Does AI-predicted biochemical age predict death? A cross-validated re-examination in NHANES 1999–2018 with linked mortality follow-up

Stellen Sie sich vor, Sie versuchen zu erraten, wie schnell ein Auto verschleißt, indem Sie nur auf den Kilometerzähler schauen. In der Welt der Alterungsforschung gibt es eine populäre Idee namens „biologisches Alter“. Die Theorie ist simpel: Zwei Menschen können das gleiche Alter in Jahren haben (chronologisches Alter), aber einer kann sich viel älter oder jünger fühlen und funktionieren, als er es aufgrund der Art und Weise, wie sein Körper tatsächlich altert. Wissenschaftler haben „Alterungs-Uhren“ gebaut, um dies zu messen. Normalerweise tun sie dies, indem sie einen Computer darauf trainieren, sich die Ergebnisse von Bluttests einer Person anzusehen und deren Alter zu erraten. Wenn der Computer schätzt, dass Sie älter sind, als Sie eigentlich sind, ist die Idee, dass Sie schneller altern als normal. Dieses „zusätzliche“ Alter wird als „Alterungsbeschleunigung“ bezeichnet, und viele Forscher hoffen, dass dies vorhersagen kann, wer früher krank wird oder stirbt. Aber hier kommt die große Frage: Sagt uns ein Computer, der sehr gut darin ist, Ihr Alter zu erraten, tatsächlich etwas Nützliches darüber aus, wie lange Sie leben werden?

Dieses Papier, geschrieben vom Forscher John Feng, geht genau dieser Frage nach und nutzt dafür einen massiven Datensatz aus Bluttests von über 45.000 amerikanischen Erwachsenen. Der Autor wollte eine spezifische Behauptung testen: dass die „Fehler“, die ein Computer macht, wenn er Ihr Alter errät (z. B. 50 vorhersagt, obwohl Sie eigentlich 45 sind), ein Zeichen dafür sind, wie schnell Sie sterben. Um dies zu testen, nutzte die Studie einen riesigen Pool an Daten aus der National Health and Nutrition Examination Survey (NHANES), verfolgte die Blutchemie und beobachtete, wer in den folgenden zwei Jahrzehnten verstarb. Die Ergebnisse sind ein wenig wie ein Plot-Twist für die wissenschaftliche Gemeinschaft. Die Studie fand heraus, dass, während ausgeklügelte KI-Modelle exzellent darin sind, das chronologische Alter zu erraten, die durch sie erzeugte „Alterungsbeschleunigung“ tatsächlich ein schlechter Prädiktor für den Tod ist. Tatsächlich wurde das Modell, je besser die KI darin wurde, Ihr Alter zu erraten, desto weniger nützlich wurde ihre Vorhersage darüber, ob Sie einem Sterberisiko ausgesetzt sind. Das wahre Geheimnis zur Vorhersage des Todes lag nicht in den „Fehlern“ der Altersschätzungsmodelle, sondern darin, den Computer darauf zu trainieren, direkt nach Anzeichen des Todes im Blut zu suchen.

Das große Altersschätzungs-Experiment

Betrachten Sie die Bluttests in dieser Studie als ein 38-teiliges Puzzle. Die Forscher nahmen diese Puzzleteile – Dinge wie Cholesterin, Blutzucker und die Anzahl der weißen Blutkörperchen – und baten einen Computer, ein spezifisches Rätsel zu lösen: „Wie alt ist diese Person basierend auf diesen Zahlen?“ Sie probierten sechs verschiedene Arten von „Computer-Gehirnen“ aus, die von einfacher Mathematik (wie einer geraden Linie) bis hin zu komplexen, flexiblen neuronalen Netzen (wie einer tiefgründigen KI) reichten.

Der erste Teil der Geschichte ist ein Sieg für die komplexe KI. Als die Forscher fragten: „Wer kann das Alter am besten erraten?“, gewannen die flexiblen neuronalen Netze und Gradient-Boosting-Modelle haushoch. Sie waren viel besser darin, das Alter vorherzusagen, als die einfachen linearen Modelle. Das beste neuronale Netz erreichte einen Genauigkeitswert (genannt R²), der 0,557 betrug, was bedeutet, dass es etwa 56 % der Variation im Alter erklären konnte. Die einfachen Modelle schafften nur etwa 40 %. Wenn Sie also nur nach einem Computer suchen würden, der Ihr Geburtsdatum anhand eines Bluttests erraten kann, wäre die komplexe KI Ihr Champion.

Der Twist: Gut im Altern zu raten, ist schlecht für die Vorhersage des Todes

Hier nimmt die Geschichte eine scharfe Wendung. Die Forscher nahmen dann die „Fehler“ dieser Altersschätzungs-Computer. Wenn der Computer sagte, Sie seien 50, Sie aber eigentlich 45 sind, dann ist diese Differenz von +5 Ihr „Alterungsbeschleunigungswert“. Die große Hoffnung war, dass diese Zahl uns sagen würde, wer früher stirbt.

Die Ergebnisse waren überraschend. Die Computermodelle, die am besten darin waren, das Alter zu erraten, erwiesen sich als am schlechtesten darin, den Tod vorherzusagen.

• Die einfachen Modelle (wie die Ridge-Regression), die weniger genau beim Erraten des Alters waren, erzeugten einen „Alterungsbeschleunigungswert“, der die Vorhersage des Todes nur ein winziges Stück verbesserte (er fügte etwa 0,0124 zu einem statistischen Wert namens C-Index hinzu).
• Die superintelligenten neuronalen Netze, die am besten beim Erraten des Alters waren, erzeugten einen Wert, der fast gar nichts zur Vorhersage des Todes beitrug (nur 0,0056).

Die Studie fand eine starke negative Verbindung: Je genauer die Altersprognose war, desto weniger nützlich war die „Alterungsbeschleunigung“ für die Vorhersage der Sterblichkeit. Es ist, als ob die komplexe KI so sehr damit beschäftigt war, die winzigen, spezifischen Details zu lernen, wie sich das Blut mit dem Alter verändert, dass sie versehentlich genau die Signale herausfilterte, die tatsächlich Gefahr signalisieren. Das Papier legt nahe, dass die KI, indem sie versuchte, perfekt beim Erraten des Alters zu sein, die Informationen wegwarf, die eigentlich wichtig für das Überleben sind.

Der wahre Gewinner: Für das richtige Ziel trainieren

Um zu beweisen, dass die Blutdaten tatsächlich lebenswichtige Informationen enthielten, führten die Forscher ein zweites Experiment durch. Anstatt den Computer zu fragen: „Wie alt ist diese Person?“, fragten sie ihn: „Wer wird wahrscheinlich sterben?“ Sie trainierten ein neues Modell mit genau denselben 38 Bluttests, aber dieses Mal lernte der Computer, den Tod direkt vorherzusagen.

Das Ergebnis? Dieses auf den Tod trainierte Modell war eine massive Verbesserung. Es steigerte die Vorhersage des Todes um 0,0367 – also mehr als dreimal so viel wie das beste auf das Alter trainierte Modell. Noch aussagekräftiger war: Als sie diesen auf den Tod trainierten Score zu einem Modell hinzufügten, das bereits die „Alterungsbeschleunigung“ der KI enthielt, lieferte der auf den Tod trainierte Score immer noch eine enorme Menge an neuen Informationen. Dies bewies, dass die auf das Alter trainierten Modelle die Signale nicht nur verpasst, sondern sie aktiv verworfen hatten.

Das Papier untersuchte auch eine berühmte bestehende Uhr namens „PhenoAge“, die gebaut wurde, um den Tod vorherzusagen. Sie schnitt besser ab als die auf das Alter trainierten Modelle, war aber dennoch nicht so gut wie das neue, auf den Tod trainierte Modell, das aus denselben Bluttests erstellt wurde. Dies deutet darauf darauf hin, dass selbst die besten aktuellen Werkzeuge viel wertvolle Informationen liegen lassen, weil sie auf das falsche Ziel trainiert werden.

Warum Zahlen trügerisch sein können

Die Studie löste auch ein Rätsel darüber, warum einige frühere Arbeiten behaupteten, ihre Altersschätzungsmodelle seien unglaublich genau (mit Werten von bis zu 0,78), während das Beste in dieser Studie nur 0,557 war. Die Antwort war nicht, dass die neue KI schwächer war; es ging um die Gruppe der getesteten Menschen.

Die Forscher fanden heraus, dass die Genauigkeit der Altersschätzung stark von der Altersspanne der Gruppe abhängt. Wenn man Teenager einschließt, deren Körper sich rasant verändern, wird der Computer viel besser darin, das Alter zu erraten, weil die Veränderungen im Blut so dramatisch sind. Wenn man nur Erwachsene zwischen 20 und 79 Jahren betrachtet, sind die Veränderungen langsamer und schwerer zu erkennen. Die Studie zeigte, dass der „Genauigkeitswert“ hauptsächlich ein Spiegelbild dessen ist, wie breit die Altersspanne in der Gruppe ist, und nicht unbedingt, wie gut der Computer ist. Das bedeutet, dass man die Genauigkeitswerte verschiedener Studien nicht einfach vergleichen kann, um zu sehen, welche Uhr besser ist; man muss sehen, was sie tatsächlich vorherzusagen versuchen.

Das Fazit

Die wichtigste Erkenntnis dieses Papers ist eine Lektion in Sachen Fokus. Wenn Sie ein Werkzeug bauen wollen, um vorherzusagen, wer früher sterben könnte, trainieren Sie einen Computer nicht darauf, sein Alter zu erraten, in der Hoffnung, dass die „Fehler“ Ihnen etwas verraten. Dieser Ansatz wirft den Großteil der nützlichen Informationen weg. Trainieren Sie stattdạng den Computer direkt auf das Ergebnis, das Sie interessiert: den Tod. Das Papier kommt zu dem Schluss, dass der Engpass nicht die Bluttests oder die KI-Technologie ist, sondern das Ziel, das wir der KI setzen. Indem wir das falsche Ziel (das chronologische Alter) verfolgten, hat die Fachwelt die mächtigsten Signale für die Vorhersage der Sterblichkeit übersehen, die direkt dort im Blut verborgen liegen.