Forschende des Mass General Brigham Heart and Vascular Institute, in Zusammenarbeit mit der Harvard Medical School, dem Broad Institute sowie weiteren Partnern, haben in der Fachzeitschrift Nature ein neues generatives Modell mit dem Namen ALADYNOULLI vorgestellt. Unter der Leitung von Dr. Sarah Urbut und unter Mitwirkung von Dr. Pradeep Natarajan adressiert die Studie ein strukturelles Problem der modernen Medizin: die isolierte Betrachtung einzelner Krankheitsbilder und die Vernachlässigung der dynamischen Patientenentwicklung über die Zeit. Das entwickelte Framework kombiniert longitudinale Daten aus Elektronischen Patientenakten mit genetischen Risikoprofilen und Altersinformationen. Durch den Einsatz bayesscher Statistik und generativer Algorithmen identifiziert das System verborgene Krankheitsmuster, die herkömmliche Analysen einzelner Diagnosen häufig übersehen. Die Anwendung auf Daten von über 683.000 Teilnehmern aus drei unabhängigen Biobanken mit einer Nachlaufzeit von bis zu 52 Jahren zeigte, dass sich komplexe Krankheitsverläufe bei 348 Erkrankungen auf 21 reproduzierbare latente Signaturen reduzieren lassen. Diese Muster spiegeln zugrundeliegende biologische Prozessketten wider, die sich über verschiedene Datensätze hinweg konsistent verifizieren ließen. Ein zentraler Erkenntnisgewinn liegt in der verbesserten Risikostratifizierung. Die latenten Signaturen ermöglichen eine dynamische Vorhersage zukünftiger Gesundheitsereignisse, die sich kontinuierlich mit neu eintreffenden Patientendaten aktualisieren lässt. Genetische Korrelationsanalysen bestätigten nicht nur bekannte Assoziationen, sondern deckten zudem bisher unbekannte genetische Einflüsse auf, die bei der traditionellen, einzelkrankheitsfokussierten Forschung unentdeckt blieben. Die praktische Relevanz des Ansatzes umfasst die Überwindung klinischer Silos hin zu einer ganzheitlichen Patientenbetreuung. Da das Modell krankheitsübergreifend arbeitet und sein Wissen über die Zeit akkumuliert, bildet es den tatsächlichen Behandlungsverlauf realistisch ab. Zudem zeigt sich das System als hochgradig transferierbar: Prognosemodelle lassen sich auch in Gesundheitssystemen ohne flächendeckende genetische Datensätze einsetzen, was die Skalierbarkeit deutlich erhöht. Mit ALADYNOULLI verschiebt sich der Fokus von statischen Diagnoselabels hin zu einem multidimensionalen Verständnis individueller Krankheitsverläufe. Dies eröffnet neue Wege für präzisere Risikoabschätzungen und zielgerichtetere Therapieentscheidungen, indem es die biologische Heterogenität zwischen Patienten mit identischer Diagnose anerkennt und in die klinische Entscheidungsfindung integriert.