KI verändert die Versorgung bei neuromuskulären Erkrankungen, doch die meisten Anwendungen sind noch nicht validiert
Eine narrative Übersichtsarbeit zu KI bei neuromuskulären Erkrankungen zeigt starke Signale für Diagnostik und Verlaufskontrolle, doch nur wenige Werkzeuge wurden extern validiert oder werden klinisch eingesetzt.
Zusammenfassung
Diese narrative Übersichtsarbeit behandelt die Literatur der Jahre 2018–2025 zum Einsatz von KI bei neuromuskulären Erkrankungen (NMD), einer Gruppe von mehr als 800 überwiegend seltenen Erkrankungen. KI-Werkzeuge zeigen eine hohe Leistungsfähigkeit bei der Varianteninterpretation, der Muskel-MRT, der EMG, der Pathologie, der Proteomik und der Prognose. Ein tragbarer Endpunkt (SV95C) ist von der FDA/EMA für Studien zur Duchenne-Muskeldystrophie qualifiziert, und das ENCALS-Überlebensmodell für ALS wurde in 14 europäischen Zentren validiert. Allerdings wurden die meisten Modelle mit Daten einzelner Zentren entwickelt und getestet, nur wenige wurden extern oder prospektiv validiert, und die Forschung konzentriert sich auf ALS und Duchenne, während Erkrankungen wie die myotone Dystrophie und kongenitale Myopathien kaum untersucht sind. Föderiertes Lernen, internationale Netzwerke und Foundation-Modelle werden vorgeschlagen, um diese Lücken zu schließen. Es handelt sich um eine Übersichtsarbeit ohne neue Daten und ohne formale Bewertung des Verzerrungsrisikos.
Detaillierte Zusammenfassung
Neuromuskuläre Erkrankungen betreffen etwa einen von 1000 Menschen und umfassen mehr als 800 Erkrankungen, die meisten davon selten. Die Diagnose verläuft schleppend (mittlere Verzögerung 4,7 Jahre in einer europäischen Umfrage), und die Seltenheit entzieht den Methoden des maschinellen Lernens, die normalerweise große Datensätze benötigen, die Grundlage. Dieser Review untersucht, wo KI hilft und was im Weg steht.
Die Autoren führten eine narrative Literatursuche durch (PubMed, Web of Science, Scopus, Google Scholar; Januar 2018 bis Juni 2025) und bezogen 80 Referenzen ein. Das Screening erfolgte durch einen Autor, die Überprüfung durch zwei weitere. Es gab keine formale Bewertung des Verzerrungsrisikos und keine Metaanalyse. Der Review behandelt Strategien bei knappen Daten (Transfer Learning, Few-Shot Learning, Federated Learning, synthetische Daten), anschließend Diagnose, Monitoring und Prognose sowie die Entdeckung von Biomarkern.
Die berichteten Ergebnisse sind überwiegend Leistungskennzahlen aus den Originalstudien. Bei der Bildgebung erreichte ein vortrainiertes CNN bei der Dystrophinopathie in der MRT des Oberschenkels eine Genauigkeit von 91 % gegenüber 84 % bei Radiologen, und die Plattform Myo-Guide (2961 Scans, 20 NMD-Typen) erreichte bei 14 unbekannten Fällen eine Top-3-Genauigkeit von 75 % gegenüber 64,3 % beim besten Kliniker. Ein CNN für die Pathologie klassifizierte 11 Muskelerkrankungen mit einer AUC von 0,996 auf zugeschnittenen Bildern. Bei ALS lieferte ENCALS (acht Prädiktoren, 14 Zentren, 11.475 Patienten) einen C-Index von 0,78 und ist das einzige ALS-Überlebensmodell mit externer Validierung und geringem Verzerrungsrisiko. Die Plasmaproteomik erreichte für ALS eine AUC von 0,983, repliziert in einer unabhängigen Kohorte. Der Wearable-Sensor SV95C ist der erste von FDA/EMA qualifizierte digitale primäre Endpunkt für Duchenne-Studien. Sprachmodelle schnitten mäßig ab: GPT-4o reihte die richtige seltene Erkrankung nur in 19,8 % der Fallvignetten an erste Stelle.
Implikationen: KI steht der praktischen Anwendung bei der VariantenInterpretation, bei MRT- und Wearable-Endpunkten sowie beim Studiendesign am nächsten. Die Forschung ist ungleich verteilt, mit 547 Publikationen zu ALS und 86 zu DMD/BMD gegenüber 1 zu Lambert-Eaton und 9 zu kongenitalen Myopathien. Föderierte Infrastrukturen wie EURO-NMD (82 Zentren) und Foundation-Modelle könnten helfen.
Die Einschränkungen sind erheblich. Die meisten Modelle stammen aus einzelnen Zentren und sind nur intern validiert, und nur 11,8 % der ML-Studien zu seltenen Erkrankungen nutzen externe Datensätze. Kleine direkte Vergleiche, Segmentierungsfehler bei einer Fettinfiltration von über 20 %, fehlende öffentliche Whole-Slide-Datensätze für Muskelgewebe und unbewiesene synthetische Daten schränken das Vertrauen in die Ergebnisse ein.
Wichtigste Erkenntnisse
- Wearable stride velocity (SV95C) is the first FDA/EMA-qualified digital primary endpoint for Duchenne trials, with an ICC of 0.970.
- ENCALS ALS survival model (C-index 0.78) is externally validated across 14 European centers, the only one also with low bias risk.
- Muscle MRI AI beat clinicians in small comparisons (Myo-Guide 75.0% vs 64.3% on 14 unseen cases), so caution is warranted.
- Plasma proteomics ML gave AUC 0.983 for ALS (183 patients vs 309 controls), replicated in an independent cohort.
- Research is skewed: ALS has 547 AI publications, while Lambert–Eaton has 1 and congenital myopathies 9; most models lack external validation.
Methodik
Narrative Review von KI-/ML-Studien zu neuromuskulären Erkrankungen (NMDs) aus den Jahren 2018 bis Juni 2025; es wurden vier Datenbanken durchsucht und 80 Referenzen einbezogen. Das Screening erfolgte durch eine einzelne Autorin bzw. einen einzelnen Autor mit anschließender Überprüfung; eine formale Bewertung des Verzerrungsrisikos oder eine Metaanalyse wurde nicht durchgeführt. Die angegebenen Leistungskennzahlen stammen aus den jeweiligen Originalstudien und wurden nicht gepoolt.
Studienlimitierungen
Die meisten der zugrunde liegenden Studien waren monozentrisch, intern validiert und klein, mit nur wenigen externen oder prospektiven Überprüfungen. Bei der Übersichtsarbeit handelt es sich um ein narratives Review mit nur einer screenenden Person und ohne Bewertung des Verzerrungsrisikos, sodass ein Selektionsbias möglich ist. Die Abdeckung der einzelnen Erkrankungen ist uneinheitlich, und die Arbeit befasst sich mit neuromuskulären Erkrankungen, nicht mit Alterungsmechanismen oder der Lebenserwartung.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben:
