KI-gestützte Erkennung der Einstellungen des Certas Plus-Shuntventils in CT-Scans

Warum das für Menschen mit Ableitungen im Gehirn wichtig ist

Viele Menschen mit einer Erkrankung namens Hydrozephalus sind auf kleine implantierte Röhrchen, sogenannte Shunts, angewiesen, um überschüssige Flüssigkeit aus dem Gehirn abzuleiten. Diese Shunts enthalten ein kleines verstellbares Ventil, das Ärzte wie ein Einstellrad justieren können, um zu steuern, wie viel Flüssigkeit abfließt. Liegt die Einstellung falsch oder funktioniert das Ventil nicht, können Patienten schwer erkranken, und Ärzte benötigen oft schnell Klarheit aus Bildaufnahmen des Gehirns. Diese Studie untersucht, ob Künstliche Intelligenz (KI) diese Ventileinstellungen direkt aus routinemäßigen CT-Scans ablesen kann, was Zeit, zusätzliche Tests und sogar Verlegungen zwischen Krankenhäusern einsparen könnte.

Die Herausforderung, ein winziges Einstellrad im Schädel zu lesen

Für Patienten mit verstellbaren Shunts ist es entscheidend, die aktuelle Ventileinstellung zu kennen. Die Einstellung kann sich versehentlich ändern, etwa nach Einwirkung starker Magnete in MRT-Geräten, was zu zu viel oder zu wenig Flüssigkeitsabfluss führt. Theoretisch können Ärzte die Einstellung auf speziellen Röntgenaufnahmen oder mit einem Handgerät ablesen, aber in der Praxis steht in vielen Krankenhäusern nur ein CT-Scanner sofort zur Verfügung. Metallische Teile im Shunt und die dreidimensionale Natur von CT-Bildern machen den winzigen Indikator selbst für erfahrene Neurochirurgen schwer lesbar. In dieser Studie konzentrierten sich die Forschenden auf ein verbreitetes Modell, das Certas Plus-Ventil, und fragten, ob ein KI-System seine Einstellung zuverlässig aus Standard-CT-Scans bestimmen kann.

CT-Bilder in einen einfachen Winkel umwandeln

Das Team sammelte über sieben Jahre hinweg 391 Kopf-CT-Scans von Patientinnen und Patienten mit Certas Plus-Ventilen. Für jeden Scan stellten sie sicher, dass die dokumentierte Ventileinstellung in der Patientenakte mit dem übereinstimmte, was zwei Neurochirurgen in den Bildern sahen, und schufen so eine belastbare Ground-Truth. Anschließend setzten sie eine moderne Form der KI für 3D-Bilder ein, ein U-förmiges neuronales Netzwerk, um dem Computer beizubringen, fünf kleine Metallmarker innerhalb jedes Ventils zu finden. Sobald diese Marker lokalisiert waren, berechnete kundenspezifische Software das Zentrum jedes Markers und rekonstruierte die Orientierung des Ventils. Durch den Vergleich der Linie durch zwei spezielle Magnete mit der Linie durch andere Referenzmarker maß die Software einen Winkel, der dann in eine der acht möglichen Ventileinstellungen übersetzt werden konnte.

Wie gut der Computer die realen Einstellungen traf

In einer separaten Testgruppe von 75 CT-Scans fand das KI-System die Marker und berechnete einen Winkel in 97,3 % der Fälle erfolgreich. Es sagte die genau dokumentierte Ventileinstellung in 81,3 % der Scans korrekt voraus. Wichtig ist, dass das System bei „Fehlern“ fast immer eine Einstellung wählte, die direkt neben der tatsächlichen Position auf dem Einstellrad lag, und niemals von einer sehr niedrigen Durchflussstufe zu einer vollständig geschlossenen sprang. Da das Ventil selbst kontinuierlich zwischen den beschrifteten Positionen eingestellt werden kann, haben selbst offizielle Werkzeuge oft Schwierigkeiten, benachbarte Einstellungen zu unterscheiden. Wenn die Forschenden eine Vorhersage als akzeptabel zählten, sofern sie entweder exakt richtig oder um einen Schritt daneben war, stieg die Gesamtleistung auf 96 %, was sie als klinisch bedeutsam für die tägliche Entscheidungsfindung bewerten.

Was das in der täglichen Versorgung verändern könnte

Die Behandlung von Hydrozephalus ist kostenintensiv, und ein wesentlicher Kostenfaktor sind Verlegungen von Patienten zwischen Krankenhäusern für Spezialuntersuchungen. Wenn ein routinemäßiger CT-Scan in einem kleinen Krankenhaus automatisch analysiert werden könnte, um zu bestätigen, dass die Ventileinstellung plausibel ist, könnten einige dieser Verlegungen vermieden werden. Das KI-Modell erzeugt außerdem farbige Umrisse der Ventilkomponenten auf dem Bild, sodass Kliniker visuell prüfen und verifizieren können, was der Computer getan hat, anstatt blind einer einzigen Zahl zu vertrauen. Zwar wurde die Studie an einem einzigen Zentrum mit CT-Scannern hauptsächlich eines Herstellers durchgeführt, doch die Ergebnisse deuten darauf hin, dass eine automatisierte Ablesung von Shunt-Ventileinstellungen technisch machbar ist.

Wohin das als Nächstes führen könnte

Die Autorinnen und Autoren folgern, dass KI die Einstellungen von Certas Plus-Shuntventilen in CT-Scans zuverlässig identifizieren kann, mit einer Genauigkeit, die mit menschlichen Expertinnen und Experten konkurriert und wahrscheinlich ausreicht, um die Versorgung in der Praxis zu unterstützen. Sie betonen, dass größere, multizentrische Studien nötig sind, um zu bestätigen, dass die Methode über verschiedene Scanner und Patientengruppen hinweg funktioniert und um sie an andere Ventiltypen oder Patientinnen und Patienten mit mehreren Ventilen anzupassen. Gelingen diese Schritte, könnten künftige Patientinnen und Patienten mit Hydrozephalus ihre Ventileinstellungen schnell und sicher aus bereits vorhandenen Scans überprüfen lassen, wodurch zusätzliche Bildgebung reduziert und Shunt-Probleme früher erkannt würden.

Zitation: Scheffler, P., Shah, M., Amirah, R. et al. AI-based detection of Certas Plus shunt valve settings in CT scans. Sci Rep 16, 9647 (2026). https://doi.org/10.1038/s41598-026-45388-2

Schlüsselwörter: Hydrozephalus, Zerebrospinalflüssigkeits-Shunt, Computertomographie, medizinische Bildgebung KI, programmierbares Ventil