Ein neu entwickeltes KI-basiertes Vorhersagemodell könnte die Behandlung von Patienten mit Motoneuronerkrankung (MND, auch ALS genannt) erheblich verbessern. Das Tool sagt mit hoher Genauigkeit voraus, wann eine Gastrostomie – die Anlage einer Ernährungssonde direkt in den Magen – erforderlich wird, um Unterernährung und Gewichtsverlust zu verhindern.
MND führt zu fortschreitender Muskelschwäche, einschließlich Schluckstörungen, die eine künstliche Ernährung notwendig machen. Der Eingriff verlängert das Überleben und erhält die Lebensqualität, birgt jedoch Risiken: Zu frühe Platzierung belastet den Alltag unnötig, zu späte birgt Komplikationen wie höheres Operationsrisiko, refraktäre Unterernährung oder sogar Undurchführbarkeit aufgrund geschwächter Atemmuskulatur. Bisher war der Krankheitsverlauf so variabel – von Monaten bis Jahrzehnten nach Diagnose –, dass eine präzise Planung schwierig war.
Das von Forschern der University of Sheffield unter Leitung von Professor Johnathan Cooper-Knock am Sheffield Institute for Translational Neuroscience (SITraN) entwickelte maschinelle Lernmodell nutzt routinemäßig bei Diagnose erhobene Patientendaten. Es schätzt den individuellen Krankheitsverlauf und prognostiziert den Zeitpunkt signifikanter Gewichtsabnahme (als Indikator für den Bedarf an einer Sonde). Basierend auf Daten von über 20.000 Betroffenen erreicht das Modell eine mediane absolute Abweichung von 3,7 Monaten zum tatsächlichen Ereignis. Bei einer Nachbewertung sechs Monate nach Diagnose sinkt der Fehler auf 2,6 Monate; in der häufigsten Patientengruppe liegt er sogar bei nur etwa einem Monat. Die Leistung blieb in unabhängigen Kohorten aus den USA, Europa und Schweden stabil.
Objektiv betrachtet adressiert das Tool eine echte klinische Lücke: Es wandelt reaktives Handeln in proaktive Versorgung um, minimiert Unsicherheit für Patienten und Angehörige und optimiert den Nutzen des Eingriffs. Die Genauigkeit ist für eine prognostische Anwendung in der individualisierten Medizin beeindruckend, insbesondere da sie auf leicht verfügbaren Basisdaten beruht und keine invasiven Zusatzuntersuchungen erfordert. Dennoch bleibt die Validierung in einer prospektiven klinischen Studie ausstehend, bevor eine breite Implementierung als Standard möglich ist. Potenzielle Limitationen wie die Abhängigkeit von Datenqualität oder die Generalisierbarkeit auf seltene Subtypen sollten in Folgestudien geklärt werden.
Die Ergebnisse wurden in der Fachzeitschrift eBioMedicine veröffentlicht. Das internationale Team umfasst Partner aus mehreren europäischen Ländern. Eine prospektive Validierungsstudie ist bereits in Planung, um den Übergang in die klinische Routine vorzubereiten.
Originalquelle: Studie in eBioMedicine (DOI: 10.1016/j.ebiom.2025.105962).
