KI-basiertes Bluttestverfahren erkennt Schlaganfall und Herzinsuffizienz bis zu 15 Jahre im Voraus

Zudem kann es Warnsignale bereits 15 Jahre vor dem klinischen Auftreten der Erkrankungen erkennen. Die Ergebnisse wurden in Nature Communications veröffentlicht. Die KI-basierte Integration multiomischer Daten spiegelt den aktuellen Gesundheitszustand des Körpers wider.

Kardiovaskuläre Erkrankungen bleiben weltweit die häufigste Todesursache und verursachten allein im Jahr 2022 etwa 19,8 Millionen Todesfälle. Bei Routine-Untersuchungen schtzen rzte das kardiovaskulre Risiko in der Regel anhand, Blutdruck, Rauchen und anderen konventionellen klinischen Indikatoren ein.

Diese Manahmen knnen jedoch frhe und subtile biologische Vernderungen bersehen, die noch vor der Diagnose einer Erkrankung auftreten, wodurch viele Patienten die beste Chance fr prventive Manahmen verlieren.

Was die Studie zeigt

Polygenische Risikoscores haben in den letzten Jahren an Bedeutung gewonnen, doch das genetische Risiko ist grtenteils bereits bei der Geburt festgelegt und verndert sich im Laufe der Zeit nicht. Daher knnen diese Scores die unmittelbaren Auswirkungen in der Umwelt auf die Gesundheit nicht widerspiegeln.

Dies schafft einen dringenden Bedarf an Instrumenten, die den aktuellen biologischen Zustand einer Person abbilden und przise Frhwarnsignale fr kardiovaskulre Erkrankungen (CVDs) liefern knnen. Um diesen Bedarf zu decken, hat das HKUMed-Team mithilfe  einschlielich Genomik, Metabolomik und Proteomik  integriert, um den CardiOmicScore zu entwickeln.

Die Studie nutzte groß angelegte Bevölkerungsdaten aus dem UK Biobank und analysierte 2.920 zirkulierende Proteine sowie 168 Metaboliten, die aus Blutproben gemessen wurden. Diese molekularen Signale fungieren als „Echtzeit-Recorder" des Körpers und erfassen subtile Veränderungen des Immunsystems, des Stoffwechsels und der Gefäßgesundheit.

Professor Zhang Qingpeng, Associate Professor

Professor Zhang Qingpeng, Associate Professor am Institut für Pharmakologie und Pharmazie der HKUMed, erklärte: „Gene bestimmen, wo wir starten – sie definieren unser Basalrisiko für Erkrankungen.

Proteine und Metaboliten hingegen spiegeln unseren aktuellen körperlichen Gesundheitszustand wider." Unser KI-Tool wurde entwickelt, um diese komplexen molekularen Signale zu entschlsseln, sodass rzte und Patienten Risiken deutlich frher erkennen knnen.

Dies kann durch rechtzeitige Lebensstilnderungen und Frhprvention mglicherweise den Krankheitsverlauf verndern.

Genauere Vorhersage einer 15-Jahres-Frhwarnung bei Risikogruppen

Genauere Vorhersage einer 15-Jahres-Frhwarnung bei Risikogruppen Die Ergebnisse zeigen, dass der CardiOmicScore komplexe Multiomik-Messungen in personalisierte Risikoscores umwandelt und deutlich bessere Leistungen erbringt als konventionelle polygene Risikoscores.

In Kombination mit klinischen Details wie Alter und Geschlecht verbessert das Modell die Vorhersagegenauigkeit fr sechs hufige Herz-Kreislauf-Erkrankungen signifikant und kann ein erhhtes Risiko bis zu 15 Jahre vor dem Auftreten markiert einen Wandel in der Przisionsmedizin weg, genzentrierten Modell hin zu einem dynamischeren Ansatz, der auf Multiomik basiert.

In Zukunft könnte eine kleine Blutprobe ausreichen, um ein umfassendes kardiovaskuläres Risikoprofil für mehrere Erkrankungen zu erstellen. Professor Zhang ergänzte: „Wir zielen darauf ab, Technologie zu nutzen, um Erkrankungen zu identifizieren und zu verhindern, bevor sie entstehen.

Technik und Auswirkungen

Durch den Wechsel zu einer proaktiven Vorhersage und Intervention streben wir an, einen nachhaltigen Einfluss sowohl auf die öffentliche Gesundheit als auch auf die individuelle Patientenversorgung zu erzielen." Quelle: „AI-based multiomics profiling reveals complementary omics contributions to personalized prediction of cardiovascular disease", Nan Zhang, Jiannan Yang, Mengyao Cui, Kelvin K.

F. Tsoi, Gregory Y. H. Lip, Tong Liu und Qingpeng Zhang, 2. Februar 2026, Nature Communications.

DOI: 10.1038/s41467-026-68956-6 Diese Arbeit wurde unterstützt durch den General Research Fund des Research Grants Council (17209225 an Q.Z.) und den Seed Fund for Collaborative Research der University of Hongkong (2407102490 an Q.Z.); sowie durch die National Natural Science Foundation of China (82370332 und 82570390 an T.L.) und das Tianjin Key Medical Discipline Construction Project (TJYXZDXK-3-006B an T.L.).