00:00:00: Mit jeder neuen Information aus der elektronischen Patientenakte wird die Vorhersage aktualisiert.

00:00:06: Genau darin sehen die Autoren den eigentlichen klinischen Nutzen.

00:00:23: Mein Name ist Manfred Schuba-Zillawetz, ich bin Sprecher des Hausaufwahmer in Healthcare, Professor für pharmazeutische Chemie an der Goethe Universität in Frankfurt und Mitglied der erweiterten Chefredaktion der PZ.

00:00:36: Heute sprechen wir über eine wissenschaftliche Arbeit die das Potenzial hat, die medizinische Risikovorhersage grundlegend zu verändern.

00:00:46: Ausgangspunkt?

00:00:47: Ist eine aktuelle Nature Publikation von Sarah Herbert und Kolleginnen und Kollegen zur Methode ALA-DNULI.

00:00:56: Ergänzt durch ein ausführliches Interview mit Eric Topol, einem errenommierten amerikanischen Wissenschaftler und Kardiologen sowie dessen Einordnung der Arbeit.

00:01:07: Im Mittelpunkt steht eine spannende Frage Können wir – aus elektronischem Patientenakten und genetischen Informationen nicht nur das Risiko für Erkrankungen vorhersagen, sondern den gesamten individuellen Krankheitsverlauf besser verstehen.

00:01:24: Darüber spreche ich heute mit Professor Emeritus Theo Dingermann, Professor für Pharmazeutische Biologie und Senior-Editor der pharmazeutischen Zeitung.

00:01:34: Guten Morgen lieber Theo!

00:01:35: Schön dass du da bist.

00:01:39: In den letzten Jahren gab es viele KI-Modelle für medizinische Vorhersagen.

00:01:44: Warum sorgt ausgerechnet diese Nature-Publikation für so viel Aufmerksamkeit?

00:01:50: Weil sie einen entscheidenden Schritt weitergeht, bisherige Modelle betrachten Krankheiten häufig einzeln und analysieren lediglich Zusammenhänge zwischen zwei Erkrankungen.

00:02:04: Aller de Nulli verfolgt dagegen einen völlig anderen Ansatz.

00:02:09: Das Modell betrachtet die gesamte Krankheitsgeschichte eines Menschen über Jahrzehnte hinweg und kombiniert diese mit genetischen Risikoinformationen.

00:02:19: Die Autoren analysierten Daten aus drei sehr großen Kohorten, der UK Biobank, Mass-General Brickham.

00:02:27: sechshundertdreiundachtzigtausend Personen, dreihundert achtenvierzig unterschiedliche Erkrankungen bis zu zweiundfünfzig Jahren Nachbeobachtung.

00:02:42: Dadurch konnten sie einundzwanzig reproduzierbare Krankheitssignaturen identifizieren die unterschiedliche biologische Krankheitsprozesse repräsentieren.

00:02:52: Das entscheidende ist das Modell beschreibt Gesundheit nicht mehr als einzelne Diagnose sondern als dynamische Entwicklung mehrer biologischer Prozesse gleichzeitig.

00:03:06: Der Name klingt extrem ungewöhnlich, was bedeutet aller dünn Uli?

00:03:11: Der Name fasst die Grundidee des Modells zusammen.

00:03:15: Die ersten drei Buchstaben aller stehen für latent, latent, elatant Process oder Elatance Signature.

00:03:24: Damit ist gemeint dass die eigentlichen biologischen Prozesses zunächst nicht direkt beobachtbar sind.

00:03:32: Dünn steht für Dynamic, das soll unterstreichen dass sich diese biologischen Prozesse ständig verändern.

00:03:41: und Uli steht für Bernuli und verweist damit auf die probabilistische Modellierung zukünftiger Ereignisse.

00:03:51: Das Modell versucht also verborgene biologische Prozesse sichtbar zu machen, die sie im Laufe des Lebens verändern und schließlich als beobachtbare Erkrankungen zeigen.

00:04:03: In einem Interview mit dem amerikanischen Kardiologen Professor Dr.

00:04:07: Eric Topol beschreibt die Erstautorin der Arbeit in Nature Dr.

00:04:12: Sarah Herbert sehr schön dass Ärzte heute meistens nur eine Momentaufnahme eines Patienten sehen.

00:04:21: Aladinulli versucht dagegen, den gesamten Film der Krankheitsentwicklung zu rekonstruieren.

00:04:27: Der Begriff Latente Signaturen taucht ständig auf!

00:04:31: Was muss man sich konkret darunter vorstellen?

00:04:34: Man kann sich diese Signaturen als übergeordnete biologische Krankheitsprogramme vorstellen.

00:04:39: Das Modell erkennt beispielsweise eine ischämische kardiovaskuläre Signatur.

00:04:45: Innerhalb dieser Signatur treten typische Erkrankungen gemeinsam auf.

00:04:51: Hypercholesterinämie, coronarer Herzkrankheit, Herzinfarkt, Herzinsuffizient.

00:04:57: Dabei erkennt das Modell nicht nur dass diese Krankheiten zusammengehören es lernt auch deren zeitliche Reihenfolge.

00:05:05: Hyperkollesterinemie tritt typischerweise deutlich früher auf als der Herzinfakt der Herzinsuffizienz voraus geht.

00:05:16: Genau diese zeitliche Dynamik macht das Modell so wertvoll.

00:05:20: Zeit scheint dabei eine ganz zentrale Rolle zu spielen, oder?

00:05:23: Ja

00:05:24: absolut!

00:05:25: Das Modell verwendet sogenannte Gorshin Processes oder Gauche Prozesse.

00:05:31: Sarah Örbert beschreibt das im Interview mit einer sehr anschaulichen Analogie.

00:05:37: Wie ein Navigationssystem im Auto berechnet das Model die Route.

00:05:41: ständig neu kommt eine neue Diagnose hinzu, verändert sich die individuelle Krankheitsentwicklung.

00:05:48: Das bedeutet, die Risikoprognose wird kontinuierlich aktualisiert – sie ist grenzstaatischer Score sondern entwickelt sich mit jeder neuen Information weiter.

00:06:01: Damit nähert sich die Medizin erstmals einer dynamischen Gesundheitsprognose, die sich ständig aktualiziert.

00:06:09: Ein besonders spannender Aspekt ist die Heterogenität innerhalb derselben Diagnose.

00:06:15: Das ist wahrscheinlich einer der wichtigsten Beiträge dieser Arbeit, nehmen wir Brustkrebs!

00:06:21: Heute sprechen wir meist von EINER Diagnosen.

00:06:25: Aladinulli jedoch zeigt zwei Patientinnen mit identischem Tumor können völlig unterschiedliche Krankheitsbiologien besitzen.

00:06:34: Eine Patientin weiß beispielsweise zuvor eine ausgeprächte metabolische Signatur auf, eine andere zeigt überwiegend kadiovaskuläre Veränderung und eine dritte besitzt kaum erkennbare Vorläufer.

00:06:49: Aber ein hohes genetisches Risiko!

00:06:53: Das bedeutet die gleiche Diagnose kann über unterschiedliche biologische Wege entstehen.

00:07:00: Diese Erkenntnis eröffnet neue Möglichkeiten für Prävention, Therapieauswahl und letztlich eine präzisere Medizin.

00:07:10: TU Genetik spielt für dieses Modell offensichtlich eine wichtige Rolle.

00:07:16: nun wurde genetik aber schon häufig zur Risikovorhersage eingesetzt.

00:07:21: was ist hier eigentlich neu?

00:07:23: Neu ist vor allem die Integration.

00:07:25: das Modell nutzt Nicht isoliert, sondern verbindet sie direkt mit den Krankheitsverläufen.

00:07:36: Dadurch entsteht ein wesentlich differenzierteres Bild.

00:07:40: Die Autoren konnten sogar neue genetische Zusammenhänge identifizieren die klassische krankheitsspezifische Genomweite Assoziationsstudien also diese berühmten GWOS teilweise übersehen hatten.

00:07:55: das zeigt Die Kombination aus longitudinalen Gesundheitsdaten und Genetik liefert deutlich mehr Informationen als beide Datenquellen für sich allein.

00:08:06: Kommen wir zur vielleicht wichtigsten Frage, wie gut sagt das Modell tatsächlich Krankheiten voraus?

00:08:14: Die Ergebnisse sind beeindruckend.

00:08:16: bei verschiedenen Erkrankungen übertrifft aller Dynulli etablierte klinische Risikomodelle deutlich.

00:08:23: Beispielsweise bei der coronaren Herzkrankheit oder beim Brustkrebs lagen die Vorhersageleistungen erheblich über den derzeit routinemäßig eingesetzten Verfahren.

00:08:35: Interessant ist außerdem, das Modell bleibt nicht bei einer einmaligen Prognose.

00:08:41: mit jeder neuen Information aus der elektronischen Patientenakte wird die Vorhersager aktualisiert.

00:08:47: genau darin sehen die Autoren den eigentlichen klinischen Nutzen.

00:08:53: Das klingt nach einer völlig neuen Perspektive, nach einer völligen neuen Form der Prävention.

00:08:59: Genau!

00:09:00: Bisher sagen wir häufig Sie haben ein erhöhtes Risiko.

00:09:05: Alla di nulli geht einen Schritt weiter.

00:09:08: Es beantwortet die Frage Wann könnte eine Erkrankung auftreten?

00:09:13: Und noch wichtiger Wie verändert sich diese Wahrscheinlichkeit wenn der Patient sein Lebenstil ändert oder eine Therapie beginnt.

00:09:22: Sarah Herbert spricht im Interview von den sogenannten WHAT IF Szenarien.

00:09:30: Genau darin liegt enormes Potenzial, wenn wir simulieren können welche Effekt Gewichtsreduktion LDL-Senkung oder neue Medikamente auf den individuellen Krankheitsverlauf haben verändert das die Präventionsmedizin grundlegend.

00:09:49: Das Ganze klingt fast zu gut um wahrzusehen.

00:09:52: Wo liegen die konkreten Grenzen dieser neuen Methode?

00:09:57: Die

00:09:57: Autoren sprechen mehrere Punkte an.

00:09:59: Zum einen benötigen solche Modelle hochwertige longitudinalen Daten, zum anderen bleibt die Frage offen wie gut sich die Verfahren auf andere Gesundheitssysteme übertragen lassen.

00:10:12: Außerdem muss verhindert werden das Beobachtungsdaten zu falschen kausalen Schlüsseln führen.

00:10:18: Deshalb legt die Arbeit großen Wert auf eine saubere statistische Modellierung und Verfahren wie das sogenannte Inverse Probability Waiting zur Korrektur möglicher Selektionsverzeichungen.

00:10:33: Das macht die Studie methodisch besonders überzollend.

00:10:36: Theo, wenn du diese Arbeit in wenigen Sätzen zusammenfassen müsstest was bleibt dann?

00:10:42: Was sind die Kernbotschaften dieser wirklich bemerkenswerten Publikation in Nature?

00:10:48: Für mich markiert Allerdy Nulli den Übergang von der klassischen Risikoberechnung zur Modellierung individueller Gesundheitsverläufe.

00:10:56: Nicht einzelne Diagnosen stehen im Mittelpunkt, sondern die Dynamik biologischer Prozesse über Jahrzehnte!

00:11:04: Die Verbindung aus elektronischem Patientenakten Genetik und probabilistischer Modellierungen eröffnet völlig neue Möglichkeiten für Prävention, Früherkennung und personalisierte Medizin.

00:11:17: Natürlich wird es noch Jahre dauern, bis solche Modelle routinemäßig in der Klinik eingesetzt werden.

00:11:23: Aber die Richtung ist klar!

00:11:25: Wir bewegen uns von der reaktiven Medizin hin zu einer Medizin, die individuelle Krankheitsverläufe zunehmend vorhersagen und möchtlicherweise verändern kann.

00:11:37: Theo vielen Dank für die spannende Einordnung.

00:11:40: Dank auch an unsere Zuhörerinnen und Zuhöhrer.

00:11:43: Wenn Ihnen diese Folge gefallen hat, abonnieren Sie gerne unseren Podcast und empfehlen Sie ihn weiter!

00:11:48: Bis zur nächsten Folge.

00:11:50: Ciao Theo!