KI sagt biologisches Alter besser voraus als DNA-Tests – mit einfachen Gesundheitsberichten
Große Sprachmodelle übertrafen Telomerlänge und epigenetische Uhren bei der Vorhersage von Alterung und Mortalitätsrisiko bei über 10 Millionen Menschen.
Zusammenfassung
Forscher haben ein KI-System auf Basis großer Sprachmodelle entwickelt, das das biologische Alter anhand routinemäßiger Gesundheitsuntersuchungsberichte vorhersagt. Bei Tests in sechs bevölkerungsbasierten Studien mit über 10 Millionen Teilnehmern übertraf die KI traditionelle Alterungsmaße wie Telomerlänge, Gebrechlichkeits-Scores und epigenetische Uhren bei der Vorhersage des Mortalitätsrisikos. Das System erzielte eine überlegene Genauigkeit sowohl bei der allgemeinen Alterungsbeurteilung als auch bei der organspezifischen Alterungsbewertung und bietet damit eine kosteneffiziente Alternative zu teuren Gentests für die bevölkerungsweite Gesundheitsüberwachung.
Detaillierte Zusammenfassung
Genaue Bewertungen des biologischen Alters sind entscheidend, um Gesundheitsrisiken zu erkennen und altersbedingten Erkrankungen vorzubeugen – doch aktuelle Methoden weisen erhebliche Einschränkungen hinsichtlich Kosten, Zugänglichkeit und Vorhersagekraft auf.
Forschende der Tsinghua-Universität entwickelten ein neuartiges Framework, das große Sprachmodelle (LLMs) einsetzt, um das biologische Alter anhand standardisierter Gesundheitsuntersuchungsberichte zu schätzen. Dieser Ansatz wurde in sechs bevölkerungsbasierten Kohorten mit über 10 Millionen Teilnehmenden validiert.
Das von den LLMs vorhergesagte biologische Alter erzielte einen Konkordanzindex von 0,757 bei der Vorhersage der Gesamtmortalität und übertraf damit deutlich herkömmliche Alterungsmarker, darunter Telomerlänge, Frailty-Index, acht epigenetische Altersmaße und vier Modelle des maschinellen Lernens. Jedes Jahr beschleunigter Alterung (Age Gap) war mit einem um 5,5 % erhöhten Sterberisiko verbunden.
Das System zeigte zudem eine überlegene Leistung bei der organspezifischen Alterungsbewertung und sagte entsprechende Organerkrankungen besser vorher als herkömmliche Ansätze des maschinellen Lernens. Den Forschenden gelang es außerdem, mithilfe der Age Gaps proteomische Biomarker beschleunigter Alterung zu identifizieren und Risikovorhersagemodelle für 270 Erkrankungen zu entwickeln.
Dieser Durchbruch bietet einen präzisen, zuverlässigen und kosteneffizienten Ansatz zur Alterungsbewertung, der das personalisierte Gesundheitsmanagement in großen Bevölkerungsgruppen revolutionieren könnte – indem er die Bestimmung des biologischen Alters über Routineuntersuchungen zugänglich macht, anstatt auf teure Spezialtests angewiesen zu sein.
Wichtigste Erkenntnisse
- LLM biological age prediction outperformed telomere length and epigenetic clocks for mortality risk
- Each year of accelerated aging increased all-cause mortality risk by 5.5%
- System successfully predicted organ-specific aging and disease risks
- Framework identified proteomic biomarkers and predicted risk for 270 diseases
- Method works with standard health reports, making it cost-effective for large populations
Methodik
Groß angelegte Validierungsstudie über sechs bevölkerungsbasierte Kohorten mit mehr als 10 Millionen Teilnehmern. Ein LLM-Framework wurde darauf trainiert, das biologische Alter anhand routinemäßiger Gesundheitsuntersuchungsberichte vorherzusagen, und wurde mit etablierten Alterungsmaßen verglichen, darunter Telomerlänge, Frailty-Index und epigenetische Uhren.
Studienlimitierungen
Studie basiert ausschließlich auf dem Abstract – vollständige Methodik-Details sind nicht verfügbar. Die Validierung beschränkt sich auf spezifische Bevölkerungskohorten, was die Generalisierbarkeit beeinträchtigen kann. Langfristige klinische Ergebnisse und die Wirksamkeit von Interventionen auf Basis dieses Rahmens erfordern weitere Untersuchungen.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: