Die Rheumatologie ist prädestiniert für den Einsatz von Künstlicher Intelligenz (KI). Warum? Weil sich dieses Fachgebiet mit hochkomplexen, chronischen Erkrankungen auseinandersetzt, die durch überlappende Symptome, vielschichtige Antikörperprofile und eine enorme Menge an Daten aus Bildgebung, Klinik und Laboren gekennzeichnet sind. Herkömmliche Klassifikationskriterien stoßen hier oft an Grenzen. KI-Modelle, insbesondere das Maschinelle Lernen (ML) und Deep Learning (DL), können diese multidimensionalen Daten verarbeiten, um die diagnostische Genauigkeit zu erhöhen und die Versorgung zu individualisieren.
Im Folgenden werfen wir einen Blick auf konkrete Bereiche, in denen es Modellprojekte oder bereits erste Anwendungen gibt, die möglicherweise in Zukunft die Versorgung bei RA transformieren können.
1. Vorhersage des Risikos für RA
Eine frühzeitige Identifizierung von Risikopersonen ermöglicht eine engmaschige Überwachung noch vor dem ersten Gelenkschaden. KI soll hier helfen, wo rein serologische Parameter nicht ausreichen.
Beispiel: Ein Modell basierend auf 23 Proteinen konnte das Risiko für eine RA-Entwicklung (unabhängig vom ACPA (anti citrullinated peptide/protein antibodies)-Status) mit einer Genauigkeit von 91,2 % vorhersagen.1
2. Diagnose der RA
KI kann helfen, den Diagnoseprozess zu beschleunigen, indem sie Muster in elektronischen Patientenakten (EHR) oder Omics-Daten (z. B. Genom-, Proteom- oder Metabolomdaten) erkennt.
Beispiel: Ein SVM (Support Vector Machines)-Algorithmus identifizierte in einer Studie über 2.800 RA-Patient:innen aus einem Pool von 23.300 Datensätzen in weniger als 7 Sekunden mit einem positiven Vorhersagewert von 94 %.1
3. Vorhersage von Krankheitsschüben
Eine frühzeitige und verlässliche Prognose von Schüben kann proaktive Therapieanpassung ermöglichen. Das kann helfen, die Krankheitsaktivität konstant unter Kontrolle zu behalten.
Beispiel: Ein Projekt konnte mithilfe von ML Serum-Proteom-Signaturen identifizieren, die mit einem Area-under-the-Curve (AUC)-Wert von 0,80 Rückfälle innerhalb von 12 Monaten nach Absetzen der RA-Medikation vorhersagten.1
4. Beurteilung der Krankheitsaktivität
Die kontinuierliche Überwachung ist im klinischen Alltag zeitaufwendig. Daten, die mithilfe von Smartphones oder Wearables gesammelt werden, könnten möglicherweise helfen, die Krankheitsaktivität kontinuierlich zu beobachten und genauer bewerten zu können.
Beispiel: Eine Studie nutzte ein ML-Modell, um Daten von Smartphones und Wearables auszuwerten, und verglich diese mit PRO (Patient-reported Outcome) -Daten. Dabei war es möglich, die Schwere der Erkrankung besser zu bewerten (F1-Wert 0,833), als wenn nur PRO-Daten genutzt wurden (F1-Wert 0,759).1
5. Vorhersage des Therapieansprechens
Patient:innen sprechen auf medikamentöse Therapien unterschiedlich gut an. KI soll hier helfen, die „Trial-and-Error“-Phase zu verkürzen, indem sie das Ansprechen auf unterschiedliche Wirkstoffe vorab schätzt.
Beispiel: Mithilfe künstlicher neuraler Netzwerke konnte auf Basis klinischer und molekularer Daten das Ansprechen von Patient:innen auf eine TNFi-Behandlung vorhergesagt werden, was zur Planung von Therapieentscheidungen genutzt werden konnte.1
6. Entwicklung neuer Wirkstoffe
Die Identifizierung neuer Zielstrukturen ist langwierig. KI soll dazu beitragen, dies durch die Analyse wissenschaftlicher Literatur und komplexer molekulargenetischer Netzwerke zu beschleunigen.
Beispiel: Durch ML-basierte Bioinformatik konnten bereits neue Biomarker-Gene (Multi-Evidence Genes) entdeckt werden, die das Potenzial haben, Ansatzpunkte für neue Therapien sein zu können.1
7. Beurteilung von Komorbiditäten
Insbesondere bei (Hoch-)Risikopatient:innen mit RA sind Begleiterkrankungen (z. B. kardiovaskuläre Erkrankungen oder Osteoporose) ein relevantes Thema. KI-Tools sollen bereits in einer sehr frühen Phase Warnsignale für die Entstehung solcher Erkrankungen detektieren und Ärzt:innen somit eine frühzeitige Reaktion ermöglichen.
Beispiel: KI-Modelle erreichten bei der Einschätzung des Risikos für die Entstehung von Komorbiditäten wie kardiovaskulären Erkrankungen eine Treffsicherheit (AUC) von bis zu 0,98 und übertrafen damit die Zuverlässigkeit klassischer CVD-Risikoscores.1
KI wird das ärztliche Handeln nicht ersetzen, aber als mächtiges Werkzeug ergänzen. Die Zukunft könnte vor allem in der „Multimodalen KI“ liegen, die Daten aus verschiedenen Quellen – von der Genetik bis zum Wearable – patientenzentriert zusammenführt und so eine bessere Informationsbasis für die ärztliche Therapieplanung liefert. Bevor solche Systeme jedoch flächendeckend im Behandlungsalltag ankommen, müssen Fragen zur Datenqualität und Transparenz abschließend geklärt werden.
_____________________________________________________
Referenzen
Bildquelle: iStock / Khanchit Khirisutchalual
DE-CZ-2600028
