KI-Modell sagt Herzerkrankungsrisiko mithilfe von Blutbiomarkern besser vorher als herkömmliche Methoden
Ein maschinelles Lernverfahren, das Plasmabiomarker mit traditionellen Risikofaktoren kombiniert, verbessert die Vorhersage und Risikostratifizierung von Herz-Kreislauf-Erkrankungen.
Zusammenfassung
Forscher haben ein KI-gestütztes Vorhersagemodell entwickelt, das herkömmliche Instrumente zur kardiovaskulären Risikobeurteilung deutlich übertrifft, indem es klassische Risikofaktoren mit Blut-Biomarkern kombiniert. Unter Verwendung von Daten aus 229.352 UK Biobank-Teilnehmern erzielte das Modell eine überlegene Genauigkeit bei der Vorhersage schwerwiegender unerwünschter kardiovaskulärer Ereignisse (MACE), mit C-Index-Werten über 0,75 für die meisten Endpunkte und einem Wert von 0,822 für den kardiovaskulären Tod. Zu den wichtigsten prädiktiven Biomarkern zählten Cystatin C, HbA1c, GlycA und GGT, während IGF-1 und DHA protektive Wirkungen zeigten. Der daraus abgeleitete Biomarker Risk Score ermöglichte eine effektive Einteilung der Patienten in Niedrig-, Mittel- und Hochrisikogruppen.
Detaillierte Zusammenfassung
Herz-Kreislauf-Erkrankungen sind nach wie vor die häufigste Todesursache weltweit, doch traditionellen Risikovorhersagemodellen fehlt oft die nötige Präzision für wirksame Präventionsstrategien. Diese wegweisende Studie zeigt, wie künstliche Intelligenz die Vorhersage von Herzerkrankungen durch die Integration von Blut-Biomarkern und konventionellen Risikofaktoren erheblich verbessern kann.
Die Forscher analysierten Daten von 229.352 Teilnehmern der UK Biobank und setzten dabei maschinelle Lerntechniken ein, darunter SHAP (SHapley Additive exPlanations), um optimale Biomarker-Kombinationen zu identifizieren. Die Studie umfasste 26 biochemische Marker und 170 metabolomische Biomarker, gemessen mittels Kernspinresonanzspektroskopie, sowie traditionelle Risikofaktoren wie Alter, Geschlecht, Blutdruck und Cholesterinwerte.
Der kombinierte Biomarker-Ansatz übertraf herkömmliche Modelle bei allen kardiovaskulären Endpunkten deutlich. Während konventionelle Modelle wie ASCVD nur begrenzte Vorhersagekraft zeigten, erreichte der neue Ansatz C-Index-Werte von über 0,75 für die meisten Endpunkte, wobei die Vorhersage des kardiovaskulären Todes einen beeindruckenden Wert von 0,822 erzielte. Zu den wichtigsten prädiktiven Biomarkern zählten Cystatin C (Nierenfunktion), HbA1c (Blutzuckerkontrolle), GlycA (Entzündung) und Gamma-Glutamyltransferase (Leberfunktion), während IGF-1 und DHA-Omega-3-Fettsäuren schützende Wirkungen zeigten.
Die Forscher entwickelten einen Biomarker Risk Score (BRS), der die Teilnehmer effektiv in verschiedene Risikokategorien einteilte. Hochrisikopersonen wiesen im Vergleich zu Teilnehmern mit niedrigem Risiko ein 2,76-fach erhöhtes Risiko für einen kardiovaskulären Tod auf, was eine präzisere Identifikation von Patienten ermöglicht, die von intensiven Präventionsmaßnahmen profitieren würden.
Dieser Fortschritt stellt einen bedeutenden Schritt in Richtung personalisierter kardiovaskulärer Medizin dar und könnte Klinikern ermöglichen, Hochrisikopatienten früher zu erkennen und Präventionsstrategien gezielter anzupassen. Das Modell muss jedoch noch in unterschiedlichen Bevölkerungsgruppen und klinischen Umgebungen validiert werden, bevor es breite Anwendung finden kann.
Wichtigste Erkenntnisse
- AI model achieved C-index of 0.822 for cardiovascular death prediction, significantly outperforming traditional risk scores
- Cystatin C, HbA1c, GlycA, and GGT emerged as key predictive biomarkers for cardiovascular events
- IGF-1 and DHA omega-3 fatty acids showed protective effects against cardiovascular disease
- Biomarker Risk Score stratified high-risk patients with 2.76-fold increased cardiovascular death risk
- Combined biomarker approach exceeded 0.75 C-index for most cardiovascular outcomes except hemorrhagic stroke
Methodik
Prospektive Kohortenstudie mit 229.352 UK Biobank-Teilnehmern unter Verwendung von Cox-Proportional-Hazards-Modellen und maschinellem Lernen mit SHAP-Analyse. Kombinierte 26 biochemische Marker und 170 NMR-metabolomische Biomarker mit traditionellen kardiovaskulären Risikofaktoren.
Studienlimitierungen
Die Studienpopulation bestand überwiegend aus Personen europäischer Abstammung, was die Verallgemeinerbarkeit einschränkt. Das Modell muss in verschiedenen Bevölkerungsgruppen und klinischen Umgebungen validiert werden. Die Vorhersage hämorrhagischer Schlaganfälle blieb mit einem C-Index von 0,699 suboptimal.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: