Nutzung von maschinellem Lernen, einem Teilbereich der künstlichen Intelligenz, zur frühzeitigen Erkennung und Diagnose von Typ-1-Diabetes: Eine systematische Überprüfung

Typ-1-Diabetes (T1D) ist eine Autoimmunerkrankung, die durch die Zerstörung von insulinproduzierenden beta-Zellen der Bauchspeicheldrüse gekennzeichnet ist, was zu einer lebenslangen Insulinabhängigkeit und erheblichen Komplikationen führt. Die frühzeitige Erkennung von T1D ist entscheidend, um den Krankheitsausbruch zu verzögern und die Ergebnisse zu verbessern. Neueste Fortschritte in der künstlichen Intelligenz (KI) und im maschinellen Lernen (ML) haben leistungsstarke Werkzeuge zur Vorhersage und Diagnose von T1D bereitgestellt. Diese systematische Überprüfung bewertet das aktuelle Umfeld von KI/ML-basierten Ansätzen zur frühzeitigen T1D-Erkennung. Eine umfassende Suche in PubMed, EMBASE, Science Direct und Scopus identifizierte 1447 Studien, von denen 10 die Einschlusskriterien für eine narrative Synthese nach Sichtung und Volltextüberprüfung erfüllten. Die Studien verwendeten verschiedene ML-Modelle, einschließlich logistischer Regression, Support-Vektor-Maschinen, Zufallswäldern und künstlichen neuronalen Netzen. Die Datensätze umfassten klinische Parameter, genetische Risikomarker, Daten zur kontinuierlichen Glukoseüberwachung (CGM) sowie proteomische und metabolomische Biomarker. In den einbezogenen Studien waren insgesamt 49.172 Teilnehmer involviert, und es kamen Fall-Kontroll-, retrospektive Kohorten- und prospektive Kohorten-Designs zum Einsatz. Modelle, die multimodale Daten integrierten, erreichten die höchste Vorhersagegenauigkeit, wobei die Area under the curve (AUC)-Werte in geschlechtsspezifischen Modellen bis zu 0,993 betrugen. CGM-Daten und Plasma-Biomarker wie CXCL10 und IL-1RA erwiesen sich ebenfalls als wertvolle Werkzeuge zur Identifizierung gefährdeter Personen. Während die Ergebnisse das Potenzial von KI/ML zur Revolutionierung der Risikostratifizierung und Diagnose von T1D hervorheben, bestehen Herausforderungen. Datenheterogenität und begrenzte Modellgeneralisierbarkeit stellen Hindernisse für eine umfassende Implementierung dar. Zukünftige Forschungen sollten die Entwicklung universeller Rahmenwerke und die Validierung in der realen Welt priorisieren, um die Zuverlässigkeit und klinische Integration dieser Werkzeuge zu verbessern. Letztendlich halten KI/ML-Technologien transformative Potenziale für die klinische Praxis bereit, indem sie eine frühere Diagnose ermöglichen, gezielte Interventionen anleiten und die langfristigen Behandlungsergebnisse der Patienten verbessern. Diese Fortschritte könnten Kliniker dabei unterstützen, informiertere und zeitgerechte Entscheidungen zu treffen, wodurch diagnostische Verzögerungen verringert und personalisierte Präventionsstrategien in der Pädiatrie sowie bei Erwachsenen ermöglicht werden könnten.