KI-Fortschritte bei Nierenerkrankungen: Netzhautbildgebung, Hospitalisierungsrisiko und Lupusnephritis

Künstliche Intelligenz wird zunehmend in der Versorgung von Nierenerkrankungen eingesetzt. Neue Forschungsergebnisse zeigen, dass KI diabetische Nierenerkrankungen anhand von Netzhautbildern vorhersagen, Hämodialysepatienten mit unmittelbarem Krankenhausrisiko identifizieren und die Diagnose und Behandlung der Lupusnephritis voranbringen kann. Die Ergebnisse stammen aus Studien, die auf medizinischen Tagungen vorgestellt und in Fachzeitschriften mit Peer-Review veröffentlicht wurden.

Ein auf Netzhautbildern basierendes Deep-Learning-System (DeepDKD Plus) sagt sowohl die Inzidenz als auch die Progression der diabetischen Nierenerkrankung (DKD) genau voraus und übertrifft traditionelle klinische Modelle, so die Ergebnisse einer Studie, die auf der Jahrestagung 2026 der Association for Research in Vision and Ophthalmology (ARVO) vom 3. bis 7. Mai 2026 in Denver, CO, vorgestellt wurde. Die retrospektive multizentrische Studie entwickelte DeepDKD Plus für zwei Aufgaben: Vorhersage der 5-Jahres-Inzidenz von DKD – definiert als Abfall der geschätzten glomerulären Filtrationsrate (eGFR) auf <60 ml/min/1,73 m² oder ACR >30 mg/g – bei Personen mit erhaltener Nierenfunktion; und Vorhersage der 5-Jahres-Progression von DKD – definiert als ≥40 % Abfall der eGFR oder Nierenversagen – bei Patienten mit vorbestehender Nierenerkrankung.

Das Modell wurde an 11.116 Netzhautbildern von 5.558 chinesischen Diabetespatienten trainiert, gefolgt von interner Validierung und externer Validierung an fünf multiethnischen Kohorten aus China, Mexiko und dem Vereinigten Königreich (n=13.935). Bei der Vorhersage des Auftretens einer DKD nach 5 Jahren zeigte DeepDKD Plus eine starke Diskriminierung im internen Test mit einer Fläche unter der Kurve (AUC) von 0,814 (95 %-Konfidenzintervall [KI], 0,789–0,838) und übertraf damit die Leistung des klinischen Metadatenmodells, das eine AUC von 0,760 (95 %-KI, 0,733–0,786; P<0,001) erreichte. Wenn Netzhautbildgebung mit klinischen Variablen kombiniert wurde, verbesserte sich die Leistung weiter auf eine AUC von 0,828 (95 %-KI, 0,804–0,850). In externen Kohorten zeigte das Deep-Learning-Modell eine konsistente Genauigkeit mit AUCs zwischen 0,722 und 0,797, verglichen mit 0,676 bis 0,735 für den Metadaten-basierten Ansatz. Für die Vorhersage der 5-Jahres-Progression der DKD erreichte DeepDKD Plus eine interne AUC von 0,762 (95 %-KI, 0,732–0,788) und übertraf erneut das Metadatenmodell (AUC 0,712; 95 %-KI, 0,684–0,743; P<0,001), während das kombinierte Modell eine AUC von 0,797 (95 %-KI, 0,772–0,820) erreichte. Die externen Validierungsergebnisse waren ähnlich: DeepDKD Plus erzielte AUCs zwischen 0,726 und 0,772, verglichen mit 0,656 bis 0,731 für das klinische Modell allein.

In einer separaten Entwicklung können KI-gesteuerte maschinelle Lernmodelle Patienten unter Hämodialyse identifizieren, bei denen innerhalb von 7 Tagen ein Krankenhausaufenthalt aufgrund von Infektionen oder flüssigkeitsbedingten Anomalien droht. Eine große Dialyseorganisation setzte zwei Modelle zur Vorhersage unmittelbarer Krankenhauseinweisungen (Imminent Hospitalization Prediction Models, IHPMs) ein – eines für Flüssigkeitsüberladung und eines für Infektionen –, um Patienten zu identifizieren, bei denen nach ihrer Hämodialysesitzung im Zentrum wahrscheinlich ein Krankenhausaufenthalt erforderlich sein würde. Die Modelle integrierten elektronische Patientenakten aus der Dialyse und Abrechnungsdaten, und jedes generierte einen Risikoscore (Bereich: 0–1), wobei ein Risikoscore von 0,64 oder darüber eine unmittelbare Krankenhauseinweisung vorhersagte. Bei Patienten mit hohem Score prüften Pflegekräfte als Fallmanager die fünf wichtigsten Gründe für den Score zusammen mit klinischen Daten, die auf einem Dashboard erschienen. Auf der Grundlage der Bewertung konnten die Pflegekräfte Maßnahmen arrangieren, darunter Flüssigkeitsmanagement (z. B. Neubewertung des Trockengewichts, Verlängerung oder zusätzliche Dialyse); Medikamentenüberprüfung (z. B. Beginn, Absetzen oder Anpassung von Therapien wie Antibiotika oder Diuretika); Überweisung an Spezialisten; Umsetzung klinischer Behandlungsalgorithmen (z. B. Anämie-Management, Nahrungsergänzung, Überwachung des Gefäßzugangs); und andere unterstützende Maßnahmen (z. B. Überweisung an kommunale Ressourcen, Transport, häusliche Pflege, Verhaltensgesundheit oder Transplantationsabklärung). Die Forscher untersuchten 10.294 Patienten, die 83.928 Risikoscores lieferten. Die Wahrscheinlichkeit einer Krankenhauseinweisung war mit KI-gesteuerter Intervention um 8 % signifikant verringert (OR 0,92; P=0,025), darunter um 7 % bei fernbetreuter Pflege und um 9 % bei klinikbasierter Pflege. Die Ergebnisse wurden im NEJM Catalyst veröffentlicht.

KI zeigt auch vielversprechende Ansätze bei Lupusnephritis (LN). Ein umfassender Überblick über die neuesten Fortschritte bei der Diagnose und Behandlung von LN mit Schwerpunkt auf der Anwendung von KI und maschinellem Lernen wurde in The Lancet veröffentlicht. Die Nierenbiopsie gilt als Goldstandard-Diagnoseinstrument; aufgrund der Invasivität dieses Eingriffs sollten jedoch nur geeignete Kandidaten in Betracht gezogen werden. Die durch menschliche Limitierungen bedingte Interobserver-Variabilität ist ein Problem, und die Digitalisierung der Nierenbiopsieanalyse kann die Genauigkeit der Befundung verbessern. In Verbindung mit KI und maschinellem Lernen können die Feinheiten der Subgruppendiagnose identifiziert werden, wodurch die Personalisierung der Behandlungswege verbessert wird. Die Forscher verwiesen auf einen neuartigen sphärischen Evolutionsalgorithmus, der auf einem binären Rough-Supervolume in Kombination mit gruppierter intelligenter Abtastung (bRGSE) basiert und bei der Unterscheidung zwischen proliferativer LN und membranöser LN eine Genauigkeit von 96,687 % und eine Sensitivität von 97,833 % erreichte.

Die Übersicht behandelte auch gezielte biologische Therapien für LN, darunter Biologika, die auf B-Zellen und Plasmazellen, T-Zellen, Zytokine und die Komplementkaskade abzielen. Behandlungsentscheidungen könnten durch KI-basierte Analysen multiomischer Daten unterstützt werden, die Informationen aus mehreren biologischen Ebenen integrieren, darunter Genomik, Transkriptomik, Proteomik und Metabolomik. Zwei Themen, die für erhebliches Aufsehen sorgen, sind der gezielte Proteinabbau und die Pharmakogenomik. Die Pharmakogenomik würde bei der Behandlung von LN dazu dienen, zu verstehen, wie genetische Polymorphismen den Arzneimittelstoffwechsel, die Wirksamkeit und das Auftreten unerwünschter Reaktionen beeinflussen. Die Forscher kommen zu dem Schluss, dass die personalisierte Medizin, die eines Tages durch den Einsatz von KI und maschinellem Lernen bei der Behandlung von LN erreicht werden könnte, großes Potenzial birgt.

Allgemeiner umfasst die künstliche Intelligenz in der Nephrologie eine Reihe von Modellierungsansätzen, so ein State-of-the-Art-Review, der im International Journal of Molecular Sciences veröffentlicht wurde. Für medizinische Daten in tabellarischer Form (z. B. Testergebnisse, Alter und klinische Parameter) funktionieren Modelle wie logistische Regression, Random Forests und XGBoost sehr gut. Zwischenlösungen wie der mehrschichtige Perzeptron vereinen die Vorteile klassischer Modelle mit denen komplexerer Methoden. Die fortschrittlichsten Modelle – tiefe neuronale Netze – werden verwendet, wenn die Daten komplexer sind, beispielsweise bei der medizinischen Bildanalyse, und können Strukturen und Muster unabhängig von ihrer Anordnung erkennen, was besonders in der histopathologischen Diagnostik wichtig ist. Die innovativste Richtung besteht darin, künstliche Intelligenz mit moderner biologischer Analyse wie Proteomik oder Metabolomik zu kombinieren, was die Erkennung sehr früher Krankheitszeichen ermöglicht, bevor Symptome auftreten oder Veränderungen in Standardtests sichtbar werden. Wie ein Professor der Medizinischen Universität Breslau betonte: „Das größte Potenzial dieser Methoden liegt in ihrer Fähigkeit, große Mengen biologischer Daten zu analysieren und Muster zu identifizieren, die in der klassischen Diagnostik unsichtbar sind. In der Praxis bedeutet dies die Möglichkeit einer früheren Krankheitserkennung und einer besseren Vorhersage des Krankheitsverlaufs, bevor eine irreversible Nierenschädigung eintritt.“