Kann Künstliche Intelligenz meine Gesundheit vorhersagen?

Künstliche Intelligenz, kurz KI, ist gerade in aller Munde. Egal ob in den Nachrichten, in sozialen Medien oder am Küchentisch: KI ist zu einem der meistdiskutierten Themen unserer Zeit geworden. Und das aus gutem Grund, denn sie beginnt gerade, sehr viele Bereiche unseres Alltags zu verändern.

Vereinfacht gesagt bezeichnet KI Computerprogramme, die aus sehr vielen Beispielen lernen können, anstatt jede einzelne Regel vorgegeben zu bekommen. Genauso, wie ein Mensch durch Erfahrung lernt, werden KI-Systeme mit riesigen Datenmengen trainiert. Sie erkennen darin Muster und können auf dieser Grundlage Vorhersagen treffen, Texte verstehen, Bilder interpretieren oder Entscheidungen vorbereiten. Das Prinzip ist also weniger „Computer mit festen Regeln" und mehr „Computer, der aus Beispielen gelernt hat".

Besonders bekannt ist der Einsatz von KI derzeit bei der Erstellung von Texten und Bildern. Chatbots wie ChatGPT können in natürlicher Sprache antworten, Texte zusammenfassen oder formulieren. Bildgeneratoren erzeugen aus einer kurzen Beschreibung ein passendes Bild, etwa „eine Katze, die auf einem Fahrrad durch Berlin fährt". Beides funktioniert, weil die Modelle mit riesigen Mengen an Texten oder Bildern trainiert wurden und daraus gelernt haben, wie typische Inhalte aufgebaut sind.

So präsent diese Anwendungen sind, sie sind trotzdem nur ein kleiner Ausschnitt dessen, was KI kann. Deutlich weniger Aufmerksamkeit im Alltag bekommt, dass KI längst auch tief in die Gesundheitsforschung hineinwirkt. Dabei passieren dort gerade Dinge, die langfristig sehr viel grundlegender beeinflussen könnten, wie wir über Prävention, Diagnostik und personalisierte Medizin denken.

Ein besonders spannendes Beispiel dafür ist eine aktuelle Studie aus dem Fachmagazin Nature. Ein internationales Forschungsteam, unter anderem vom EMBL-EBI und dem Deutschen Krebsforschungszentrum, hat ein KI-Modell namens Delphi-2M entwickelt. Das Modell lernt aus den Krankheitsverläufen sehr vieler Menschen und versucht, daraus abzuleiten, welche Erkrankungen bei einer Person in Zukunft wahrscheinlicher werden könnten und wann sie ungefähr auftreten würden. Interessanterweise nutzt Delphi-2M technisch eine sehr ähnliche Grundidee wie moderne Chatbots, allerdings nicht auf Texte, sondern auf Gesundheitsdaten angewendet.

Dieser Artikel schaut genauer hin: Was hat das Modell eigentlich gelernt, wie funktioniert es im Grundsatz, welche Ergebnisse liefert es und was bedeutet das perspektivisch auch für das Thema Ernährung und personalisierte Gesundheit.

In der klassischen Medizin werden Diagnosen meist zu einem bestimmten Zeitpunkt gestellt: Heute Blutdruck gemessen, heute eine Laborwertbestimmung, heute eine Diagnose notiert. Vieles wirkt damit wie eine Reihe einzelner Momentaufnahmen.

Tatsächlich ist Gesundheit aber eher ein Verlauf. Manche Erkrankungen kündigen sich über Jahre an. Andere treten häufig in einer typischen Reihenfolge auf, sodass eine frühere Diagnose das Risiko für eine spätere erhöht. Wieder andere treten gehäuft in Kombinationen auf, sogenannten Komorbiditäten. Wer solche Zusammenhänge erkennen möchte, muss nicht einzelne Messwerte analysieren, sondern ganze Lebensverläufe.

Genau an dieser Stelle setzt Delphi-2M an. Das Modell betrachtet die medizinische Vorgeschichte eines Menschen als eine zeitlich geordnete Abfolge von Ereignissen, ähnlich wie ein Text aus einer langen Kette von Wörtern besteht. Und genauso, wie Sprachmodelle aus sehr vielen Texten gelernt haben, welches Wort wahrscheinlich als nächstes kommt, hat Delphi-2M aus sehr vielen Krankheitsverläufen gelernt, welche gesundheitlichen Ereignisse bei einer Person als nächstes auftreten könnten.

Um ein solches Modell zu trainieren, braucht es enorm viele strukturierte Gesundheitsdaten. Das Forschungsteam hat dafür zwei sehr große Datenquellen genutzt.

Die erste Grundlage war die UK Biobank, eine der weltweit umfangreichsten Gesundheitsstudien. Dort wurden anonymisierte medizinische Verläufe von rund 400.000 Personen ausgewertet. Für jede Person lag eine lange Liste an Diagnosen, Eingriffen und weiteren gesundheitlichen Ereignissen vor, zusammen mit dem jeweiligen Zeitpunkt und grundlegenden Angaben wie Alter und Geschlecht.

Um zu prüfen, ob das Modell nicht nur auf britische Daten spezialisiert ist, wurde es zusätzlich an einer unabhängigen Stichprobe aus dem dänischen nationalen Gesundheitsregister getestet, mit Verläufen von rund 1,9 Millionen Menschen. Dieser Schritt ist wichtig, weil ein Modell sonst Muster lernen könnte, die nur in einer bestimmten Population gelten, aber nicht allgemein übertragbar sind.

Insgesamt konnte Delphi-2M damit auf einer sehr breiten Datengrundlage Muster erkennen, die über einzelne Gesundheitssysteme und Länder hinaus Bestand haben.

Delphi-2M basiert auf einer Architektur, die aus der modernen Sprachverarbeitung stammt, einem sogenannten generativen Transformer. Für die Grundidee hilft folgende Vorstellung: Bei Sprachmodellen wird aus der bisherigen Wortfolge eines Textes die Wahrscheinlichkeit für das nächste Wort berechnet. Bei Delphi-2M wird stattdessen aus der bisherigen Ereignisfolge eines Menschen die Wahrscheinlichkeit für das nächste gesundheitliche Ereignis berechnet, zusammen mit einer Einschätzung, wann es ungefähr auftreten könnte.

Konkret wurde das Modell darauf trainiert, für über 1.000 unterschiedliche Erkrankungen (definiert über ICD-10-Codes) vorherzusagen, wie wahrscheinlich sie im weiteren Leben einer Person werden. Zusätzlich liefert das Modell einen Zeitbezug, also eine Einschätzung, in welchem Zeitraum ein Ereignis am ehesten zu erwarten wäre.

Besonders ist außerdem: Delphi-2M kann nicht nur einzelne Vorhersagen machen, sondern ganze synthetische Gesundheitsverläufe generieren, also plausible Zukunftsszenarien für eine Person. Diese generierten Verläufe sind keine Vorhersagen im Sinne von „so wird es kommen“, sondern statistisch plausible Möglichkeiten, wie sich eine Krankengeschichte auf Basis der bisherigen Daten entwickeln könnte.

Die Ergebnisse der Studie sind aus mehreren Gründen bemerkenswert.

Für viele der untersuchten Erkrankungen lag die Treffsicherheit des Modells in einem Bereich, der mit etablierten klinischen Risikorechnern vergleichbar ist. Das gilt zum Beispiel für Herz-Kreislauf-Erkrankungen, für verschiedene Krebsarten und auch für neurodegenerative Erkrankungen wie Demenz. Gemessen wurde das über Kennzahlen wie die AUC (Area Under the Curve), die beschreibt, wie gut ein Modell zwischen Personen mit und ohne späteres Ereignis unterscheiden kann. In vielen Fällen erreichte Delphi-2M Werte, die man sonst nur von Modellen kennt, die speziell für eine einzige Erkrankung entwickelt wurden. Der Unterschied ist: Delphi-2M schätzt all diese Erkrankungen in einem einzigen Modell gleichzeitig ab.

Eine weitere spannende Beobachtung: Das Modell erkannte typische Cluster von Erkrankungen, also Gruppen von Diagnosen, die häufig gemeinsam oder in einer bestimmten Reihenfolge auftreten. Solche Muster sind medizinisch schon lange bekannt, zum Beispiel der Zusammenhang zwischen Bluthochdruck, Diabetes und Herzerkrankungen. Delphi-2M hat diese Zusammenhänge aber nicht vorgegeben bekommen, sondern aus den Daten selbst abgeleitet. Zusätzlich traten Cluster zu Tage, die bisher weniger offensichtlich waren, was das Modell auch für die Forschung selbst interessant macht.

Als drittes konnte das Modell längere Zeiträume überblicken. Die Vorhersagen blieben bis zu etwa 20 Jahre in die Zukunft informativ, mit wachsender Unsicherheit über die Zeit. Das ist vor allem deshalb relevant, weil viele klassische Risikorechner auf kürzere Zeiträume von 5 oder 10 Jahren ausgelegt sind.

Ein weiterer Test war wichtig für die Glaubwürdigkeit: Die Forschenden haben geprüft, ob die synthetisch erzeugten Verläufe statistisch ähnlich aussehen wie echte Verläufe. Sie konnten zeigen, dass sich aus den generierten Daten Erkenntnisse gewinnen lassen, die mit denen aus echten Daten übereinstimmen. Das eröffnet perspektivisch die Möglichkeit, mit synthetischen Gesundheitsdaten zu forschen, ohne dafür auf sensible Originaldaten zurückgreifen zu müssen.

So beeindruckend die Ergebnisse sind, so wichtig ist es, die Grenzen des Modells klar zu benennen. Die Forschenden selbst tun das in der Publikation sehr deutlich.

Erstens handelt es sich nicht um deterministische Vorhersagen. Delphi-2M sagt nicht, dass jemand in zwölf Jahren eine bestimmte Erkrankung bekommen wird. Es schätzt Wahrscheinlichkeiten ab, basierend auf statistischen Ähnlichkeiten zu anderen Verläufen. Ob und wann eine Erkrankung tatsächlich eintritt, hängt von sehr viel mehr Faktoren ab als denen, die im Modell abgebildet sind.

Zweitens spiegelt das Modell die Biases der Trainingsdaten wider. Die UK Biobank ist eine große, aber nicht vollständig repräsentative Kohorte. Bestimmte Bevölkerungsgruppen sind über- oder unterrepräsentiert, und wer an solchen Studien teilnimmt, ist im Durchschnitt gesünder als die Allgemeinbevölkerung. Auch die dänischen Registerdaten haben eigene Eigenheiten. Für einzelne Personengruppen können Vorhersagen deshalb weniger präzise sein.

Drittens sind viele Lebensfaktoren gar nicht oder nur indirekt im Modell enthalten. Ernährung, Bewegung, Stress, soziale Einbindung, Umweltfaktoren: All das wirkt nachweislich auf Gesundheit ein, fließt aber nur zum Teil über die Diagnosen mit ein. Ein Modell, das primär aus Krankheitscodes lernt, sieht die Welt zwangsläufig durch eine medizinische Brille.

Viertens, und das ist in der klinischen Anwendung entscheidend: Ein gutes Risikomodell ist noch keine gute Entscheidung. Welche Konsequenzen aus einem erhöhten Risiko gezogen werden, welche Untersuchungen sinnvoll sind, welche Maßnahmen angemessen wären, das ist eine medizinische und oft auch ethische Abwägung, die nicht an ein Modell delegiert werden kann.

Trotz dieser Einschränkungen steckt in Modellen wie Delphi-2M eine echte Perspektivveränderung. Sie lässt sich auf zwei Kernpunkte verdichten.

Der erste Punkt ist Vorsorge statt Reaktion. Die klassische Medizin funktioniert in weiten Teilen reaktiv, das heißt, es wird reagiert, wenn Beschwerden auftreten oder eine Diagnose gestellt wird. Wenn KI aber hilft, Risiken früher sichtbar zu machen, verschiebt sich das Fenster für mögliche Maßnahmen nach vorn. Wer weiß, dass sich bestimmte Risiken bei ihm häufen, kann in Abstimmung mit medizinischem Fachpersonal gezielt gegensteuern, etwa durch Anpassungen bei Ernährung, Bewegung, Schlaf oder durch engmaschigere Vorsorgeuntersuchungen. Nicht jedes Risiko lässt sich auflösen, aber viele lassen sich beeinflussen.

Der zweite Punkt ist individuellere Medizin. Jeder Mensch bringt eine eigene Vorgeschichte, eine eigene Genetik und einen eigenen Lebensstil mit. Empfehlungen, die nur auf Durchschnittswerten großer Gruppen beruhen, treffen den einzelnen Menschen zwangsläufig oft nur ungefähr. Modelle wie Delphi-2M zeigen, dass es technisch möglich ist, Gesundheitsverläufe stärker aus einer individuellen Perspektive zu betrachten, ohne dass dafür alle Forschung von Grund auf neu gemacht werden muss.

Wichtig bleibt: Beides sind Potenziale, keine Selbstläufer. Ob solche Modelle in der Versorgung wirklich einen Unterschied machen, hängt an Fragen der Datenqualität, der Integration in klinische Abläufe, der Kommunikation gegenüber Patientinnen und Patienten und an regulatorischen Rahmenbedingungen.

Delphi-2M ist kein Ernährungsmodell. Trotzdem ist der Grundgedanke, Gesundheit als Verlauf zu betrachten, nahtlos auf Ernährung übertragbar.

Auch bei Ernährung gilt: Eine einzelne Mahlzeit sagt selten viel aus. Spannend wird es erst, wenn man über längere Zeiträume hinweg Muster erkennt. Zum Beispiel, welche Lebensmittel regelmäßig gut oder eher schlecht vertragen werden. Nach welchen Mahlzeiten bestimmte Beschwerden gehäuft auftreten. Wie sich Schlaf, Aktivität und Ernährung gegenseitig beeinflussen. Wie sich Stoffwechselreaktionen über Tage, Wochen und Monate entwickeln.

Genau in diese Richtung denken wir unsere eigene Arbeit bei essen-messen. Ernährung wird bei uns nicht als isolierte Kalorienbilanz erfasst, sondern als dynamisches System im Zusammenspiel mit Beschwerden, Schlaf, Bewegung und weiteren Stoffwechseldaten. Das Ziel ist, Muster sichtbar zu machen, die im Alltag leicht untergehen, und daraus Empfehlungen abzuleiten, die wirklich zur einzelnen Person passen, statt zu einem statistischen Mittel.

Modelle wie Delphi-2M sind damit weniger eine Konkurrenz als ein Hinweis darauf, wohin sich Gesundheit und Ernährung insgesamt entwickeln: hin zu mehr zeitlichem Kontext, mehr Individualität und einer stärkeren Rolle von Prävention.

KI-Modelle, die aus großen Gesundheitsdatenmengen lernen, werden in den nächsten Jahren mit hoher Wahrscheinlichkeit Einzug in die medizinische Praxis finden, zunächst als unterstützende Werkzeuge, nicht als Ersatz für ärztliche Einschätzung. Delphi-2M ist dabei ein gutes Beispiel für den aktuellen Stand: technisch beeindruckend, wissenschaftlich sauber eingeordnet, mit klaren Grenzen und mit einem klaren Potenzial.

Für den einzelnen Menschen bedeutet das vor allem eins: Gesundheit kann in Zukunft vermutlich früher, kontinuierlicher und individueller betrachtet werden als heute. Nicht als lückenhaftes Bild aus einzelnen Arztbesuchen, sondern als kontinuierlicher Verlauf, den man gemeinsam mit dem Gesundheitssystem besser verstehen und aktiv mitgestalten kann.

Und genau dieser Gedanke, Gesundheit als Verlauf zu begreifen und Ernährung als einen Hebel darin, ist für uns bei essen-messen der eigentliche Kern.