LifeClock nutzt routinemäßige Bluttests, um das biologische Alter von der Kindheit bis ins hohe Alter zu verfolgen
Ein Transformer-Modell, das mit 24,6 Millionen Klinikbesuchen trainiert wurde, schätzt das biologische Alter über die gesamte Lebensspanne hinweg und erkennt künftige Krankheitsrisiken bei Kindern und Erwachsenen.
Zusammenfassung
LifeClock ist eine KI-basierte biologische Uhr, die aus routinemäßigen elektronischen Patientenakten und Laboruntersuchungen entwickelt wurde – nicht aus DNA-Methylierungs- oder Omics-Daten. Die Forschenden trainierten ein Transformer-Modell, EHRFormer, mit 24,6 Millionen Besuchen von 9,7 Millionen Menschen aus chinesischen Krankenhauskohorten und testeten es anschließend an externen Kohorten, darunter die UK Biobank. Da sich die Physiologie von Kindern und Erwachsenen so stark unterscheidet, entwickelte das Team getrennte Uhren: eine Uhr für die „physiologische Reife“ bei unter 18-Jährigen und eine Alterungsuhr für Erwachsene. Die Differenz zwischen vorhergesagtem und chronologischem Alter stand in Zusammenhang mit Erkrankungen. Kinder mit beschleunigter oder verzögerter Reife zeigten die erwartbaren Wachstumsstörungen, und Erwachsene, deren biologisches Alter über dem chronologischen lag, litten häufiger an Krankheiten. Feinabgestimmte Versionen sagten Erkrankungen wie Diabetes, Schlaganfall und koronare Herzkrankheit voraus – mit AUC-Werten von bis zu 0,98 für aktuelle Diagnosen und von mindestens 0,8 für das zukünftige Risiko. Die Arbeit ist vielversprechend, aber retrospektiv und krankenhausbasiert.
Detaillierte Zusammenfassung
Die meisten Alterungsuhren sind für Erwachsene entwickelt und stützen sich auf DNA-Methylierung oder andere spezialisierte Messverfahren. Die Kindheit fehlt weitgehend, obwohl die rasche Entwicklung in diesem Lebensabschnitt eher eine programmierte Reifung als angesammelte Schäden widerspiegelt. Eine Uhr, die über die gesamte Lebenserwartung hinweg funktioniert und kostengünstige Routinedaten nutzt, könnte die Beurteilung des biologischen Alters in der alltäglichen Versorgung praktikabel machen.
Die Forschenden entwickelten EHRFormer, einen Zeitreihen-Transformer, der mit longitudinalen elektronischen Patientenakten und Laborwerten trainiert wurde. Die Trainingsdaten stammten aus vier Krankenhauskohorten der China Healthy Aging Investigation: 9.680.764 Personen und 24.633.025 Besuche, ausgehend von 184 klinischen Indikatoren. Das Modell setzte zufälliges Maskieren von Ein- und Ausgaben ein, um fehlende Werte zu bewältigen, sowie adversariales Training, um Unterschiede zwischen den Krankenhäusern zu beseitigen. Es wurde außerdem autoregressiv trainiert, sodass die Repräsentation jedes Besuchs den Gesundheitsverlauf der Person widerspiegelt. Ein Regressionsmodell, das an gesunden Personen trainiert wurde, sagte das chronologische Alter voraus, und diese Vorhersage diente als biologisches Alter. Die externe Validierung nutzte eine fünfte Kohorte (86.257 Personen) und die UK Biobank (146.087 Personen).
Die Daten zeigten zwei unterschiedliche Laborwert-Regime, eine pädiatrische Phase (Geburt bis 18 Jahre) und eine Erwachsenenphase, weshalb das Team getrennte Uhren entwickelte, was die Genauigkeit verbesserte. Die SHAP-Analyse zeigte, dass sich die wichtigsten Einflussfaktoren zwischen beiden fast vollständig unterschieden. Niedrige AST, hohes Kreatinin und hohes Gesamteiweiß bestimmten die pädiatrische Uhr, während hoher Harnstoff, niedriges Albumin und eine hohe Erythrozytenverteilungsbreite (RDW) die Uhr für Erwachsene bestimmten. In der UK Biobank erreichte das Erwachsenenmodell einen mittleren absoluten Fehler von 4,14 Jahren, wobei Harnstoff, Albumin und RDW erneut zu den wichtigsten Einflussfaktoren zählten.
Das Clustering der EHR-Repräsentationen ergab 64 Cluster, 14 pädiatrische und 50 für Erwachsene, mit unterschiedlichen Krankheitsverläufen. Erwachsene mit überhöhtem Alter (Altersabweichung über 3 Standardabweichungen) hatten eine höhere Krankheitsprävalenz als Gleichaltrige mit durchschnittlichem Alter im selben Cluster, und der Unterschied wuchs im Laufe der Zeit. Bei Kindern zeigte sich eine beschleunigte Reifung bei vorzeitiger Pubertät und Überwuchssyndromen, eine Verlangsamung bei verzögerter Pubertät, Wachstumshormonmangel und Entwicklungsverzögerung. Einige Cluster wiesen große Hazard Ratios auf, etwa 37,7 für Nierenversagen im Erwachsenencluster 20 und 15,4 für Hypophysenüberfunktion im pädiatrischen Cluster 14. Feinabgestimmte Modelle diagnostizierten bestehende Erkrankungen mit AUCs von 0,94 bis 0,98, darunter Vorhofflimmern, koronare Herzkrankheit, ischämischer Schlaganfall, Diabetes und Parkinson-Krankheit. Sie sagten künftige Erkrankungen mit AUCs von mindestens 0,8 und 5- und 10-Jahres-Inzidenz-AUCs von 0,80 bis 0,91 voraus. Sie übertrafen RNN- und XGBoost-Vergleichsmodelle. Das pädiatrische Risiko erreichte unter Verwendung von Daten vor dem 12. Lebensjahr AUCs von 0,70 bis 0,96, und Hochrisikogruppen trennten sich in den kumulativen Inzidenzkurven deutlich.
Diese Ergebnisse legen nahe, dass Routinelaborwerte, einschließlich Werten im Normbereich, Informationen über Reifung, Alterung und Krankheitsrisiko enthalten, die Werkzeuge auf Basis eines einzelnen Besuchs möglicherweise übersehen. Einschränkungen sind wichtig. Die Daten sind retrospektive Krankenhausakten, sodass die Patienten nicht repräsentativ für die Allgemeinbevölkerung sind, und die Uhr wird an gesunden Personen trainiert, die in einem klinischen Umfeld definiert wurden. Das chronologische Alter ist das Trainingsziel, was einschränken kann, wie gut die Uhr die tatsächliche biologische Alterung erfasst. Hohe AUCs könnten teilweise diagnostische Informationen widerspiegeln, die bereits in den Akten enthalten sind, und prospektive Validierung sowie Mortalitätsendpunkte würden die Aussagen stärken.
Wichtigste Erkenntnisse
- LifeClock was trained on 24.6 million visits from 9.7 million people and validated externally in a fifth cohort and in UK Biobank.
- Pediatric and adult clocks rely on almost entirely different lab markers; urea, albumin and RDW drive the adult clock.
- In UK Biobank, the adult clock reached a mean absolute error of 4.14 years, with the same top biomarkers.
- Fine-tuned models diagnosed diabetes, stroke and coronary artery disease with AUCs of 0.97–0.98 and predicted future risk with AUCs of at least 0.8.
- Children with growth-promoting or growth-inhibiting disorders showed accelerated or decelerated maturity relative to healthy controls.
Methodik
Retrospektive Multikohortenstudie mit einem Transformer-Foundation-Modell (EHRFormer), das auf maskierter Rekonstruktion, adversarialem Kohorten-Debiasing und autoregressivem Training zum nächsten Besuch anhand von 184 Labor- und klinischen Indikatoren basiert. Das biologische Alter wurde mithilfe von Altersregressionsmodellen definiert, die an gesunden Personen trainiert wurden. Krankheitsmodelle wurden feinabgestimmt und intern, in einer unabhängigen Kohorte sowie in der UK Biobank validiert, unter Verwendung von AUC, Cox-Modellen und SHAP.
Studienlimitierungen
Die Daten stammen aus retrospektiven Krankenhausakten, überwiegend aus chinesischen Kohorten. Daher sind eine Selektionsverzerrung und eine eingeschränkte Übertragbarkeit über Krankenhauspopulationen hinaus wahrscheinlich. Die Uhr wurde darauf trainiert, das chronologische Alter vorherzusagen, und es ist unklar, wie genau sie das tatsächliche biologische Altern abbildet. Zudem endet der verfügbare Volltext vor der Diskussion, sodass die von den Autoren selbst genannten Einschränkungen nicht erfasst sind. Die berichteten AUC-Werte für die aktuelle Diagnose könnten überhöht sein, da diagnostische Informationen bereits in den Akten enthalten sind. Im verfügbaren Text wurden weder Interventions- noch Mortalitätsendpunkte gezeigt.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben:
