Kausale AI verbessert Abschätzung des CV-Risikos und idealen Zeitpunkts für Prävention

Der optimale Zeitpunkt, die Dauer und Intensität der Senkung des LDL-Spiegels und des systolischen Blutdrucks (SBP) zur Prävention kardiovaskulärer Ereignisse ist unbekannt. Die Komplexität der Berechnung verlangt nach Artificial Intelligence (AI)-Unterstützung im Erfassen und Bearbeiten dieser Datenflut. Hiermit sind gemeint: AI (Programme mit Menschen-ähnlichen Fähigkeiten zu lernen und zu schlussfolgern), Machine Learning (Algorithmen, die ohne explizites Programmieren dazulernen) und Deep Learning (Nutzen künstlicher neuronaler Netzwerke, um die Aufgabe zu trainieren).

Mittels Machine und Deep Learning mit 1,8 Millionen Datensätzen, 1,3 Millionen Teilnehmer:innen nach Mendel`scher Randomisierung und > 1/2 Million Teilnehmer:innen an randomisierten Studien wurde versucht, den kausalen Langzeiteffekt von LDL und SBP abzuschätzen. Es wurden hierbei Gruppen mit niedrigem und hohem LDL/SBP und Kombinationen generiert. Es konnte gezeigt werden, dass derzeitige Risiko-abschätzende Algorithmen für die individuelle Risikoabschätzung nicht ausreichend nützlich sind, weil sie kausale Effekte auslassen.

Bedeutung für die Praxis: Gängige Richtlinien (basierend auf randomisierten Studien) können keine exakte Aussage treffen, wann individuell mit einer primär-präventiven Maßnahme begonnen werden sollte. Das allgemeine Ziel muss daher sein, eine neue Generation an AI-Algorithmen zu trainieren, die kausalen Effekte von z. B. LDL und SBP über diskrete Zeitintervalle individuell abzuschätzen. Damit soll die Genauigkeit der persönlichen Risikoabschätzung und der dadurch generierten präzisen primär präventiven Behandlungsoption erhöht werden.

Ference BA, Cambridge, UK; Hot Line