Forschende der UCLA haben kürzlich ein neues KI-Tool entwickelt, das mithilfe elektronischer Patientenakten potenzielle, noch nicht diagnostizierte Alzheimer-Patienten identifizieren kann. Ziel dieser Forschung ist es, das seit Langem bestehende Problem der Unterdiagnose in der Alzheimer-Versorgung, insbesondere in bestimmten Bevölkerungsgruppen, anzugehen. Die Ergebnisse wurden in der Fachzeitschrift *npj Digital Medicine* veröffentlicht.

Dr. Timothy Chang, korrespondierender Autor der Studie und Mitglied der Abteilung für Neurologie an der UCLA, erklärte: „Alzheimer ist die sechst häufigste Todesursache in den Vereinigten Staaten und betrifft jeden neunten Amerikaner ab 65 Jahren. Die Diskrepanz zwischen der tatsächlichen Anzahl der Betroffenen und der Anzahl der diagnostizierten Fälle ist erheblich und in Risikogruppen noch ausgeprägter.“ Beispielsweise haben Afroamerikaner und Hispanics/Latinos ein höheres Risiko, an Alzheimer zu erkranken, ihre Diagnoseraten sind jedoch relativ niedrig.

Anders als bisherige Vorhersagemodelle, die auf traditionellen überwachten Lernverfahren basieren, nutzte das Team der UCLA eine neue Methode namens „semi-supervised positive example unlabeled learning“. Dieses Modell berücksichtigt Fairnessaspekte, um diagnostische Verzerrungen zwischen verschiedenen Gruppen zu reduzieren. Das Forschungsteam trainierte und validierte das Modell anhand elektronischer Patientenakten von über 97.000 Patienten des universitären Gesundheitssystems, darunter sowohl diagnostizierte als auch nicht diagnostizierte Fälle.

Das Modell identifiziert potenzielle Patienten durch die Analyse von Mustern in Diagnosedaten, Alter und anderen klinischen Merkmalen. Die Validierungsergebnisse zeigten, dass das Tool eine Sensitivität von 77 % bis 81 % bei der Identifizierung nicht diagnostizierter Patienten in nicht-hispanischen weißen, nicht-hispanischen afroamerikanischen, hispanischen/lateinamerikanischen und ostasiatischen Bevölkerungsgruppen erreichte. Dies ist höher als die Sensitivität von 39 % bis 53 % traditioneller Modelle. Darüber hinaus ergaben Vergleiche genetischer Daten, dass das Modell eine signifikant höhere Häufigkeit von Alzheimer-assoziierten genetischen Markern in Hochrisiko-Patientengruppen vorhersagte.

Dr. Chang erklärte: „Indem unser Modell konsistente und faire Vorhersagen für verschiedene Bevölkerungsgruppen gewährleistet, kann es dazu beitragen, die Unterdiagnose der Alzheimer-Krankheit in unterrepräsentierten Bevölkerungsgruppen zu verbessern.“ Angesichts neuer Therapien und Interventionen, die das Fortschreiten der Krankheit verlangsamen können, wird die Früherkennung immer wichtiger. Dieses Instrument unterstützt Ärzte bei der Identifizierung von Risikopatienten für weitere Untersuchungen.

Das Forschungsteam plant eine prospektive klinische Validierung des Modells in einem kooperativen Gesundheitssystem, um dessen allgemeine Anwendbarkeit und praktischen Nutzen zu bewerten, bevor eine Integration in die medizinische Routine in Betracht gezogen wird.

Weitere Informationen: Autoren: Thai Tran et al., Titel: „Label-free learning based on fair positive samples to predict undiagnosed Alzheimer's disease in different electronic health records“, veröffentlicht in: npj Digital Medicine (2025). Zeitschrifteninformationen: npj Digital Medicine