Künstliche Intelligenz bei chronisch-entzündlichen Darmerkrankungen: Aktueller Stand und Zukunftsperspektiven

In den letzten zehn Jahren hat die künstliche Intelligenz (KI) bedeutende Fortschritte im Bereich der Gastroenterologie gemacht, insbesondere im Management chronisch-entzündlicher Darmerkrankungen (CED). CED, einschließlich Morbus Crohn (MC) und Colitis ulcerosa (CU), sind komplexe, chronische Erkrankungen, die insbesondere in westlichen Ländern eine erhebliche Belastung für das Gesundheitssystem darstellen. Der Einsatz von KI, insbesondere des maschinellen Lernens (ML), zeigt vielversprechende Ansätze zur Verbesserung der Diagnose, Beurteilung und Therapie von CED. Dieser Artikel gibt einen umfassenden Überblick über den aktuellen Stand und zukünftige Möglichkeiten der KI in der medizinischen Versorgung von CED-Patienten.

Maschinelles Lernen bei CED: Ein Überblick

Maschinelles Lernen, ein Teilbereich der KI, nutzt Algorithmen, die ihre Leistung durch iteratives Lernen aus Daten verbessern. Zu den gängigen ML-Methoden zählen Random Forest (RF), Support-Vektor-Maschinen (SVM), longitudinale Regression (LR) und Elastic-Net-regularisierte generalisierte lineare Modelle. Diese Methoden wurden in klinischen Studien eingesetzt, um Herausforderungen im CED-Management zu adressieren, wie Differenzialdiagnose, Krankheitsbeurteilung und Vorhersage von Therapieergebnissen.

Differenzialdiagnose von CED

Die genaue Unterscheidung zwischen MC und CU ist für eine effektive Behandlung entscheidend. Während die meisten Fälle anhand klinischer, endoskopischer und histopathologischer Merkmale differenziert werden können, fallen etwa 10–30 % der Patienten in die Kategorie „CED unklassifiziert“. Biomarker wie Anti-Saccharomyces-cerevisiae-Antikörper, antineutrophile zytoplasmatische Antikörper, T-Helfer-Lymphozyten-Polarisation in der Lamina propria und bestimmte Mikro-RNAs (miRNAs) zeigen Potenzial zur Subtypdifferenzierung. Dennoch sind diese Biomarker klinisch noch nicht etabliert.

ML wurde zur Verbesserung der Differenzialdiagnose eingesetzt. Eine retrospektive Studie mit 20.076 MC- und 15.307 CU-Patienten aus genomischen Datenbanken des International IBD Genetics Consortium nutzte SVM zur Erstellung eines Modells basierend auf multiplen Einzelnukleotid-Polymorphismen (SNPs). Dieses Modell erreichte eine Area under the Receiver Operating Characteristic Curve (AUROC) von 0,864 zur Unterscheidung von MC und CU. Eine weitere Studie an pädiatrischen CED-Patienten kombinierte endoskopische und histopathologische Befunde in einem SVM-Modell (AUROC 0,87). Ein RF-Modell analysierte Mikrobiomdaten von 20 MC- und 19 CU-Patienten (AUROC 0,72). Trotz dieser Ergebnisse waren die Studien retrospektiv und umfassten nur wenige „CED unklassifizierte“ Patienten.

Andere Studien differenzierten CU oder MC von gesunden Kontrollen anhand von SNPs, miRNAs oder Multi-Omics-Daten mit Genauigkeiten zwischen 78,9 % und 92,8 %. Diese Befunde deuten auf das Potenzial von ML zur Verbesserung der Differenzialdiagnose hin, jedoch sind Validierungen in größeren Kohorten notwendig.

Endoskopische Beurteilung von CED

Die Endoskopie spielt eine zentrale Rolle in der CED-Beurteilung. Studien untersuchten den Einsatz von KI bei der drahtlosen Kapselendoskopie und Endozytoskopie zur Detektion ulzerativer Läsionen. SVM- und Convolutional-Network-Modelle erreichten Genauigkeiten von 89,3–93,8 % bei der Ulkusdetektion in MC-Patienten. Eine japanische Studie analysierte 22.853 Endozytoskopie-Bilder von 187 CU-Patienten mittels SVM (Genauigkeit 91,0 %). Ein Convolutional-Network-Modell differenzierte Mayo-0–1- und Mayo-2–3-Läsionen in 30.322 Koloskopiebildern (AUROC 0,94–0,99). Diese Ergebnisse unterstreichen das Potenzial von ML in der endoskopischen Beurteilung.

Vorhersage von Therapieergebnissen

Die Vorhersage des Ansprechens auf Medikamente ist für personalisierte Therapien essenziell. Waljee et al. nutzten RF zur Prognose der Remission unter Thiopurin (AUROC 0,79 vs. 6-Thioguanin-Nukleotid-Test: 0,49). Ein Modell basierend auf Labordaten sechs Wochen nach Vedolizumab-Gabe sagte Remission bei MC-Patienten nach 52 Wochen vorher (AUROC 0,75). Ein longitudinales RF-Modell mit Daten von 20.368 CED-Patienten sagte Hospitalisierungen mit AUROC 0,85 voraus, was dessen Nutzen im Risikomanagement unterstreicht.

Vorhersage chirurgischer Ergebnisse

Trotz seltenerer Operationen durch Biologika bleibt die Prognose des OP-Bedarfs relevant. Ein RF-Modell an 239 MC-Patienten erreichte 96,26 % Genauigkeit bei der OP-Vorhersage. Eine indische Studie prognostizierte Kolektomien bei schwerer Kolitis mit 77 % Genauigkeit. Diese Studien zeigen das Potenzial von ML in der chirurgischen Planung.

Herausforderungen und Chancen der KI bei CED

Big Data in der CED-Forschung

Großdatensätze aus administrativen Datenbanken, klinischen Registern, elektronischen Patientenakten und Omics-Daten sind für ML-Modelle unverzichtbar. Heterogene, retrospektive Daten sowie fehlende Goldstandards limitieren jedoch deren klinischen Nutzen. Entwicklungsländer mit steigender CED-Prävalenz bieten Chancen für hochwertige Datensätze mit longitudinalen klinischen und Multi-Omics-Daten.

Ethische Aspekte

Die Genauigkeit von KI-Modellen variiert (72–96 %), Fehldiagnosen sind unvermeidbar und werfen Fragen zu Benefizienz, Patientenpräferenzen und Einwilligung auf. Verzerrungen (Minderheiten-, Label-, Institutionen-Bias) sowie populationsspezifische genetische Unterschiede (z. B. NOD2-Mutationen bei asiatischen MC-Patienten) beeinträchtigen die Fairness von Algorithmen.

Erklärbarkeit und Validierung

Komplexe ML-Modelle sind oft schwer nachvollziehbar. Externe Validierungen scheitern an mangelnder Transparenz der Berechnungen. Kliniker müssen die Limitationen der genutzten KI-Systeme verstehen, um Fehlerquellen zu identifizieren.

Zusammenarbeit und zukünftige Richtungen

Die KI-Entwicklung erfordert interdisziplinäre Zusammenarbeit zwischen Klinikern, Statistikern und Bioinformatikern. Prospektive, randomisierte Studien mit großen Stichproben und hochwertigen Datenbanken sind notwendig, um die Sicherheit und Wirksamkeit KI-gestützter Therapien zu evaluieren.

Fazit

Künstliche Intelligenz hat das Potenzial, das Management von CED durch verbesserte Diagnostik, Beurteilung und Therapieprognose zu revolutionieren. Herausforderungen in Datenqualität, Ethik, Erklärbarkeit und Validierung müssen jedoch adressiert werden. Interdisziplinäre Kooperationen und der Aufbau standardisierter Datensätze werden entscheidend sein, um die Möglichkeiten der KI in der CED-Versorgung voll auszuschöpfen.

doi.org/10.1097/CM9.0000000000000714