Maschinelles Lernen sagt Behinderungsprogression bei MS voraus

Modelle des maschinellen Lernens können Klinikern zuverlässig das Fortschreiten der Behinderungen bei Multipler Sklerose vorhersagen. Dies geht aus einer neuen Studie belgischer Wissenschaftler hervor.

Multiple Sklerose (MS) führt im Laufe der Zeit durch ein komplexes Muster aus Entzündungsprozessen, Schüben und Genesung zu schweren Behinderungen. Es gibt jedoch nur wenige Instrumente, mit denen der Verlauf der MS vorhergesagt werden kann, um Ärzten und Patienten bei der Lebensplanung und bei Behandlungsentscheidungen zu helfen.

In der neuen Studie verwendeten Edward De Brouwer von der KU Leuven, Belgien, und Kollegen Daten von 15.240 Erwachsenen mit einer mindestens dreijährigen MS-Vorgeschichte, die in 146 MS-Zentren in 40 Ländern behandelt wurden. Mithilfe von Daten über zwei Jahre des Krankheitsverlaufs jedes Patienten trainierten die Forschenden Modelle des maschinellen Lernens, um die Wahrscheinlichkeit für eine Krankheitsprogression in den folgenden Monaten und Jahren vorherzusagen. Die Modelle wurden anhand strenger klinischer Richtlinien trainiert und validiert, um ihre Anwendbarkeit in der klinischen Praxis sicherzustellen.

Obwohl die Leistung der einzelnen Modelle in den verschiedenen Patientenuntergruppen variierte, hatten die Modelle eine durchschnittliche Fläche unter der ROC-Kurve (ROC-AUC) von 0,71±0,01. Die Studie ergab, dass die Vorgeschichte einer Behinderungsprogression eine bessere Vorhersagekraft für eine zukünftige Progression hatte als die Behandlungs- und Schubhistorie.

Die Autoren kommen zu dem Schluss, dass die in der Studie entwickelten Modelle das Potenzial haben, die Planung für Menschen mit MS erheblich zu verbessern, und dass sie in einer klinischen Wirkungsstudie evaluiert werden könnten.

De Brouwer fügt hinzu: „Anhand der Krankengeschichte von mehr als 15.000 Menschen mit Multipler Sklerose haben wir ein maschinelles Lernmodell trainiert, das die Wahrscheinlichkeit für eine Behinderungsprogression in den nächsten zwei Jahren zuverlässig vorhersagen kann. Das Modell verwendet nur routinemäßig erhobene klinische Variablen, wodurch es allgemein anwendbar ist. Unser rigoroses Benchmarking und die externe Validierung belegen das enorme Potenzial von maschinellen Lernmodellen für die Lebensplanung von Patienten und die Optimierung von Behandlungsstrategien durch Kliniker.“