Kategorien
Allgemeinmedizin Diagnostik Genetik Gesundheitsökonomie Leben Wissenschaft

Krankheiten statistisch vorhersagen

Eine Reihe genetischer Faktoren kann das Auftreten von Krankheiten wie Bluthochdruck, Herzerkrankungen und Typ-2-Diabetes beeinflussen. Wüsste man, welche Auswirkungen die individuelle Genausstattung auf ein eventuelles Krankheitsgeschehen hat, könnte man Patienten warnen, damit sie rechtzeitig Maßnahmen ergreifen können. Diese würden nicht nur ihre Lebensqualität verbessern, sondern auch Kosten einsparen.

Ein Forscherteam um Matthew Robinson vom Institute of Science and Technology Austria, erstellte nun ein mathematisches Modell, um mit großen Mengen von DNA-Daten das altersabhängige Krankheitsrisiko für Personen zu berechnen. Dieses kann zwar keine direkten Beziehungen zwischen bestimmten Genen und dem Ausbruch einer Krankheit etablieren, liefert aber eine gute Vorhersage der Wahrscheinlichkeit für den Ausbruch der Krankheit. Es lässt sich also nicht mit Sicherheit vorhersagen, dass der Betreffende erkranken wird, aber sein Risiko dafür abschätzen.

Anhand des Modells ließ sich das Alter von Patienten (die ihre Gesundheitsdaten dafür freigaben), bei dem Bluthochdruck oder Diabetes-Typ-II auftritt, relativ exakt berechnen Bei Herzerkrankungen war der Zusammenhang zwischen den Genen und Auftreten der Erkrankung geringer, da hier umwelt- und ernährungsbedingte Risikofaktoren stärker durchschlagen. Trotzdem lassen sich auch hier Menschen mit hohem und niedrigem Risiko unterscheiden.
Rund 3000 Studienteilnehmer haben auf Anfrage ihr persönliches genetisches Profil inzwischen sogar erhalten, wobei ihnen die Ergebnisse der Analyse von Experten erklärt wurde. Wie mit diesen sensiblen in Zukunft umgegangen werden soll, muss jedoch noch in mehrfacher Hinsicht (Ethik, Recht, Datenschutz) geklärt werden.

Referenz:
IST Austria, Universität Lausanne, University of Tartu
Pressemeldung APA; Original: Genomic architecture and prediction of censored time-to-event phenotypes with a Bayesian genome-wide analysis, Nature Comm 2021; https://www.nature.com/articles/s41467-021-22538-w

#erkrankungswahrscheinlichkeit #vorhersage #modellberechnung #risikoeinschaetzung #biobank #gendaten #dna #medizin #medimpressions

Fotocredit: Canva

Kategorien
Diagnostik Digital Health Molekulare Medizin Onkologie Personalisierte Medizin Technologie Wissenschaft

Brustkrebstherapie: Mathematik als Entscheidungshilfe

Die präzise Therapiewahl bei Brustkrebs hängt entscheidend vom Status der Hormonrezeptoren (für Östrogen und Progesteron) ab. Deren übliche Bestimmung mittels Immunohistochemie (IHC) hat eine gewisse Fehlerrate, die durch Hinzunahme von Genomdaten gesenkt werden kann. Daraus ergeben sich jedoch auch widersprüchliche Befunde, die die Wahl der richtigen Therapie erschweren. In diesen Fällen könnten mathematische Modelle die Entscheidungsfindung deutlich verbessern, ergab eine Studie der Universität Wien an über 3700 Patientinnen.

Die Methodik ist weit über Brustkrebs hinaus anwendbar, und kann überall, wo aus zahlreichen Befunden gleichzeitig Folgerungen zu ziehen sind, eingesetzt werden. Wolfgang Schreiner (CeMSIIS) vergleicht das System mit selbstfahrenden Autos: „Diese prüfen durch Sensoren, ob freie Fahrt möglich ist. Dabei kann ein Sensor ein Hindernis wahrnehmen und eine Notbremsung anfordern. Ein anderer Sensor erkennt keine Gefahr. Was ist dann zu tun? Es gibt zwei mögliche Fehlentscheidungen, und jede ist auf andere Weise riskant: Wird nicht gebremst, passiert ein möglicherweise schwerer Unfall. Bremst der Wagen unnötig, riskiert man einen Auffahrunfall.“ Analog dazu ist die Situation bei der Therapiewahl für Krebspatientinnen, die auf Status der Hormonrezeptoren abgestimmt wird. Eine falsche Entscheidung (Hormon- oder Chemotherapie) würde zu vermeidbaren Nebenwirken führen, im schlimmsten Fall zum Vorenthalten einer lebensrettenden Therapie.

Die Stärke des mathematischen Modells besteht darin, dass sie nicht nur einen einzigen Faktor, nämlich die Wahrscheinlichkeit eines Ereignisses (z.B. Rezeptor-positiv), sondern auch die Wahrscheinlichkeiten für andere Möglichkeiten (möglicherweise positiv) und (sicher nicht Rezeptor-positiv) mitberechnet. Das Modell hat den Vorteil, dass es „selbst merkt,“ wenn es unsicher ist und liefert dann das Ergebnis „unentscheidbar“. Eine wichtige Information für den Arzt.

Referenz:
MedUni Wien
Decision theory for precision therapy of breast cancer, Sci Rep 2021, 11:4233; https://www.nature.com/articles/s41598-021-82418-7

#brustkrebs #entscheidungstheorie #rezeptor #therapie #diagnose #ihc #medizin #medimpressions

Fotocredit: Canva

Kategorien
Biotechnologie Diagnostik Genetik Infektiologie Wissenschaft

Modell zur Vorhersage der Antibiotikaresistenz entwickelt

Antibiotikaresistente Bakterien gefährden die Antibiotikabehandlung von Millionen von Menschen weltweit und verursachen Hundertausende Todesfälle. Das Wissen um die Entwicklung von Antibiotikaresistenzen könnte helfen, optimale Behandlungsprotokolle, Angriffspunkte für Medikamente und neue Antibiotika-Kandidaten zu identifizieren. Eben das ist WissenschaftlerInnen nun gelungen. Sie haben ein Modell entwickelt, das Wachstumsraten und Resistenzentwicklung gängiger Bakterienmutanten bei unterschiedlichen Medikamentendosierungen vorhersagt.

Bakterien verändern ihr Genom, wenn sie Medikamenten ausgesetzt werden. Die mutierten Zellen wachsen in Gegenwart von Antibiotika stärker, in einer medikamentenfreien Umgebung ist das Wachstum geringer. Die Zellen müssen die Entscheidung über Resistenz jedoch optimieren. Das neue Modell beschreibt diesen Prozess. Erstautorin Fernanda Pinheiro, Uni Köln, vergleicht dies mit einem Unternehmer, der Häuser baut und verkauft: „Die Häuser wurden mit einem festen Budget gebaut. Je nach Standort muss man mehr oder weniger in den Schutz vor Kälte investieren und dafür Abstriche beim Design machen. Ein hässliches Haus verkauft sich aber schlecht. In ähnlicher Weise entscheidet die Evolution der Bakterien darüber, wieviel Proteine in die Antibiotikaresistenz investiert werden.“

Dabei haben Bakterien mehrere Optionen. Welche sie wählen, kann das Modell erfolgreich voraussagen. Pinheiro: „Um das Haus warm zu halten, kann man zum Beispiel in dicke Fenster oder in die Heiztechnik investieren. Was besser ist, entscheidet sich aus dem Ganzen, denn im Bakterium stehen die verschiedenen Zellteile in Abhängigkeiten. Mutationen verändern diese Teile und hinterlassen Spuren im Wachstumsmuster die genutzt werden können, um etwas über den Evolutionsprozess zu lernen und letztendlich die Evolution vorherzusagen.“

Referenz:
Universität Köln, Universität Uppsala
Metabolic fitness landscapes predict the evolution of antibiotic resistance, Nature 2021; https://www.nature.com/articles/s41559-021-01397-0

#resistenzentwicklung #antibiotika #bakterien #evolution #wachstumsmuster #vorhersage #medizin #medimpressions

Fotocredit: Canva

Kategorien
Infektiologie Intensivmedizin Wissenschaft

Covid-19: Vorhersagemodell könnte Gesundheitssystem entlasten

Anhand eines mathematischen Modells können nun Patienten, denen ein günstiger COVID-19-Krankheitsverlauf bevorsteht, zuverlässig identifiziert werden. Diese Patienten könnten damit früher als bisher üblich aus den Spitälern entlassen werden, wodurch das Gesundheitssystem – bis zum Erreichen einer ausreichenden Durchimpfungsrate – entlastet werden könnte.

Das Besondere dieses Modells ist, dass es ausschließlich auf ohnehin in der klinischen Routine erhobenen Parametern beruht. Spitalsärzte können ab sofort die bei ihren Patienten erhobenen Parameterwerte in einen frei verfügbaren Online-Rechner eingeben und haben damit ein Werkzeug an der Hand, das ihre Entscheidung über den Zeitpunkt einer möglichen Entlassung wesentlich unterstützt. Das dem Tool zugrundeliegende mathematische Modell wurde von Stefan Heber, MedUni Wien, entwickelt und beruht auf wiederholten Messungen des Entzündungsmarkers C-reaktives Protein, dem Nierenfunktionsmarker Kreatinin sowie der Anzahl der Blutplättchen (Thrombozyten) im Blut.

Aus Ableitungen der Verläufe dieser Parameter innerhalb der ersten vier Krankenhausaufenthaltstage kann zusammen mit zusätzlichen Parametern wie etwa das Alter der Patienten sowie der Information zur Körpertemperatur bei Spitalsaufnahme mit hoher Treffsicherheit ein günstiger Krankheitsverlauf vorhergesagt werden, unabhängig davon, wie lange die Symptome vor Aufnahme ins Spital schon angedauert haben.

Für die Entwicklung des ACCP-Tools wurden die Daten von 441 Patienten aus drei verschiedenen Zentren herangezogen und das entwickelte Modell anschließend anhand der Daten von 553 Patienten von drei weiteren unabhängigen Kohorten validiert.

Referenzen:
MedUni Wien; MedUni Innsbruck; Johannes Kepler Universität Linz; Karolinska Institut, Stockholm
Development and external validation of a logistic regression derived formula based on repeated routine hematological measurements predicting survival of hospitalized Covid-19 patients; Preprint:  https://www.medrxiv.org/content/10.1101/2020.12.20.20248563v1

#covid19 #corona #verlauf #vorhersage #vorhersagetool #entzündungsmarker #thrombozyten #medizin #medimpressions

Fotocredit: Canva