KI-Modell verknüpft Insulinresistenz in Studie mit einer halben Million Menschen mit 12 Krebsarten
Forschende der University of Tokyo nutzten ein Machine-Learning-Tool, um Daten von 500.000 Teilnehmenden der UK Biobank auszuwerten. Dabei lieferten sie erstmals populationsweite Evidenz dafür, dass Insulinresistenz ein Risikofaktor für 12 Krebsarten ist.
Forscherinnen und Forscher unter Leitung der University of Tokyo nutzten ein Machine-Learning-Modell, um in einer Studie mit einer halben Million Teilnehmenden der UK Biobank zu zeigen, dass Insulinresistenz ein Risikofaktor für 12 Krebsarten ist – und liefern damit den ersten populationsweiten Nachweis für diesen lange vermuteten Zusammenhang. Die Ergebnisse wurden in Nature Communications in einer Arbeit mit dem Titel „Machine learning-predicted insulin resistance is a risk factor for 12 types of cancer“ veröffentlicht.
Insulinresistenz – wenn der Körper nicht richtig auf Insulin reagiert, ein Hormon, das zur Kontrolle des Blutzuckerspiegels beiträgt – ist eine der grundlegenden Ursachen von Typ-2-Diabetes und eng mit Adipositas verbunden. Neben Diabetes ist weithin bekannt, dass Insulinresistenz zu Herz-Kreislauf-, Nieren- und Lebererkrankungen führen kann. Trotz ihrer weitreichenden Bedeutung war Insulinresistenz in klinischen Settings notorisch schwer direkt zu messen, was die Möglichkeiten der Forschenden einschränkte, ihre vollständigen Konsequenzen zu verstehen.
Diese Herausforderung veranlasste Yuta Hiraike, einen Forscher am University of Tokyo Hospital, und Kolleginnen und Kollegen an der University of Tokyo, sich an künstliche Intelligenz zu wenden. Das Team entwickelte kürzlich ein Machine-Learning-Tool namens AI-IR, das Insulinresistenz anhand von neun Standard-Labor- und Klinikparametern vorhersagt, die bei routinemäßigen Gesundheits-Check-ups erhoben werden. „Wir haben kürzlich ein Tool, AI-IR, entwickelt, um Insulinresistenz bei einzelnen Personen auf Basis von neun verschiedenen medizinischen Informationen vorherzusagen“, sagte Hiraike. „Es hat sich als erfolgreich erwiesen und ließ uns denken, dass wir dieses Tool auch auf verwandte Fragestellungen anwenden könnten.“
Eine dieser Fragestellungen war Krebs. Obwohl Wissenschaftlerinnen und Wissenschaftler seit Langem einen Zusammenhang zwischen Insulinresistenz und bestimmten Krebsarten vermuten, war es schwierig, belastbare Evidenz im großen Maßstab zu sammeln, da die direkte Messung spezielle Tests erfordert, die nur in fortgeschrittenen Diabetes-Spezialkliniken verfügbar sind. Zwar wurde ein möglicher Zusammenhang zwischen Insulinresistenz und Krebs nahegelegt, doch groß angelegte Nachweise waren aufgrund der Schwierigkeit, Insulinresistenz in der Klinik zu bewerten, begrenzt. Durch die Anwendung von AI-IR auf 500.000 Teilnehmende der UK Biobank konnte das Team Insulinresistenz auf Populationsebene schätzen und ihre Beziehung zur Krebsinzidenz untersuchen.
„Mit AI-IR haben wir den ersten populationsweiten Nachweis erbracht, dass Insulinresistenz ein Risikofaktor für Krebs ist“, sagte Hiraike. Da das Modell auf routinemäßigen klinischen Daten beruht, fügte er hinzu, „könnte AI-IR leicht implementiert werden, um Hochrisikopersonen zu identifizieren und ein gezieltes Screening auf Diabetes, Herz-Kreislauf-Erkrankungen und Krebs zu ermöglichen.“
Die Studie unterstreicht zudem die Grenzen, den Body-Mass-Index (BMI) als Ersatzmaß für die metabolische Gesundheit heranzuziehen. Derzeit ist es üblich, mithilfe des BMI – eines Maßes für Körperfett – die Insulinresistenz einer Person und die daraus folgende Anfälligkeit für damit verbundene Krebsarten abzuschätzen. Dabei gibt es jedoch falsch-positive Ergebnisse, bei denen einige adipöse Menschen als metabolisch gesund gelten und die negativen Effekte der Adipositas nicht im gleichen Ausmaß wie andere erleiden, sowie falsch-negative Ergebnisse, bei denen Menschen mit einem idealen BMI dennoch an Insulinresistenz oder damit verbundenen Problemen leiden, die üblicherweise mit Adipositas in Verbindung gebracht werden. Durch die Kombination von neun klinischen Parametern zu einer einzigen Kennzahl kann AI-IR Insulinresistenz erkennen, die sich durch den BMI allein nicht erklären lässt.
Ein Teil der Herausforderung für Hiraike und das Team bestand darin, die Gutachterinnen und Gutachter der Arbeit davon zu überzeugen, dass AI-IR diese Schwächen zuverlässig und reproduzierbar überwinden kann. Sie zeigten jedoch nicht nur eine hohe Vorhersagekraft, sondern auch, dass ihr Modell unter verschiedenen Bedingungen robust ist. „Im Vergleich mit direkt gemessener Insulinresistenz in Validierungsdatensätzen erzielte AI-IR eine starke Vorhersageleistung“, sagte Hiraike. „Die direkte Messung der Insulinresistenz ist außer dort, wo Patientinnen und Patienten in spezialisierten Diabetes-Kliniken behandelt werden, unpraktikabel. AI-IR bietet eine robuste und skalierbare Alternative, um Insulinresistenz auf Populationsebene zu bewerten.“
Das Team plant nun zu untersuchen, wie genetische Unterschiede das insulinsresistenzbezogene Krebsrisiko beeinflussen, und groß angelegte Humandaten mit molekularbiologischen Studien zu integrieren. „Wir arbeiten jetzt daran zu verstehen, wie genetische Unterschiede zwischen Individuen dieses Risiko beeinflussen, und letztlich groß angelegte Humandaten mit molekularbiologischen Studien zu verknüpfen, um bessere Strategien zu entwickeln, Insulinresistenz zu überwinden“, sagte Hiraike.