Einführung: Die Unterscheidung zwischen komplizierter und unkomplizierter Appendizitis ist hinsichtlich der Patientenstratifizierung verschiedener therapeutischer Möglichkeiten entscheidend. Es wurde zunächst untersucht inwieweit Parameter im Rahmen der Routinediagnostik aus Labor und Sonografie für die Unterscheidung der Entitäten genutzt werden können. Anschließend wurden die Werte mittels künstlicher Intelligenz (KI) in einem Mehr- Parameter-Modell kombiniert und anschließend validiert. Material und Methoden: Die Daten appendektomierter Patienten wurden hinsichtlich epidemiologischer Parameter, zeitlicher Verläufe, histopathologischer Beurteilung, der Differentialblutbilder, der CRP-Werte und sonografischer Parameter ausgewertet. Das Signifikanzniveau lag bei p > 0.01. Die erhobenen Parameter wurden mit Algorithmen aus dem maschinellen Lernen und der KI analysiert. Die resultierenden Biomarker- Signaturen wurden in einem Validation-Modell getestet. Ergebnisse: Die Auswertung der Laborwerte über die Zeit ergab insbesondere für CRP und Leukozyten ein signifikant differenziertes Bild. Die phlegmonöse Entzündung war durch eine zeitlich stabile Eosinophilie gekennzeichnet (p < 0.01). Eine Analyse mittels Receiver-Operating-Characteristic-Kurve zeigte in Bezug auf alle Laborparameter eine grundsätzliche Unterscheidbarkeit; klinisch sinnvolle Cut-off-Werte ließen sich jedoch nicht festlegen. Sonografisch zeigte der Appendixdurchmesser von >6mm eine Sensitivität von 98% für die Differenzierung der komplizierten Appendizitis, während das Vorhandensein eines Appendikolithen mit einer Spezifität von 98% assoziiert war. Hinweisgebend war insbesondere die Einschätzung des Kinderradiologen, ob eine Perforation vorlag (p < 0.001). Die Treffsicherheit der Biomarker-Signatur für die Diagnose einer Appendizitis betrug 90% (93% Sensitivität, 67% Spezifität), während die sie für die korrekte Erkennung einer komplizierten Entzündung 70% betrug (76% Sensitivität, 67% Spezifität). Unsere Biomarker-Signaturen übertrafen damit die Vorhersagewerte für einzelne Laborwerte. Schlussfolgerung: In der Analyse der Laborparameter weist darauf hin, dass unkomplizierte und komplizierte Appendizitis unabhängige pathophysiologische Entitäten darstellen, auch wenn sich die Parameter klinisch nicht zur Unterscheidung eignen. Die Sonographie hingegen hat einen großen klinischen Nutzen bei der Unterscheidung der Entitäten. Durch die Verwendung von Künstlicher Intelligenz in der Diagnostik der AA ließen sich in unserem Modell 1/3 aller Negativ-Appendektomien vermeiden.
Introduction: Distinguishing phlegmonous and complicated appendicitis might be relevant due to current attempts to treat both forms of the disease differently. Studies were performed to evaluate distinguishability of uncomplicated and complicated appendicitis using laboratory values and routinely performed ultrasound diagnostics. All parameters were analyzed using artificial intelligence. Materials and Methods: Data of patients who underwent appendectomy were retrospectively reviewed regarding epidemiology, timeline (onset of symptoms – admission), histopathology, full blood counts and CRP values as well as predefined parameters. Level of significance was defined as p < 0.01. We used modern algorithms from machine learning and artificial intelligence to construct Biomarker-signatures, that were tested on validation sets. Results: Analysis of full blood count showed a significantly differing picture with respect to CRP and leucocytes over time. Phlegmonous appendicitis was characterized by continuous relative eosinophilia (p 0.01). ROC-Curve-Analysis showed means to differentiate entities through laboratory data, yet we could not show clinically reasonable cut-off values. Regarding differentiation by ultrasound diagnostics we were able to show a 98% sensitivity for appendix diameter >6mm for complicated appendicitis, detection of appendicoliths was associated with a specificity of 98%. The assessment of the examining radiologist concerning perforation was highly significant with complicated appendicitis (p < 0.001). The biomarker signatures outperformed the conventionally used routine diagnostic parameters alone with an accuracy of 90% (93% sensitivity, 67% specificity). Accuracy for distinguishing complicated from uncomplicated appendicitis was 70% (76% sensitivity, 67% specificity). Conclusion: Analysis of laboratory values indicates that uncomplicated and complicated appendicitis indeed rely on differing inflammatory patterns, though practical benefit is still limited. Ultrasound has proven beneficial in differentiation of these entities. The use of artificial intelligence to distinguish between entities of acute appendicitis could prevent up to a third of unnecessary appendectomies in our model.
