Neuer ML-Ansatz erkennt Parkinson anhand von Darmmikrobiom

Parkinsons wird seit langem mit hohen Fehldiagnosequoten belegt, weil die meisten Tests noch auf klinischen Bewertungsskalen beruhen. Neueste Studien zeigen jedoch, dass die Zusammensetzung des Darmmikrobioms stark mit der Erkrankung verknüpft ist – ein vielversprechender Biomarker, der frühzeitig erkannt werden kann.

Obwohl Deep‑Learning‑Modelle bereits Potenzial für die Früherkennung zeigen, verlassen sich die meisten Ansätze auf einzelne Klassifikatoren und berücksichtigen selten die Wechselwirkungen zwischen Mikroben oder zeitliche Veränderungen. Deshalb wurde ein robusterer Ansatz zur Merkmalextraktion entwickelt.

Das neue Verfahren, BDPM, nutzt zunächst Mikrobiomprofile von 39 Parkinson‑Patienten und deren gesunden Ehepartnern, um signifikant unterschiedliche Bakterienarten zu identifizieren. Anschließend wird ein innovatives Feature‑Selection‑Framework namens RFRE (Random Forest kombiniert mit Recursive Feature Elimination) eingesetzt, das ökologische Erkenntnisse einbezieht und die biologische Interpretierbarkeit erhöht. Abschließend wird ein hybrides Klassifikationsmodell verwendet, das sowohl zeitliche als auch räumliche Muster im Mikrobiom erfasst.

Durch diese Kombination aus datengetriebener Feature‑Extraktion und fortschrittlicher Klassifikation bietet BDPM einen vielversprechenden Weg, Parkinson frühzeitig und präziser anhand des Darmmikrobioms zu diagnostizieren – ein bedeutender Schritt zur Verbesserung der Patientenversorgung.