KI-Fortschritte bei der Diagnostik seltener Krankheiten

Seltene Krankheiten, oft als Waisenkrankheiten bezeichnet, betreffen nur eine kleine Anzahl von Menschen. In Europa gilt eine Krankheit als selten, wenn sie weniger als 1 von 2.000 Menschen betrifft, während es in den USA weniger als 200.000 Personen sind. Obwohl jede Krankheit selten ist, wird geschätzt, dass etwa 1 von 16 Menschen (oder 6,2% der Bevölkerung) an mindestens einer seltenen Krankheit leidet. Das stellt eine grosse Herausforderung für die öffentliche Gesundheit dar, da Menschen mit seltenen Krankheiten oft Schwierigkeiten haben, eine richtige Diagnose oder eine wirksame Behandlung zu erhalten.

#Herausforderungen bei der Diagnose seltener Krankheiten

Die Schwierigkeiten bei der Bekämpfung seltener Krankheiten kommen aus mehreren Gründen. Ein grosses Problem ist die Herausforderung, diese Krankheiten zu studieren, da es nur eine begrenzte Anzahl von Patienten gibt. Diese Knappheit macht es schwierig, Studien oder klinische Versuche durchzuführen, die grössere Gruppen von Patienten erfordern. Ausserdem gibt es oft einen Mangel an klinischer Expertise und Diagnosewerkzeugen, die speziell für diese Bedingungen entwickelt wurden. Der finanzielle Aspekt spielt auch eine Rolle; die Entwicklung von Medikamenten für seltene Krankheiten ist für Pharmaunternehmen meist nicht profitabel genug.

Viele dieser seltenen Krankheiten bleiben unzureichend erforscht und schlecht diagnostiziert. Infolgedessen wissen Forscher möglicherweise nicht, wie viele Menschen betroffen sind oder wie viele undiagnostiziert bleiben. Um diese Lücken zu schliessen, werden Werkzeuge wie der MatchMaker Exchange genutzt, um Forschern zu helfen, ähnliche Fälle zu verbinden und so die Stichprobengrösse für wichtige Studien zu erhöhen.

#Die Rolle der Künstlichen Intelligenz in der Forschung zu seltenen Krankheiten

In dieser Studie stellen wir einen neuen Ansatz vor, der Künstliche Intelligenz (KI) nutzt, um die Identifizierung seltener Krankheiten zu verbessern. Konkret haben wir ein KI-Modell entwickelt, das auf einer Deep-Learning-Transformer-Architektur basiert. Modelle wie BERT und GPT haben grossen Erfolg darin gezeigt, Konzepte in natürlicher Sprache zu verstehen. Wir haben diese Technologie für den medizinischen Einsatz angepasst, mit Fokus auf seltene Krankheiten.

Ein wesentlicher Vorteil dieses Ansatzes ist, dass er effektiv über seltene Zustände lernen kann, selbst wenn sie nur ein paar Mal in den Daten vorkommen. Wir haben ein modifiziertes Transformer-Modell erstellt, um seltene Krankheiten anhand von elektronischen Gesundheitsdaten (EHR) vorherzusagen.

#Methodik: Training des KI-Modells

Das KI-Modell, das wir entwickelt haben und RarePT nennen, wurde mit EHR-Daten von über 436.000 Personen aus der UK Biobank trainiert. Es wurde auch in einer separaten Gruppe von über 3,3 Millionen Patienten des Mount Sinai Health Systems in New York validiert. Die Leistung von RarePT bei der Vorhersage seltener Krankheiten war beeindruckend und zeigte die Fähigkeit, Fälle über verschiedene ethnische Gruppen und Gesundheitssysteme hinweg genau zu identifizieren.

#Training und Validierung des Modells

Um RarePT zu erstellen, haben wir eine Trainingsmethode namens Masked Diagnosis Modeling implementiert. Dabei werden Datensätze mit einer versteckten Diagnose genommen und das Modell wird gelehrt, die fehlenden Informationen basierend auf dem verbleibenden Kontext vorherzusagen. Diese Methode hilft sicherzustellen, dass selbst seltene Diagnosen effektiv erlernt werden können.

Die Trainingsbeispiele umfassten demografische Informationen, alle bekannten Diagnosen und spezifische Abfrage-Diagnosen. Wir haben die Architektur des Modells vereinfacht, sodass es die Daten effizient verarbeiten und seltene Krankheitsdiagnosen effektiv identifizieren kann.

#Leistungsmetriken

Um zu messen, wie gut RarePT Diagnosen vorhersagte, haben wir ein diagnostisches Chancenverhältnis (OR) verwendet. Diese Kennzahl vergleicht die Chancen einer korrekten Identifizierung einer Diagnose, wenn das Modell einen Fall vorhersagt, mit den Chancen, wenn es einen Kontrollfall vorhersagt. Unsere Analyse zeigte, dass die Vorhersagen des Modells für seltene Krankheiten zuverlässig und konsistent waren, was die Vorhersagen sowohl durch die UK Biobank als auch durch die externe Mount Sinai Kohorte validierte.

#Ergebnisse zu Vorhersagen seltener Krankheiten

Unsere Forschung offenbarte alarmierende Raten von undiagnostizierten seltenen Krankheitsfällen. Unter den Teilnehmern wurde bei 5,0% eine seltene Diagnose festgestellt, was mit den Schätzungen aus der allgemeinen Bevölkerung übereinstimmt.

Als wir RarePT bei seltenen Phecodes testeten – spezifische Codes, die Krankheiten in EHR darstellen – entdeckten wir, dass viele Personen, die nicht diagnostiziert waren, trotzdem medizinische Zeichen aufwiesen, die darauf hindeuteten, dass sie an diesen seltenen Krankheiten litten. Das weist auf eine besorgniserregende Lücke in den Diagnosen hin und unterstreicht den dringenden Bedarf an besseren Identifikationsmethoden.

#Vorhersagekraft von RarePT

In unserem vollständigen Testdatensatz erzielte RarePT eine hohe Anzahl positiver Vorhersagen für jede der bewerteten seltenen Krankheiten. Das Modell zeigte, dass ein grosser Teil der Patienten Vorhersagen erhielt, die darauf hindeuteten, dass sie möglicherweise an einer seltenen Erkrankung leiden, selbst wenn sie nie diagnostiziert wurden.

Das Modell schnitt auch aussergewöhnlich gut ab, wenn es darum ging, zwischen verschiedenen seltenen Krankheiten zu unterscheiden, was sein Potenzial unterstreicht, ein wertvolles Werkzeug für die klinische Praxis zu sein.

#Verknüpfung von Vorhersagen seltener Krankheiten mit Gesundheitsoutcomes

Wir haben weiter untersucht, wie die Vorhersagen von RarePT mit Gesundheitsoutcomes korrelierten, insbesondere in Bezug auf Sterberaten und Krankheitslast. Unsere Analyse deutete darauf hin, dass viele der vorhergesagten Fälle seltener Krankheiten mit einer höheren Sterbewahrscheinlichkeit verbunden waren.

Wir haben auch die Disability Adjusted Life Years (DALY) untersucht, ein Mass, das die gesamte Krankheitslast darstellt. Eine signifikante Anzahl von Vorhersagen seltener Krankheiten war mit höheren Behinderungsgraden und verlorenen Lebensjahren aufgrund von Krankheiten verbunden, was weiter bestätigt, dass diese Vorhersagen reale Gesundheitsherausforderungen widerspiegeln und keine blossen statistischen Anomalien sind.

#Identifizierung unterdiagnostizierter Fälle

Durch unsere Analyse erkannten wir das drängende Problem der Unterdiagnose bei seltenen Krankheiten. Es ist häufig der Fall, dass Patienten mit seltenen Erkrankungen ihre Diagnosen nicht in ihren Gesundheitsakten vermerkt haben, was die Daten verfälscht und effektive Forschung behindert.

#Schätzung undiagnostizierter Fälle

Um die Anzahl undiagnostizierter Fälle zu schätzen, verglichen wir die vorhergesagten Ergebnisse mit bekannten Ergebnissen. Unsere Erkenntnisse deuteten darauf hin, dass ein erheblicher Teil der als Kontrollen identifizierten Personen tatsächlich undiagnostizierte Fälle sein könnte. Bei vielen der befragten seltenen Krankheiten überstiegen die Mehrheit dieser undiagnostizierten Fälle deutlich diejenigen, die eine formelle Diagnose erhalten hatten.

Das betont die Wichtigkeit, innovative Methoden wie RarePT zu nutzen, um versteckte Fälle seltener Krankheiten in grossen Datensätzen zu identifizieren.

#Fazit

Zusammenfassend stellt RarePT einen bedeutenden Fortschritt in der Diagnose seltener Krankheiten dar, indem es KI-Technologie nutzt, um die Vorhersagen basierend auf elektronischen Gesundheitsakten zu verbessern. Unsere Ergebnisse zeigen eine besorgniserregende Prävalenz undiagnostizierter seltener Krankheiten, was den Bedarf an verbesserten klinischen Praktiken unterstreicht.

Das Modell hat starke Leistungen bei der Identifizierung seltener Krankheiten in verschiedenen Populationen und Gesundheitssystemen gezeigt, was es zu einem vielversprechenden Werkzeug für Forscher und Kliniker macht. Darüber hinaus kann dieser Ansatz zu einer besseren Datenerhebung und Patientenidentifikation in zukünftigen Studien führen und hat das Potenzial für breitere Anwendungen im klinischen Umfeld.

Während wir weiterhin diese Technologie verfeinern und entwickeln, hoffen wir, das Bewusstsein und das Verständnis für seltene Krankheiten zu erhöhen, um letztendlich die Diagnose- und Behandlungsoptionen für Betroffene zu verbessern.