Kann KI das metabolomische Alter einer Person vorhersagen und Gesundheitspläne entsprechend anpassen?

Ein aus Blutwerten geschätztes Alter kann vom chronologischen Alter abweichen. Forschende des King’s College London verglichen Algorithmen, die dieses „metabolomische Alter“ aus Daten einer großen Studiengruppe berechnen. Die Ergebnisse zeigen Zusammenhänge mit Gesundheitsmerkmalen und Überleben. Daraus ergibt sich noch kein klinischer Test, der allein über eine Behandlung oder einen Versicherungsschutz entscheiden könnte.

Chronologisches und metabolomisches Alter

Das chronologische Alter ist die Zeit seit der Geburt. Biologisches Altern beschreibt verschiedene Veränderungen im Körper. Eine Schätzung anhand von Stoffwechselprodukten im Blut bildet nur einen Teil davon ab und ist kein vollständiges Maß für das „biologische Alter“ eines Menschen. Die Studie belegt auch nicht, dass eine Maßnahme, die den Zahlenwert verändert, zwangsläufig das Krankheitsrisiko senkt.

Was sind Metaboliten?

Metaboliten sind kleine Moleküle, die an biochemischen Abläufen beteiligt sind oder dabei entstehen. Ihre Konzentration im Blut kann Hinweise auf verschiedene Stoffwechselwege geben. Für diese Untersuchung wurden 168 metabolische Merkmale im Blutplasma mittels Kernspinresonanzspektroskopie gemessen.

So wurde MileAge untersucht

Das Team trainierte und validierte intern 17 Algorithmen des maschinellen Lernens mit Daten von bis zu 225.212 Teilnehmenden der UK Biobank. Bei der Aufnahme waren sie 40 bis 69 Jahre alt. Die Modelle schätzten das Alter aus Blutwerten; anschließend wurde die Schätzung mit dem bekannten chronologischen Alter verglichen.

Als MileAge delta bezeichnen die Forschenden die Differenz zwischen dem vom Modell geschätzten und dem chronologischen Alter. Ein positiver Wert bedeutet, dass das Stoffwechselprofil nach diesem Modell eher dem einer älteren Person ähnelt. Es handelt sich um eine statistische Forschungsgröße und nicht um eine individuelle Diagnose.

Ergebnisse und Grenzen

Unter den untersuchten Verfahren zeigte das MileAge-Delta eines regelbasierten Cubist-Regressionsmodells die stärksten Zusammenhänge mit den betrachteten Gesundheits- und Altersmerkmalen. Die Forschenden untersuchten unter anderem Gebrechlichkeit, Telomerlänge und Sterblichkeit. Solche Zusammenhänge beweisen weder eine Ursache noch, dass sich die Lebensdauer eines einzelnen Menschen zuverlässig vorhersagen lässt.

Die Daten stammen aus der UK Biobank; die beschriebene Validierung erfolgte innerhalb dieses Datenbestands. Vor einem Einsatz im Alltag wären unabhängige Prüfungen in anderen Bevölkerungsgruppen, Altersbereichen und klinischen Umgebungen nötig. Andere Messverfahren und Modelle können andere Schätzwerte liefern.

Mögliche Nutzung in der Forschung

Ein zuverlässig validierter Stoffwechselindikator könnte helfen, Alterungsprozesse zu untersuchen, Bevölkerungsgruppen zu vergleichen und Risikofaktoren zu erforschen. Nach weiteren Studien könnte er möglicherweise andere Informationen in der Vorsorge ergänzen. Diese Veröffentlichung zeigt nicht, dass eine Smartwatch MileAge per Knopfdruck messen kann. Sie rechtfertigt auch keine unmittelbaren medizinischen oder versicherungsbezogenen Entscheidungen allein anhand des Wertes.

Forschende und Finanzierung

Die Studie stammt von Julian Mutz, Raquel Iniesta und Cathryn M. Lewis vom Institute of Psychiatry, Psychology & Neuroscience am King’s College London. Verwendet wurden Daten der UK Biobank. Zur Forschungsförderung gehörten das NIHR und das Maudsley Biomedical Research Centre.

Unternehmen der Biowissenschaften

Neue Methoden zur Analyse biologischer Daten können für die Branche interessant sein. Das heißt nicht, dass diese Studie Produkte eines bestimmten Unternehmens bestätigt oder eine Aktienprognose liefert.

10x Genomics Inc.

10x Genomics (TXG ) entwickelt Werkzeuge zur Analyse von Zellen und biologischen Proben. Das Unternehmen hat das MileAge-Modell dieser Studie nicht entwickelt; ein kommerzieller Zusammenhang ist hier nicht belegt.

Die nächsten Schritte

Die Arbeit zeigt, dass die Wahl des Algorithmus beeinflusst, welche Erkenntnisse dieselben Stoffwechseldaten liefern. Der praktische Nutzen von MileAge hängt von unabhängiger Validierung, reproduzierbaren Messungen und dem Nachweis ab, dass der Wert über etablierte klinische Angaben hinaus zusätzliche Informationen bietet. Mehr über Gesundheitstechnologie.

Studienquelle

Mutz, J., Iniesta, R. und Lewis, C. M. (2024). Metabolomic age (MileAge) predicts health and life span: A comparison of multiple machine learning algorithms. Science Advances, 10(51), eadp3743. doi:10.1126/sciadv.adp3743.