Evaluating computational assays of chronic fatigue using UK Biobank data

Ermüdung ist eine universelle menschliche Erfahrung, eine schwere Mattigkeit, die selbst einfache Aufgaben wie das Besteigen eines Berges erscheinen lassen kann. In der medizinischen Welt ist jedoch die Unterscheidung zwischen normaler Müdigkeit und einem erschöpfenden Zustand, der als chronische Fatigue bekannt ist, eine beständige Herausforderung. Im Gegensatz zu einem Knochenbruch, der auf einem Röntgenbild deutlich sichtbar ist, oder einer Infektion, die sich durch einen Bluttest offenbart, hinterlässt chronische Fatigue keine sichtbare Spur im Körper. Es ist eine subjektive Erfahrung, die sich ganz darauf definiert, was ein Patient zu fühlen glaubt. Dieser Mangel an einem objektiven Maß bedeutet, dass Ärzte auf Selbstauskünfte angewiesen sind, um eine Diagnose zu stellen – ein Prozess, der zu Zweifeln, Missverständnissen und der Stigmatisierung derjenigen führen kann, die tatsächlich leiden. Jahrzehntelang haben Forscher nach einem biologischen Signal – einem Biomarker – gesucht, der das Vorhandensein dieser Erkrankung bestätigen könnte, in der Hoffnung, das Raten durch Evidenz zu ersetzen.

Ein Forschungsteam aus der Schweiz hat kürzlich einen bedeutenden Schritt in Richtung dieses Ziels unternommen, indem es sich einer massiven, realen Datenbank namens UK Biobank zuwandte. Sie stellten eine einfache, aber schwierige Frage: Könnten sie ein Computerprogramm entwickeln, das in der Lage ist, chronische Fatigue zu identifizieren, indem es eine Kombination aus der Krankengeschichte einer Person und den Aktivitätsmustern in ihrem Gehirn betrachtet? Die Studie umfasste mehr als 2.200 Freiwillige, die Gehirnscans durchlaufen und detaillierte Gesundheitsfragebögen beantwortet hatten. Die Forscher nutzten maschinelles Lernen, eine Art von Computeralgorithmus, der lernt, Muster zu erkennen, indem er Beispiele studiert, um zu sehen, ob sie chronische Fatigue basierend auf den verfügbaren Daten vorhersagen konnten. Sie gingen dabei sorgfältig vor und teilten die Daten auf: Sie trainierten den Computer mit den meisten Teilnehmern und testeten dann seine Vorhersagen an einer separaten Gruppe, die er zuvor noch nie gesehen hatte, um sicherzustellen, dass die Ergebnisse echt waren und nicht nur ein glücklicher Zufallstreffer.

Die Ergebnisse lieferten ein klares, wenn auch nuanciertes Bild. Wenn der Computer nur mit klinischen Informationen gefüttert wurde – wie etwa der medizinischen Vorgeschichte einer Person, Krebsdiagnosen, Alkoholkonsum und Details über ihren Schlaf – konnte er chronische Fatigue mit einer balancierten Genauigkeit von etwa 61 Prozent vorhersagen. Das bedeutet, dass das Modell signifikant besser als der Zufall war, wenn es darum ging, zwischen Personen mit und ohne die Erkrankung zu unterscheiden. Die Forscher fügten eine Ebene der Komplexität hinzu, indem sie Daten aus der funktionellen Magnetresonanztomographie, oder fMRT, einbezogen. Diese Scans erfassen, wie verschiedene Teile des Geigens miteinander kommunizieren, während eine Person ruht. Sie testeten zwei Arten, diese Kommunikation zu messen: eine, die einfache Verbindungen zwischen Hirnregionen betrachtete, und eine andere, die versuchte, die Richtung des Einflusses abzubilden, um zu sehen, welche Teile des Gehirns die Aktivität in anderen Teilen antreiben.

Überraschenderweise verbesserte das Hinzufügen der Gehirnscan-Daten die Leistung des Computers nicht konsistent. Tatsächlich war das Modell, das ausschließlich auf klinischen Informationen basierte, genauso leistungsfähig wie oder in einigen Fällen sogar besser als die Modelle, die die Bildgebung des Gehirns einbezogen. Das erfolgreichste Modell, das klinische Daten mit einfachen Konnektivitätsmaßen des Gehirns kombinierte, erreichte eine Genauigkeit von etwa 64 Prozent. Obwohl dies eine Verbesserung darstellt, merkten die Forscher an, dass die Gehirnscans die Leistung des Modells, das nur auf klinischen Daten trainiert wurde, nicht konsistent übertrafen. Die Studie stellte explizit fest, dass die erreichte Vorhersageleistung noch nicht für die klinische Anwendung ausreichte, was darauf hindeutet, dass komplexe Gehirnbildgebung zwar vielversprechend ist, aber in dieser spezifischen Form und mit dieser Art von Daten derzeit nicht der entscheidende Schlüssel zur Lösung des diagnostischen Rätsels der chronischen Fatigue ist.

Ein genauerer Blick auf die Daten enthüllte einen einzelnen, starken Treiber hinter diesen Vorhersagen: den Schlaf. Insbesondere das Vorhandensein von Insomnie-Symptomen erwies sich als der wichtigste Faktor. Als die Forscher ein Modell testeten, das nur die Frage verwendete, ob eine Person normalerweise Schwierigkeiten beim Einschlafen hat oder nachts aufwacht, konnte es chronische Fatigue immer noch mit einer Genauigkeit von 57 Prozent vorhersagen. Dieser Befund deutet darauf hin, dass für viele Menschen in dieser großen Gruppe das Erleben von chronischer Fatigue tief mit Schlafstörungen verwoben ist. Die Autoren mahnen jedoch, dass dies nicht bedeutet, dass chronische Fatigue einfach durch Schlafmangel verursacht wird, noch dass die Behebung des Schlafproblems die Erkrankung heilen wird. Stattdessen deutet es auf einen gemeinsamen zugrunde liegenden Mechanismus hin, bei dem Schlafstörungen ein gemeinsames Bindeglied zwischen verschiedenen Formen der Erschöpfung sein könnten.

Die Studie hob auch die Grenzen dieses Ansatzes hervor. Die verwendeten Gehirnscans der UK Biobank waren relativ kurz, sie dauerten nur sechs Minuten, und die Art und Weise, wie die Daten verarbeitet wurden, führte dazu, dass tiefe Hirnstrukturen, von denen angenommen wird, dass sie entscheidend für die Energieregulation sind, nicht gut repräsentiert waren. Darüber hinaus beruhte die Definition von chronischer Fatigue in der Studie auf einer einzigen Frage darüber, ob eine Person sich mindestens sechs Monate lang müde gefühlt hatte, was ein praktisches, aber unvollkommenes Maß für eine komplexe Erkrankung ist. Die Forscher kamen zu dem Schluss, dass ihre Arbeit zwar beweist, dass es möglich ist, chronische Fatigue mithilfe objektiver Daten vorherzusagen, das aktuelle Genauigkeitsniveau jedoch noch nicht hoch genug ist, um in einer Arztpraxis eingesetzt zu werden.

Letztlich bildet diese Forschung eher ein Fundament für zukünftige Entdeckungen als eine fertige Lösung. Sie zeigt, dass objektive Werkzeuge zur Diagnose von Erschöpfung machbar sind und dass schlafbezogene Informationen ein entscheidendes Puzzleteil sind. Die Studie legt nahe, dass sich zukünftige Bemühungen darauf konzentrieren sollten, wie Schlaf gemessen wird – vielleicht durch den Einsatz von Wearables für präzisere Daten – und darauf, Gehirnscans zu entwerfen, die die spezifischen Hirnregionen, die an Energie und Erschöpfung beteiligt sind, besser erfassen. Indem wir uns langsam von der alleinigen Abhängigkeit von Selbstauskünften entfernen, baut die Wissenschaft einen zuverlässigeren Weg auf, um das Erleben von chronischer Fatigue zu verstehen und zu validieren, und bietet die Hoffnung, dass sich die Beweislast eines Tages vom Patienten auf die Daten verlagern wird.