Individuelle Vorgangsdaten senken Fehlalarme bei Krebsrisikovorhersagen

Ein neues Machine‑Learning‑Framework nutzt den zeitlichen Kontext von Patientenbesuchen, um die Genauigkeit von Gesundheitsüberwachungen zu erhöhen. Das System bewertet zunächst das Krankheitsrisiko anhand der aktuellsten Untersuchungsdaten und verfeinert die Einschätzung anschließend mit Informationen aus früheren Bildgebungen und Biomarkern.

In einer groß angelegten Studie mit 28.342 Prostatakrebs‑Patienten, 39.013 MRT‑Scans und 68.931 Bluttests zeigte sich, dass die Einbindung von bis zu drei vorherigen Bilduntersuchungen die Fehlalarmerate von 51 % auf 33 % senkte. Durch zusätzliches Einbeziehen von klinischen Daten fiel die Rate weiter auf 24 %. Für die Vorhersage eines Krebses innerhalb von fünf Jahren verringerte sich die Fehlalarmerate von 64 % auf lediglich 9 %.

Die Ergebnisse verdeutlichen, dass kontinuierlich gesammelte Patientendaten den Kontext liefern, der die Spezifität von Risikovorhersagen deutlich verbessert, ohne die Sensitivität zu beeinträchtigen. Dieses Vorgehen eröffnet neue Möglichkeiten für präzisere, individualisierte Gesundheitsüberwachung und frühzeitige Interventionen.