Mit hochmodernen Verfahren Wirbelsäulendegeneration behandeln
Während klinische Beobachtungen zwar Einblicke in die Gesundheit der Menschen geben, bleibt die Umsetzung dieser Erkenntnisse in eine fundierte Krankheitsprävention und -behandlung als eine Herausforderung bestehen. Dies ist bei Wirbelsäulendegeneration und bei Schmerzen im unteren Rücken der Fall, wo der Abbau von Gewebe und Organen, der klinische Symptome entstehen lässt, oft sehr multifaktoriell vor sich geht. „Das komplexe Zusammenspiel der Faktoren übersteigt unsere natürliche Analysefähigkeit“, erklärt Jérôme Noailly, Koordinator des Projekts Disc4All(öffnet in neuem Fenster) von der Universität Pompeu Fabra(öffnet in neuem Fenster) in Barcelona, Spanien. „Computermodelle und -simulationen können uns jedoch dabei unterstützen, nur die wichtigsten Zusammenhänge zwischen Ursache und Folgen zu erfassen, sodass wir genügend Informationen für fundierte Vorhersagen und Maßnahmen erhalten.“
Prozesse verstehen, die Wirbelsäulendegeneration auslösen
Noaillys Ziel bei diesem Projekt bestand darin, ein prädiktives mathematisches Instrument bereitzustellen, das Fachkräften im Bereich der Wirbelsäulenversorgung eine Hilfe dabei ist, fundiertere Entscheidungen zu treffen. Es fiel ihm jedoch schwer, seine Modelle, die aufzeigen, was mechanisch in der Wirbelsäule schief läuft, mit dem in Einklang zu bringen, was die Wirbelsäulenfachleutezu behandeln versuchen und was die Patientinnen und Patienten tatsächlich empfinden, nämlich Schmerzen. Die Arbeit im Rahmen des innerhalb der Marie-Skłodowska-Curie-Maßnahmen(öffnet in neuem Fenster) unterstützten Projekts Disc4All ermöglichte es Noailly, mathematische Modelle mithilfe der Kombination aus künstlicher Intelligenz (KI) und maschinellem Lernen näher an die gewünschte klinische Unterstützung heranzuführen. Ein Kernkonsortium aus zwölf Begünstigten vereinte Fachwissen aus den Bereichen Informatik und Datenwissenschaften, experimentelle und computergestützte Biologie, Bioinformatik, Biomechanik und Medizin. Die Erkenntnisse beruhen auf der Verknüpfung von evidenzbasierten Daten mit biologischen und mechanischen Berechnungsmodellen. Die im Rahmen von Disc4All entwickelten Instrumente wurden auf eine Reihe von Datenquellen angewandt, die sowohl Humankohorten als auch Laborexperimente umfassen. Ziel war es, ein klareres Bild davon zu erhalten, was bei den Betroffenen tatsächlich eine Bandscheibendegeneration im unteren Rücken verursacht, die eine der Hauptursachen für Schmerzen im unteren Rücken ist. „Wir haben damit begonnen, die biologischen Prozesse, die eigentlich die Degeneration der Wirbelsäule auslösen, genauer zu untersuchen“, fügt er hinzu. „Ich dachte, dass wir durch das Sammeln von Daten darüber in die Lage versetzt werden könnten, personalisierte und optimierte Beschreibungen der Ursachen von Schmerzen zu finden.“
Moleküle nach ihrer Funktion gruppieren
Mithilfe von KI und maschinellem Lernen konnten Noailly und sein Team diese Daten schnell verarbeiten sowie neben demografischen und psychologischen Daten auch objektive Risikofaktoren für eine Wirbelsäulendegradation ermitteln. „Medizinische Bild-Biomarker wurden in mathematischen biomechanischen Modellen in personalisierte Parameter umgewandelt“, erklärt Noailly. „Somit konnten wir verschiedene biophysikalische Mechanismen und die Beziehung zwischen jedem dieser Mechanismen und den personalisierten Biomarkern berechnen und erforschen.“ Modellsimulationen dienten der Identifizierung potenzieller Biomarker, d. h. bestimmter Moleküle, die in direktem Zusammenhang mit Schmerzen stehen könnten, aber keinem klinischen Screening unterlagen. Noailly konnte Muster in biologischen Prozessen zu erkennen, die mit herkömmlichen Methoden nicht leicht erfassbar sind. „Es ist ein bisschen so, als wenn in der Astronomie ferne Phänomene beschrieben werden, ohne sie tatsächlich zu sehen“, merkt er an. „Dort werden komplexe Modelle verwendet, und genau das ist es, was wir hier tun.“
Bedeutungsgehalt biologischer und patientenbezogener Daten
Das Projektteam hofft, mithilfe der Anwendung von maschinellem Lernen zur Extraktion von Informationen aus großen Mengen biologischer und patientenbezogener Daten den chirurgischen Fachleuten dabei helfen zu können, zu einem klareren Bild von den Ursachen für Schmerzen im unteren Rückenbereich bei einzelnen Betroffenen zu gelangen. „KI-gestützte Computermodellierung ist ein effizienter Weg, um ein personalisiertes Wirbelsäulenmodell für die Präzisionsmedizin zu erstellen“, sagt Noailly. „Wir sind in der Lage, Daten schnell zu interpretieren und Vorhersagen darüber zu treffen, ob personalisierte Merkmale ein biologisches Risiko in Bezug auf Bandscheibendegeneration darstellen. Dies kann dann zur Vorbeugung oder Behandlung von Schmerzen im unteren Rücken genutzt werden.“ Als Ziel gilt, dieses bahnbrechende Konzept der computergestützten Modellierung zu guter Letzt in klinische Bereiche zu übertragen. Für Erbringer von Gesundheitsdienstleistungen könnte dies bedeuten, dass sie weniger auf teure und zeitraubende Technologien wie CT- und MRT-Scans angewiesen sind.