund:

Die Vorhersage der Mortalität bei Brandverletzungen ist ein zentrales Thema in der Verbrennungsmedizin. Etablierte Scores wie der ABSI oder der Baux-Score werden kontinuierlich weiterentwickelt, stoßen jedoch aufgrund begrenzter Variablen und statistischer Modelle an ihre Grenzen. Ziel dieser Studie war die Entwicklung eines Machine Learning-basierten Prognosemodells und der Vergleich seiner Leistungsfähigkeit mit traditionellen Scoring-Systemen.

Methoden:

Auf Basis von über 10.000 Fällen aus dem deutschen Verbrennungsregister wurden mit verschiedenen maschinellen Lernverfahren (z. B. Random Forests, Gradient Boosting) die relevantesten Faktoren für die Mortalität bei Brandverletzten analysiert. Der daraus entwickelte Bochum Burn Survival (BoBS)-Score wurde mittels Kreuzvalidierung intern validiert, um Robustheit und Reproduzierbarkeit zu gewährleisten.

Ergebnisse:
Der BoBS-Score erzielte eine hohe Vorhersagegenauigkeit (93,1 %) und einen ROC-AUC-Wert von 92,4 %, womit er traditionelle Scores deutlich übertrifft. Faktoren wie verbrannte Körperoberfläche (TBSA) und Alter zeigten die stärkste Korrelation mit der Mortalität, während Komorbiditäten und behandlungsspezifische Variablen das Modell weiter verfeinerten. Eine externe Validierung bleibt jedoch erforderlich.

Fazit:
Der BoBS-Score demonstriert das Potenzial von Machine-Learning-Ansätzen, die Mortalitätsvorhersage bei Brandverletzten entscheidend zu verbessern. Durch seine hohe Prognosegenauigkeit und die Einbindung bislang unterrepräsentierter Variablen bietet das Modell eine innovative Grundlage für personalisierte und evidenzbasierte Entscheidungen in der Versorgung von Schwerbrandverletzten. Herausforderungen bestehen jedoch in der klinischen Integration und externen Validierung.

Das Symani Surgical System stellt eine bedeutende Innovation in der robotischen Mikrochirurgie dar, die durch präzise Bewegungs­skalierung (7- bis 20-fach), ergonomische Vorteile und das Potenzial zur Integration von künstlicher Intelligenz (KI) überzeugt. In einer Analyse von 85 robotisch-assistierten Eingriffen, darunter 68 freie Lappenplastiken, 10 periphere Nerventransfers und 4 TMRs, zeigte sich eine hohe Erfolgsquote mikrochirurgischer Anastomosen (98 %). Venöse Anastomosen benötigten im Durchschnitt 3,5 Minuten pro Stich mit einem Mikroskop und 4,0 Minuten mit einem Exoskop (p < 0,001). Die Lernkurve bei peripheren Nervenkoaptionen zeigte eine anfängliche Zeit von 4,5 Minuten pro Stich, stabilisierte sich jedoch nach etwa zehn Eingriffen bei 3,5 Minuten.Die Untersuchung der ergonomischen Belastung mittels LED-Fragebögen zeigte eine signifikante Reduktion der Belastung in der Hals- und Rückenregion bei Verwendung eines Exoskops im Vergleich zu Mikroskopen (p < 0,05).

Ein einzigartiger Vorteil des Symani-Systems ist die Möglichkeit, KI und Machine Learning zu integrieren. Diese Technologien können intraoperative Daten analysieren, chirurgische Bewegungen optimieren und Lernprozesse durch simulierte Szenarien beschleunigen. Solche Funktionen sind in der konventionellen Mikrochirurgie nicht umsetzbar und bieten entscheidende Potenziale für die Zukunft.

Das Symani-System hebt sich durch seine Präzision, ergonomischen Vorteile und die Einbindung zukunftsweisender Technologien hervor und bietet neue Perspektiven für die Weiterentwicklung der robotischen Mikrochirurgie.

Die Künstliche Intelligenz (KI) findet zunehmenden Einklang in die moderne Medizin. Insbesondere textbasierte KI-Systeme, z.B. ChatGPT, können in nahezu jeder erdenklichen klinischen Situation eingesetzt werden. Im Rahmen des Vortrags sollen aktuelle Anwendungsmöglichkeiten von ChatGPT im Bereich der Plastischen Chirurgie und Handchirurgie vorgestellt werden. Der Vortrag soll die aktuelle Literatur aber auch unsere eigenen Untersuchungen zur Anwendung von ChatGPT in der Patientenaufklärung/-edukation, in der Beantwortung von fachspezifischen Prüfungsfragen sowie in der chirurgischen Dokumentation kritisch beleuchten.

Einleitung:
Mit dem Symani Surgical System® steht erstmals ein speziell zur Knüpfung von mikrochirurgischen und supermikrochirurgischen Anastomosen konzipiertes robotisches System zur Verfügung. Dieses zeichnet sich durch die weltweit kleinsten gelenkenthaltenden Instrumente aus, die Bewegungen bis zu 20-fach skalieren und durch vollständige Tremoraufhebung hervorgehobene Fehlbewegungen erheblich reduzieren können. Diese Eigenschaften sollen die Anastomosenqualität mikrochirurgischer Eingriffe weiter steigern und operative Verfahren sicherer und erfolgreicher machen. Aktuell sind unabhängige Untersuchungen und Bewertungen bezüglich der Anastomosenqualität und Gewebeschonung noch sehr limitiert, daher wurden im Rahmen dieser Studie unterschiedliche biomechanische und histopathologische Merkmale, wie auch die Anastomosenqualität robotisch-assistierter Anastomosen gegenüber der konventionellen Technik verglichen.

Methodik:
In dieser Studie wurden in einem präklinischen Mikrochirurgiemodell die Anastomosen-und Kopatationsqualität von Venen, Nerven und Arterien bei robotisch-assistierten Anastomosen mit dem Symani Surgical Systems® unter Vergrößerung mit dem Olympus Orbeye 4K-3RD gegenüber der konventionellen Technik bestehend aus manueller Handnaht und Vergrößerung mittels einem herkömmlichen Operationsmikroskops verglichen. Zudem wurden eine histopathologische Bewertung der Gewebeschädigung vorgenommen und relevante biomechanische Parameter der Mikroanastomosen wie intraluminaler Gefäßwiderstand und Knotenfestigkeit erhoben.

Diskussion:
Die Ergebnisse der vorliegenden Studie zeigen, dass robotisch-assistierte Anastomosen in Bezug auf Anastomosenqualität, Gefäßwandschädigung, intraluminalen Widerstand und Zugfestigkeit den herkömmlichen Anastomosentechniken ebenbürtig sind. Schwachstellen zeigt das System hinsichtlich der Knotenfestigkeit und langsameren Operationszeit. Technische Modifikationen des Systems könnten diese Nachteile in Zukunft überwinden.

Einleitung:
Die zunehmende Integration von Künstlicher Intelligenz (KI) in der Medizin eröffnet neue Möglichkeiten und wirft die Frage auf, inwieweit große Sprachmodelle (LLMs) in der Plastischen und Rekonstruktiven Chirurgie sinnvoll eingesetzt werden können. Diese Studie untersucht die Leistungsfähigkeit der fortschrittlichen LLMs OpenAI o1, Claude 3.5 Sonnet und Google Gemini 2.0 bei der Analyse von Verletzungen des Plexus brachialis. Ziel ist es, deren Fähigkeit zu bewerten, basierend auf klinisch beschriebenen Bewegungseinschränkungen die zugrunde liegenden geschädigten anatomischen Strukturen präzise zu identifizieren.

Methodik:
In der Studie werden 100 klinische Szenarien erstellt, die typische Bewegungsdefizite und neurologische Auffälligkeiten bei Plexusverletzungen abbilden. Die drei LLMs analysieren jedes Szenario und identifizieren die potenziell betroffenen Nerven. Ein Expertengremium aus peripheren Nervenchirurgen bewertet die Ergebnisse hinsichtlich der Präzision der Analysen und der Übereinstimmung mit anatomischen Prinzipien. Hierbei wird die Genauigkeit der LLMs verglichen.

Diskussion:
Die Studie zielt darauf ab, die potenzielle Rolle von LLM-KI als diagnostische Unterstützung in der Plastischen Chirurgie zu bewerten. Erste Tests zeigen vielversprechende Ergebnisse, verdeutlichen jedoch auch die Herausforderungen, insbesondere bei der Berücksichtigung komplexer klinischer Kontexte und der Anpassung an die spezifischen Anforderungen des Fachgebiets. Die Ergebnisse, die auf dem Kongress präsentiert werden, sollen einen wichtigen Beitrag zur Diskussion über den Einsatz von KI in der Plastischen Chirurgie leisten und mögliche Perspektiven für die Zukunft aufzeigen.

Die roboter-assistierte Mikrochirurgie (RAMS) stellt eine vielversprechende Entwicklung in der modernen Chirurgie dar, die sowohl Präzision als auch minimale Gewebetraumatisierung ermöglicht. Trotz des technologischen Fortschritts stellt die Etablierung dieser Methode in der klinischen Praxis eine Herausforderung dar, insbesondere aufgrund der flachen klinischen Lernkurve und der hohen Anforderungen an die manuelle Geschicklichkeit sowie das dreidimensionale Denkvermögen der Mikrochirurgen.

Dieser Beitrag beleuchtet die unterschiedlichen Phasen der Lernkurve – von den ersten simulatorgestützten Übungen bis hin zur klinischen Anwendung. Die Propädeutik umfasst innovative Trainingskonzepte, darunter digitale Simulationen, synthetische Trainingsmodelle und dreidimensionale Systeme, die eine präzise Nachbildung intraoperativer Herausforderungen ermöglichen. Der Übergang zur klinischen Phase erfordert ein intensives Training und die schrittweise Integration in den klinischen Alltag.

Durch eine systematische Ausbildung und standardisierte Trainingskonzepte kann die Sicherheit und Effizienz der RAMS nachhaltig verbessert werden. Zahlreiche präklinische Studien zeigten eine steile Lernkurve. Diese konnten wir im präklinischen Training ebenfalls reproduzieren. Jedoch zeigte die Auswertung der weltweit größten Fallserie, dass diese intial steile Lernkurve im klinischen Setting rasch abflacht. Im Rahmen der klinischen Applikation verbesserte sich die Zeit pro Stich nicht mehr signifikant (p>0,05), während die Qualität der Anastomosen, bewertet mittels Structured Assessment of Microsurgical Skill Score (SAMS), signifikant anstieg (p<0,05). Der Vortrag wird einen umfassenden Überblick über die aktuelle Evidenz geben und aufzeigen, wie die Ausbildung der nächsten Generation von Mikrochirurgen optimiert werden kann.

Hintergrund:

Weichgewebssarkome stellen eine seltene Form von Tumoren dar, welche etwa 1% der Bevökerung betreffen. Die Behandlung von Weichteilsarkomen erfordert aufgrund ihrer Heterogenität die Vorstellung und Diskussion in einem multidisziplinären Tumorboard (MSTB), an dem verschiedene Fachdisziplinen wie Chirurgen, Strahlentherapeuten, Onkologen, Radiologen und Pathologen beteiligt sind. Die Einführung von ChatGPT als eines der populärsten Large Language Models (LLMs) im Jahr 2023 hat ein breites wissenschaftliches Interesse hervorgerufen, künstliche Intelligenz und LLMs im Speziellen im medizinischen Kontext einzusetzen. Im Rahmen der vorliegenden Studie wurde der Nutzen von ChatGPT-4o, zum Zeitpunkt der Studiendurchführung neuesten Version des LLM, für die Entscheidungsfindung im Rahmen eines MSTB untersucht.

Materialien und Methoden:

ChatGPT-4o wurde ausführlich durch einen spezifischen Prompting-Text auf die Rahmenbedingungen eines MSTB vorbereitet und mit 5 realistischen Fallbeispielen von Weichgewebssarkomen konfrontiert. Hierbei sollte ChatGPT u.a. den diagnostischen und therapeutischen Algorithmus, festgelegt in der deutschen S3-Leitlinie für Adulte Weichgewebstumore, beachten.

Anschließend sollte ChatGPT-4o den vorliegenden Fall zusammenfassen, eine Diagnose stellen, eine Therapieempfehlung aussprechen sowie die Nachsorge festlegen. Im Rahmen der vorliegenden Studie wurden das myxoide Liposarkom, maligne periphere Nervenscheidentumor, der Desmoidtumor, das Dermatofibrosarkoma protuberans sowie ein dedifferenziertes Liposarkom. Die Evaluation der Tumorboard-Entscheidung wurde durch fünf Fachärzte verschiedener Fachabteilungen vorgenommen, namentlich der Orthopädie, der Plastischen Chirurgie, der Strahlentherapie, der Radiologie sowie der Pathologie, die regelmäßig an einem MSTB teilnehmen. Die Bewertung basierte auf einer Likert-Skala von 1 bis 5 (1 = stimme überhaupt nicht zu, 5 = stimme voll zu). Dabei wurden fünf Kriterien beurteilt:

1. Die KI hat den Fall vollumfänglich verstanden.
2. Ich stimme der KI bezüglich der Therapie/Diagnostik bezogen auf meinen Fachbereich zu.
3. Die KI gibt sinnvolle Empfehlungen bezogen auf die Nachsorge und Rehabilitation.
4. Die KI fasst die Fälle gut zusammen und formuliert einen sinnvollen Tumorboard-Beschluss.
5. Die KI könnte eine sinnvolle Ergänzung zum Tumorboard sein.

Ergebnisse:

Chat-GPT-4o erreichte eine durchschnittliche Gesamtpunktzahl von 3,76 über alle Kriterien hinweg, was einer durchschnittlichen kumulativen Punktzahl von 18,8 (max. 25) entspricht. Es zeigten sich keine statistischen Unterschiede zwischen den fünf Kriterien, als auch den unterschiedlichen Fällen (p>0,05). Die verschiedenen Fachgebiete wurden in die Gruppen Chirurgie bestehend aus Orthopädie und Plastische Chirurgie, Diagnostik bestehend aus Radiologie und Pathologie und Strahlenonkologie eingeteilt. Nach Untergruppenanalyse schnitten die chirurgischen Fachgebiete mit einem Mittelwert von 4,48 am besten ab, der statistisch signifikant höher war als bei den diagnostischen Fachgebieten und der Strahlenonkologie (p<0,05). Die Diagnostik-Gruppe erreichte einen Mittelwert von 3,86, welcher sich im Vergleich zur Strahlentherapie mit einem Durchschnittswert von 2,68 signifikant höher zeigte.

Schlussfolgerungen:

Diese Studie bietet erste Einblicke in die Verwendung von ChatGPT-4o als Entscheidungshilfe in MSTB‘s. Die Empfehlungen von ChatGPT-4o in Bezug auf die chirurgische Fachgebiete schnitten am besten ab, während ChatGPT-4o bei den anderen getesteten Fachgebieten nur moderat sinnvolle Ratschläge geben konnten. Medizinisches Personal sollten sowohl die Vorteile als auch die Grenzen von künstlicher Intelligenz und LLM verstehen, um sie zukünftig effektiv in die klinische Praxis zu integrieren.

Hintergrund: Die Einführung der robotergestützten Mikrochirurgie (RAMS) stellt einen bedeutenden Fortschritt in der Mikrochirurgie dar. Das Symani Surgical System ist eines von zwei speziell für die Mikrochirurgie entwickelten robotischen Systemen und bietet Vorteile wie Tremorelimination, Bewegungsskalierung und verbesserte Ergonomie. Diese Studie präsentiert mehr als 100 konsekutive RAMS-Fälle an einem hochfrequenten akademischen Zentrum - die bisher größte Serie - und evaluiert deren klinische Anwendung und Effektivität.

Material und Methoden: In einer prospektiven Datenbank wurden alle RAMS-Eingriffe an einer einzelnen Institution zwischen Februar 2023 und Dezember 2024 erfasst. Dokumentiert wurden Patientencharakteristika, operative Details und postoperatives Outcome. Alle Operateure absolvierten ein strukturiertes 12-stündiges Training zur sicheren Anwendung des Systems.

Ergebnisse: Insgesamt wurden 100 Patienten mit einem durchschnittlichen Alter von 54 Jahren identifiziert, wobei der Großteil männlich war (66 %). RAMS wurde für eine Vielzahl mikrochirurgischer Eingriffe genutzt, darunter freie Lappenplastiken (73 %), periphere Nervenchirurgie (20 %) und lymphovenöse Anastomosen (LVA) (6 %). Insgesamt wurden 159 Anastomosen und Nervenkoaptationen durchgeführt. Schwere Komplikationen traten in 12 Fällen (12 %) auf. Zu einem kompletten Lappenverlust kam es in 2 Fällen (2,7 %) und in einem Fall zu eine partiellen Lappenverlust (1,4 %). Die LVA zeigte signifikant längere Nahtzeiten pro Stich im Vergleich zu anderen Anastomose-Typen (p<0,01).

Schlussfolgerung: RAMS stellt eine vielversprechende Alternative zur konventionellen Mikrochirurgie dar und weist eine hohe Sicherheit auf, belegt durch eine geringe Konversionsrate von 3 % sowie Komplikationsraten im Bereich der aktuellen Literatur. Herausforderungen wie längere Anastomosezeiten und erhöhte Kosten bestehen weiterhin. Dennoch bestätigen die Ergebnisse die Anwendbarkeit von RAMS in einem hochfrequenten mikrochirurgischen Zentrum.