 |  | Theo Dingermann |
 |
10.08.2026 10:30 Uhr |
Auch für die klinische Vorhersage liefert das Modell überzeugende Ergebnisse. In prospektiven Analysen übertraf Aladynoulli etablierte Risikoscores, wie die Pooled Cohort Equation (PCE) zur Abschätzung des 10-Jahres-Risikos für ein erstes atherosklerotisches kardiovaskuläres Ereignis, den PREVENT-Rechner zur Bestimmung des Herz-Kreislauf-Risikos über 10 und 30 Jahre und das Gail-Modell zur Einschätzung des Brustkrebsrisikos, sowohl für Einjahres- als auch für Zehnjahresprognosen.
Gleichzeitig benötigt das Verfahren lediglich Routinedaten aus elektronischen Patientenakten und genetische Informationen, die allerdings für jede Person noch erhoben werden müssen, ohne auf zusätzliche Laborparameter oder Biomarker angewiesen zu sein. Die Autoren sehen darin einen wesentlichen Vorteil gegenüber krankheitsspezifischen Risikomodellen sowie gegenüber aktuellen Foundation-Modellen für elektronische Gesundheitsakten wie Delphi-2M, deren Vorhersagen auf ICD-Codes beruhen.
Ein weiterer methodischer Fortschritt besteht in der expliziten Berücksichtigung möglicher Selektionsverzerrungen großer Biobank-Datensätze. Durch ein integriertes Verfahren der inversen Wahrscheinlichkeitsgewichtung (Inverse Probability Weighting) konnten populationsbedingte Verzerrungen korrigiert werden, ohne dass die biologischen Signaturen an Stabilität verloren. Dies hebt den Ansatz nach Ansicht der Forschenden von vielen datengetriebenen Black-Box-Modellen ab.
Der amerikanische Kardiologe Professor Dr. Eric Topol ordnet die Arbeit als wichtigen Baustein einer neuen Generation medizinischer Prognosemodelle ein. Im Unterschied zu anderen KI-Systemen wie Delphi-2M, Apollo oder Aurora liege die Stärke von Aladynoulli vor allem in der Modellierung individueller, dynamischer Gesundheitsverläufe, die sich kontinuierlich mit jeder neuen Diagnose aktualisieren. Langfristig könnten solche Modelle nicht nur Erkrankungsrisiken zeitlich genau prognostizieren, sondern auch simulieren, wie präventive Interventionen den weiteren Krankheitsverlauf verändern.
Noch handelt es sich um einen Forschungsansatz, dessen klinischer Nutzen in prospektiven Studien bestätigt werden muss. Zudem weisen die Forschenden selbst auf Einschränkungen hin, darunter die Abhängigkeit von der Qualität elektronischer Gesundheitsakten, die fehlende Berücksichtigung von Umwelt- und Lebensstilfaktoren sowie die Notwendigkeit einer funktionellen biologischen Validierung der identifizierten Signaturen.
