A Dynamic Bayesian Network Model for Predicting Cardiovascular Disease Incidence in the Tehran Lipid and Glucose Study

Herzkrankheiten bleiben weltweit die führende Todesursache, die jedes Jahr Millionen von Menschenleben fordert. In vielen Teilen der Welt ist ein Herzinfarkt oder ein Schlaganfall das letzte Ereignis in einer langen Kette biologischer Veränderungen, die oft Jahrzehnte früher beginnen. Für Ärzte und Fachleute des öffentlichen Gesundheitswesens ist das mächtigste Werkzeug gegen diese Tragödie nicht nur die Behandlung der Kranken, sondern die Vorhersage, wer wahrscheinlich krank werden wird. Dies erfordert die Betrachtung der Geschichte eines Menschen – seines Alters, seiner Familiengeschichte, seines Blutdrucks und seines Lebensstils – und das Verweben dieser separaten Fakten zu einem einzigen Bild des Risikos. Traditionelle Methoden zur Erreichung dieses Ziels behandeln diese Informationen oft so, als stünden sie für sich allein, unter der Annahme, dass der Blutzuckerspiegel einer Person heute keine Verbindung zu ihrem Blutdruck vor fünf Jahren hat. Die menschliche Gesundheit ist jedoch ein fließender Fluss und keine Serie isolierter Schnappschüsse. Ein neuer Ansatz unter Verwendung einer Art Computermodell namens Dynamisches Bayesianisches Netzwerk versucht, diesen Fluss zu erfassen, indem er verfolgt, wie sich Gesundheitsfaktoren im Laufe der Zeit verändern und wie sie einander beeinflussen, um den künftigen Ausbruch von Herzkrankheiten vorherzusagen.

Ein Forschungsteam in Iran wandte diese fortschrittliche Modellierungstechnik auf eine massive, langfristige Studie über Menschen in Teheran an. Sie wollten sehen, ob ein Modell, das das Vergehen der Zeit versteht, Hochrisikopersonen effektiver identifizieren kann als Standardmethoden. Die Studie basierte auf der Tehran Lipid and Glucose Study, einem etablierten Projekt, das seit 1999 Tausende von Bewohnern verfolgt, um die Ursachen nicht übertragbarer Krankheiten zu verstehen. Die Forscher wählten 7.839 Erwachsene aus, die zu Beginn der Studie frei von Herzkrankheiten waren. Sie sammelten eine Fülle von Informationen über diese Teilnehmer, darunter Alter, Bildung, Berufsstatus, Familiengeschichte von Herzproblemen, Rauchgewohnheiten, körperliche Aktivität sowie verschiedene medizinische Messwerte wie Cholesterin, Blutzucker und Nierenfunktion. Entscheidend war, dass sie diese Faktoren nicht nur einmal erhoben; sie sammelten Daten an mehreren Punkten über einen Zeitraum von zehn Jahren, was es ihnen ermöglichte, die Entwicklung des Gesundheitsprofils einer Person zu beobachten.

Die Forscher entwickelten ein spezifisches Computermodell für Männer und ein separates für Frauen, da sie erkannten, dass die Risikofaktoren für Herzkrankheiten zwischen den Geschlechtern oft variieren. Dieses Modell, bekannt als Dynamisches Bayesianisches Netzwerk, arbeitet, indem es die Beziehungen zwischen verschiedenen Gesundheitsvariablen abbilden lässt, während sich diese im Laufe der Zeit verändern. Im Gegensatz zu älteren statistischen Werkzeugen, die Schwierigkeiten haben könnten, wenn ein Teilnehmer aus einer Studie ausscheidet oder wenn Daten fehlen, ist dieses Modell darauf ausgelegt, solche Lücken reibungslos zu handhaben. Es behandelt den Studienzeitraum als eine Serie von Zeitschritten und lernt aus den Mustern derer, die eine Herzkrankheit entwickelten, und vergleicht sie mit denen, die gesund geblieben sind. Das Team testete ihr Modell, indem sie die Daten aufteilten: Der Großteil der Daten diente dazu, den Computer mit den Mustern zu trainieren, während ein Teil zurückgehalten wurde, um zu sehen, ob das Modell Ergebnisse korrekt vorhersagen kann, die es zuvor noch nie gesehen hat.

Im Verlauf der zehnjährigen Nachbeobachtung entwickelten 632 Teilnehmer, also etwa 8 Prozent der Gruppe, eine Herzkrankheit. Das Modell sortierte die Teilnehmer erfolgreich in Niedrigrisiko- und Hochrisikogruppen ein. Bei den Männern stellte das Modell fest, dass diejenigen in der Hochrisikogruppe dreimal wahrscheinlicher eine Herzkrankheit entwickelten als jene in der Niedrigrisikogruppe. Konkret entwickelten 21,6 Prozent der Hochrisikomänner die Krankheit, verglichen mit nur 7,2 Prozent der Niedrigrisikomänner. Die Ergebnisse für die Frauen waren ähnlich eindeutig: 20,0 Prozent der Hochrisikofrauen entwickelten eine Herzkrankheit, während es bei den Niedrigrisikofrauen nur 6,6 Prozent waren. In beiden Fällen war die Gefahr für die Hochrisikogruppe mehr als dreimal so groß wie für die Niedrigrisikogruppe. Die Fähigkeit des Modells, zwischen diesen Gruppen zu unterscheiden, wurde durch einen Score gemessen, der die Fläche unter der Kurve (Area Under the Curve) darstellt, welcher für Männer 0,612 und für Frauen 0,674 ergab. Während diese Werte darauf hindeuten, dass das Modell besser als bloßes Raten ist, merkten die Forscher an, dass die Zahlen nicht perfekt waren, was teilweise darauf zurückzuführen ist, dass sie viele detaillierte medizinische Messwerte in breite Kategorien umwandelt hatten, um das Modell funktionsfähig zu machen.

Die Studie hob mehrere Schlüsselfaktoren hervor, die zwischen denjenigen unterschieden, die eine Herzerkrankung entwickelten, und jenen, die dies nicht taten. Menschen, die schließlich ein Herzereignis erlitten, tendenziell älter zu sein, eine Familiengeschichte der Krankheit zu haben und ein niedrigeres Bildungsniveau aufzuweisen. Sie neigten eher dazu, arbeitslos zu sein, unter Adipositas oder abdomineller Adipositas zu leiden und an Zuständen wie Bluthochdruck, Diabetes und Nierenfunktionsstörungen zu leiden. Das Modell war in der Lage, all diese sich ändernden Faktoren über die Zeit hinweg zu integrieren, um ein Risikoprofil zu erstellen, das die komplexe Realität der menschlichen Gesundheit widerspiegelt. Die Forscher betonten, dass dieser Ansatz eine flexible Alternative zu traditionellen Überlebensmodellen bietet, die oft davon ausgehen, dass Risikofaktoren unabhängig voneinander wirken und die unordentliche Realität fehlender Daten oder sich ändernder Gesundheitszustände nicht berücksichtigen.

Trotz des Erfolgs des Modells merkten die Autoren vorsichtig die Einschränkungen an. Sie räumten ein, dass die Umwandlung kontinuierlicher medizinischer Daten in einfache Kategorien möglicherweise zu einem Verlust an Detailgenauigkeit geführt hat, was wahrscheinlich die Vorhersagewerte gedämpft hat. Sie wiesen auch darauf hin, dass das Modell noch keine hochauflösenden Daten wie Elektrokardiogramm-Signale enthielt, die die Genauigkeit potenziell hätten verbessern können. Darüber hinaus wurde festgestellt, dass die Ergebnisse, da sich die Studie auf eine einzelne städtische Bevölkerung in Iran konzentrierte, in anderen diversen Gruppen getestet werden müssten, um sicherzustellen, dass sie allgemein anwendbar sind. Dennoch zeigt die Arbeit, dass Computermodelle, die in der Lage sind, die Gesundheit über die Zeit zu verfolgen, Individuen identifizieren können, die dreimal wahrscheinlicher eine Herzkrankheit entwickeln werden. Dies deutet darauf hin, dass Ärzte durch die Nutzung von Methoden, die den Fluss der Zeit und die Verbindungen zwischen verschiedenen Gesundheitsfaktoren verstehen, in der Lage sein könnten, Hochrisikopersonen früher zu erkennen und einzugreifen, bevor ein Herzinfarkt oder Schlaganfall auftritt.