Künstliche Intelligenz (KI) und maschinelles Lernen (ML) können das polyzystische Ovarialsyndrom (PCOS), die häufigste Hormonstörung bei Frauen, die typischerweise zwischen 15 und 45 Jahre alt sind, effektiv erkennen und diagnostizieren, so eine Studie der National Institutes of Health.
Forscher überprüften systematisch veröffentlichte wissenschaftliche Studien, die KI/ML zur Datenanalyse zur Diagnose und Klassifizierung von PCOS verwendeten, und stellten fest, dass KI/ML-basierte Programme PCOS erfolgreich erkennen konnten. „Angesichts der hohen Belastung durch unter- und fehldiagnostiziertes PCOS in der Bevölkerung und seiner potenziell schwerwiegenden Folgen wollten wir den Nutzen von KI/ML bei der Identifizierung von Patientinnen ermitteln, bei denen ein Risiko für PCOS besteht“, sagte Janet Hall, M.D., leitende Forscherin und Endokrinologin am National Institute of Environmental Health Sciences (NIEHS), das Teil des NIH ist, und Mitautorin der Studie.
Wie künstliche Intelligenz das polyzystische Ovarialsyndrom identifizieren kann
PCOS tritt auf, wenn die Eierstöcke nicht richtig funktionieren, und geht in vielen Fällen mit erhöhten Testosteronspiegeln einher. Die Störung kann unregelmäßige Perioden, Akne, zusätzliche Gesichtsbehaarung oder Haarausfall verursachen. Frauen mit PCOS haben oft ein erhöhtes Risiko, an Typ-2-Diabetes zu erkranken. Zudem leiden sie häufig an Schlaf-, psychischen, kardiovaskulären und anderen reproduktiven Störungen wie Gebärmutterkrebs und Unfruchtbarkeit. Die Diagnose von PCOS kann aufgrund der Überschneidung mit anderen Erkrankungen schwierig sein. Diese Daten spiegeln das ungenutzte Potenzial wider, KI/ML in elektronische Gesundheitsakten und andere klinische Umgebungen zu integrieren, um die Diagnose und Versorgung von Frauen mit PCOS zu verbessern.
Die Autoren der Studie schlugen vor, große bevölkerungsbasierte Studien in elektronische Gesundheitsdatensätze zu integrieren und gängige Labortests zu analysieren, um empfindliche diagnostische Biomarker zu identifizieren, die die Diagnose von PCOS erleichtern können. Die Diagnose basiert auf allgemein anerkannten standardisierten Kriterien, die sich im Laufe der Jahre weiterentwickelt haben, umfasst jedoch in der Regel klinische Merkmale (z. B. Akne, übermäßiger Haarwuchs und unregelmäßige Perioden), die von Labor- (z. B. hoher Testosteronspiegel im Blut) und radiologischen Befunden (z. B. mehrere kleine Zysten und erhöhtes Ovarialvolumen bei Ovarialultraschall) begleitet werden. Da einige der Merkmale von PCOS jedoch zusammen mit anderen Erkrankungen wie Adipositas, Diabetes und kardiometabolischen Störungen auftreten können, bleibt es häufig unerkannt.
KI bezieht sich auf den Einsatz computergestützter Systeme oder Tools, die menschliche Intelligenz imitieren und bei der Entscheidungsfindung oder Vorhersage helfen. ML ist eine Unterkategorie der KI, die sich darauf konzentriert, aus früheren Ereignissen zu lernen und dieses Wissen auf zukünftige Entscheidungen anzuwenden. KI kann riesige Mengen unterschiedlicher Daten verarbeiten, z. B. aus elektronischen Patientenakten, und ist daher eine ideale Hilfe bei der Diagnose schwer zu diagnostizierender Erkrankungen wie PCOS.
Integration von KI/ML bei chronischen Erkrankungen
Die Forscher führten eine systematische Überprüfung aller in den letzten 25 Jahren (1997–2022) zu diesem Thema veröffentlichten und von Experten begutachteten Studien durch, die KI/ML zur Erkennung von PCOS verwendeten. Mit Hilfe eines erfahrenen NIH-Bibliothekars identifizierten die Forscher potenziell geeignete Studien. Insgesamt sichteten sie 135 Studien und nahmen 31 in diese Arbeit auf. Bei allen Studien handelte es sich um Beobachtungsstudien, die den Einsatz von KI/ML-Technologien bei der Patientendiagnose untersuchten. Ultraschallbilder waren in etwa der Hälfte der Studien enthalten. Das Durchschnittsalter der Studienteilnehmer lag bei 29 Jahren. Bei den 10 Studien, die standardisierte Diagnosekriterien zur Diagnose von PCOS verwendeten, lag die Erkennungsgenauigkeit zwischen 80 und 90%.
Die Autoren stellen fest, dass KI/ML-basierte Programme das Potenzial haben, unsere Fähigkeit, Frauen mit PCOS frühzeitig zu erkennen, erheblich zu verbessern, was mit Kosteneinsparungen und einer geringeren Belastung der Patientinnen und des Gesundheitssystems durch PCOS verbunden ist. Folgestudien mit soliden Validierungs- und Testverfahren werden die reibungslose Integration von KI/ML bei chronischen Erkrankungen ermöglichen.