 |  | Theo Dingermann |
 |
10.08.2026 10:30 Uhr |
Anhand von Routinedaten aus der Patientenakte und zusätzlichen genetischen Informationen kann ein neues KI-Modell die Krankheitsverläufe für einzelne Patienten vorhersagen. / © Adobe Stock/Grispb
Ein internationales Forschungsteam um Dr. Sarah M. Urbut von der Harvard Medical School und dem Massachusetts General Hospital in Boston stellt mit Aladynoulli ein KI-Modell vor, das elektronische Gesundheitsakten mit polygenen Risikoscores kombiniert, um daraus individuelle, zeitabhängige Krankheitsverläufe zu rekonstruieren. Ziel ist es, Krankheiten nicht mehr isoliert, sondern als dynamische, biologisch zusammenhängende Prozesse über den gesamten Lebensverlauf zu verstehen.
Die Grundlage der Analyse waren Gesundheitsdaten von mehr als 683.000 Personen aus drei unabhängigen Kohorten, der UK Biobank, der Mass General Brigham-Kohorte und dem US-amerikanischen Programm »All of Us«. Das Modell analysierte 348 Erkrankungen über einen Beobachtungszeitraum von bis zu 52 Jahren und identifizierte 21 reproduzierbare Krankheits-Signaturen, die sich kohortenübergreifend als bemerkenswert stabil erwiesen.
Anders als klassische Verfahren beschreibt Aladynoulli nicht einzelne Diagnosen, sondern latente biologische Prozesse, die mehrere Erkrankungen gleichzeitig beeinflussen und sich im Laufe des Lebens verändern.
Ein zentrales Ergebnis der Studie im Journal »Nature« ist, dass dieselbe klinische Diagnose durchaus unterschiedlichen biologischen Krankheitsverläufen folgen kann. So lassen sich beispielsweise Patienten mit Myokardinfarkt, Mammakarzinom oder Depression anhand ihrer Signaturprofile in biologisch unterschiedliche Subgruppen aufteilen. Diese unterscheiden sich sowohl hinsichtlich ihrer genetischen Prädisposition als auch ihrer zeitlichen Krankheitsentwicklung. Die Forschenden sehen darin einen wichtigen Schritt hin zu einer biologisch statt ausschließlich diagnostisch definierten Präzisionsmedizin.
Die Integration genetischer Informationen geht dabei über die Einbindung etablierter polygener Risikoscores hinaus: Signaturbasierte genomweite Assoziationsanalysen (GWAS) identifizierten 151 signifikante Genloci, darunter zahlreiche Varianten, die in klassischen krankheitsspezifischen GWAS bislang nicht entdeckt worden waren. Besonders ausgeprägt war dieser Zugewinn für kardiovaskuläre Erkrankungen.
Darüber hinaus bestätigten Analysen seltener Varianten etwa im LDL-Rezeptor-Gen, im Gen, das für das Protein Titin (TTN) codiert, dem häufigsten genetischen Faktor für dilatative Kardiomyopathie (DCM), oder im BRCA2-Gen, die das Risiko für ein Mammakarzinom drastisch erhöhen. Dies stützt die biologische Plausibilität der identifizierten Signaturen zusätzlich.
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.
