Ein von der Lawrence Livermore National Laboratory (LLNL) geleitetes Forscherteam hat mithilfe von Künstlicher Intelligenz und den größten elektronischen Gesundheitsakten in der Geschichte mehrere bereits zugelassene Medikamente identifiziert, die mit einer längeren Überlebensdauer bei Patienten mit Amyotropher Lateralsklerose (ALS) verbunden sein könnten. Die Studie, die in der Fachzeitschrift The Lancet Digital Health veröffentlicht wurde, analysierte Gesundheitsdaten von über 11.000 amerikanischen Veteranen, die zwischen 2009 und 2019 mit ALS diagnostiziert wurden und im Veterans Health Administration System behandelt wurden. Durch die Kombination von kausalen Schlussfolgerungsmethoden mit maschinellem Lernen (ML) bewerteten die Forscher 162 verschiedene Medikamente, die ursprünglich für andere Erkrankungen verschrieben wurden, und entdeckten Verbindungen zu signifikanten Unterschieden in der Überlebensrate. Die Zusammenarbeit umfasste die Stanford University School of Medicine, das Veterans Affairs Palo Alto Health Care System und die University of California, Los Angeles (UCLA). Der Studienleiter Priyadip Ray von LLNL erklärte, dass der zeitliche Ablauf der Forschung auf einer seltenen Konvergenz aus Datenzugänglichkeit und Finanzierung beruhte. Seit 2009, als ALS als dienstbedingte Erkrankung anerkannt wurde, stieg die Zahl der Veteranen, die ALS-Behandlungen erhielten, stark an. Dies schuf ein mehr als Jahrzehnt langes Archiv detaillierter Behandlungsdaten innerhalb eines einzigen Gesundheitssystems. Gleichzeitig ermöglichten neue gezielte Förderprogramme die Erforschung von ALS in einem bisher für eine seltene Erkrankung unüblichen Maßstab. Ein weiterer Antrieb für die Arbeit waren jüngste Rückschläge in der ALS-Medikamentenentwicklung. Die frühe Euphorie um das 2022 zugelassene Medikament Relyvrio verblasste, nachdem eine größere Folgeuntersuchung keinen Nutzen zeigte und das Medikament 2024 vom Markt genommen wurde. Dies unterstrich die Schwierigkeiten von ALS-Klinischen Studien und förderte das Interesse an alternativen Entdeckungswegen. Statt sich auf traditionelle ML-Ansätze zu verlassen, konzentrierte sich das Team auf kausale Schlussfolgerungen, ein komplexerer Ansatz, der versucht, Behandlungseffekte isoliert zu betrachten und dabei Verzerrungen, Störfaktoren und ungleiche Behandlungsverhältnisse in Realweltdaten zu berücksichtigen. Das Team entwickelte Methoden, die rigorose statistische Techniken mit modernem maschinellem Lernen verbinden, um kausale Effekte auf Bevölkerungsebene zu isolieren. Die Analyse ergab 27 Medikamente, die mit statistisch signifikanten Veränderungen des Mortalitätsrisikos verbunden waren. Bemerkenswert war, dass mehrere Arzneimittel derselben therapeutischen Klasse – darunter Statine, Phosphodiesterase-5-Hemmer und alpha-adrenerge Antagonisten – ähnliche Assoziationen mit einer verlängerten Überlebensdauer zeigten. Diese Übereinstimmung innerhalb von Wirkstoffgruppen stärkte das Vertrauen in den Zusammenhang zwischen einer Verlangsamung des ALS-Verlaufs und diesen Medikamenten. Um zu verstehen, warum diese Medikamente die Krankheitsprogression beeinflussen könnten, nutzte das Team PathFX, ein Protein-Protein-Interaktionsmodellierungstool. Die Netzwerkanalyse deutete darauf hin, dass mehrere der identifizierten Medikamente auf gemeinsame nachgelagerte Proteinwege zusammenlaufen. Dies weist auf mögliche gemeinsame Mechanismen und neue molekulare Ziele für die ALS-Forschung hin. Ray betonte, dass die Erkenntnisse keinen direkten klinischen Nutzen beweisen, aber eine solide Grundlage für weitere Schritte bilden, einschließlich tiefergehender Modellierungen und Validierungen in unabhängigen Datensätzen mit diverseren zivilen Bevölkerungsgruppen. Da sensible medizinische Daten aufgrund von Datenschutz- und Zugangsbeschränkungen schwer zu teilen sind, arbeitet das Team daran, den entwickelten Software-Pipeline als Open Source verfügbar zu machen, damit Forscher weltweit diese Tools auf ihre eigenen Datensätze und Erkrankungen anwenden können.