Bei der Analyse seltener genetischer Varianten stehen Ärzte und Patienten oft vor der Herausforderung, die klinische Bedeutung eines Befunds zu interpretieren – insbesondere wenn die genetische Veränderung als „unklar“ oder „von unsicherer Signifikanz“ eingestuft wird. Forscher am Icahn School of Medicine at Mount Sinai haben nun eine innovative Methode entwickelt, die künstliche Intelligenz (KI) mit routinemäßigen Laborwerten wie Cholesterin, Blutbild und Nierenfunktion kombiniert, um die Wahrscheinlichkeit einer Erkrankung bei Trägern seltener Gene genauer vorherzusagen. Diese Methode, die in der Fachzeitschrift Science veröffentlicht wurde und den Titel „Machine learning-based penetrance of genetic variants“ trägt, ermöglicht eine differenziertere Einschätzung des Risikos – sogenannte „ML-Penetranz“-Werte zwischen 0 und 1, die anzeigen, wie wahrscheinlich eine Erkrankung bei einer bestimmten genetischen Variante ist. Im Gegensatz zu traditionellen Ansätzen, die auf binären Diagnosen basieren, nutzt das neue Modell maschinelles Lernen, um Erkrankungen kontinuierlich zu bewerten – etwa anhand von Verläufen in elektronischen Gesundheitsakten (EHR). Mit über einer Million EHR-Datensätzen trainierten die Forscher KI-Modelle für zehn häufige Krankheiten wie Diabetes, Krebs oder Herz-Kreislauf-Erkrankungen. Anschließend wurden diese Modelle auf Personen angewendet, die seltene genetische Varianten trugen, und für mehr als 1.600 Varianten wurden Penetranz-Scores berechnet. Überraschenderweise zeigten einige früher als „unsicher“ klassifizierte Mutationen starke Krankheitsindikatoren, während andere, die als riskant galten, in der realen Patientenwelt kaum Einfluss auf die Erkrankungswahrscheinlichkeit hatten. „Wir wollen über einfache Ja/Nein-Antworten hinausgehen, die oft Unsicherheit schaffen“, erklärt Ron Do, Senior-Autor der Studie und Professor für personalisierte Medizin. Die neue Methode liefert eine datengestützte, feinere Einschätzung, die klinisch nutzbar ist – besonders bei seltenen oder ambivalenten Befunden. Ein hoher ML-Penetranz-Wert könnte beispielsweise die frühzeitige Krebsvorsorge bei einer Lynch-Syndrom-Veränderung auslösen, während ein niedriger Wert unnötige Sorge oder Überbehandlung verhindert. Der Erstautor Iain S. Forrest betont, dass das Modell keine klinische Entscheidung ersetzen soll, aber als wertvolle Entscheidungshilfe dienen kann. Die Forscher arbeiten nun daran, das System auf weitere Krankheiten, genetische Varianten und diverse Bevölkerungsgruppen auszuweiten und die Langzeitgüte der Vorhersagen zu überprüfen. Ziel ist es, eine skalierbare Plattform zu schaffen, die genetische Risiken präziser, verständlicher und handlungsleitend macht – ein entscheidender Schritt hin zu einer wirklich personalisierten Medizin. Industrieexperten sehen in der Studie einen Meilenstein: „Dieses Ansatz zeigt, wie KI und vorhandene klinische Daten zusammenwirken können, um die Bedeutung genetischer Befunde zu klären“, sagt eine Expertin aus der Genomik-Forschung. Die Methode könnte künftig in klinischen Routinen integriert werden, um die Kommunikation zwischen Ärzten und Patienten zu verbessern und überflüssige Tests oder Interventionen zu vermeiden. Die Arbeit unterstreicht zudem das Potenzial von Big Data und KI in der Präzisionsmedizin – besonders in der Interpretation seltener genetischer Risikofaktoren.