Summary*Ziel der Studie: Diese Studie untersucht das prädiktive Potenzial von Gehirn-MRTs zur Risikostratifizierung einer Vielzahl neurologischer, psychiatrischer, neurohämodynamischer und neurodegenerativer Erkrankungen unter Verwendung Künstlicher Intelligenz (KI). Zudem führen wir eine umfassende Assoziationsstudie verschiedener Erkrankungen durch, die sowohl gehirnbezogene als auch systemische Krankheiten abdeckt. *Methodik*: Wir haben ein KI-Modell zur Vorhersage zukünftiger Erkrankungen anhand von Gehirn-MRTs entwickelt. Im Gegensatz zu etablierten Methoden ist unser Modell in der Lage, automatisch komplexe Muster über verschiedene MRT-Modalitäten hinweg zu erlernen und diese mit Risiken für eine Vielzahl von Krankheiten zu assoziieren. Dabei verwendeten wir Daten aus einer großen Beobachtungsstudie in England (UK Biobank), die sowohl verschiedene MRT-Modalitäten (darunter T1-gewichtete, T2-Flair, SWI, DWI und fMRT) als auch elektronische Gesundheitsdaten umfasst. Aus diesen Daten haben wir Folgeerkrankungen bis zu zehn Jahre in die Zukunft abgeleitet und das Modell darauf trainiert, diese Krankheiten vorherzusagen. Unsere bisherigen Ergebnisse in England sind vielversprechend und sollen im nächsten Schritt in der NAKO validiert werden, um die Generalisierbarkeit der Methode über verschiedene Populationen, Gesundheitssysteme, und MRT-Geräte hinweg sicherzustellen. *Ergebnisse*: Unsere vorläufigen Ergebnisse zeigen, dass moderne KI-Modelle in der Lage sind, das Risiko für zahlreiche Erkrankungen – einschließlich Alzheimer, Demenz und Parkinson – effektiv zu stratifizieren. Diese Modelle übertreffen dabei die Leistung demografischer Prädiktoren in den meisten untersuchten Krankheitsbildern. Das KI-Modell ist in der Lage, komplexe Muster über verschiedene MRT-Modalitäten hinweg zu erkennen, was zu einer besseren Vorhersagegenauigkeit zukünftiger Erkrankungen führt. *Nächste Schritte*: Im nächsten Schritt soll das prädiktive Potenzial unserer KI-Modelle mithilfe der Gehirn-MRT-, Follow-up- und Sekundärdaten der NAKO-Studie validiert werden. Diese externe Validierung wird die Robustheit des Modells unter verschiedenen Bedingungen und in unterschiedlichen Gesundheitssystemen überprüfen. Dadurch soll sichergestellt werden, dass das Modell auch in realen Anwendungsfällen zuverlässig ist. Dieser Prozess trägt zudem dazu bei, eine präzise, unvoreingenommene Bewertung der Modellleistung zu gewährleisten.

Keywords KI Krankheitsvoraussage MRT-Hirnbildgebung Risikostratifi

InstitutionsBerlin Institute of Health @ Charité / Digitale Gesundheit, Künstliche Intelligenz - ailslab, Berlin Institute of Health at Charité (BIH)