Neuer Ansatz sagt früher voraus, wann eine Spenderniere versagen könnte

Kurz und knapp: Wenn Patient:innen eine neue Niere transplantiert bekommen, ist es besonders wichtig, früh zu erkennen, ob das Organ stabil bleibt oder ob später Probleme auftreten könnten. Genau hier setzt unsere neue Studie an: Statt nur einmal auf alle Daten zu schauen, nutzen wir künstliche Intelligenz, um das Risiko in verschiedenen Zeitabschnitten nach der Transplantation vorherzusagen – zum Beispiel in den ersten drei Monaten, nach einem Jahr oder noch später. So können Ärzt:innen rechtzeitig reagieren und die Behandlung besser anpassen.

Im Detail zu unserer jüngsten Arbeit in Frontiers in Artificial Intelligence

„Phase-specific kidney graft failure prediction with machine learning model“
🔗 https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1682639/full

In dieser Studie entwickeln wir zeitdynamische, phasenspezifische Machine-Learning-Modelle, um das Risiko eines Transplantatversagens über definierte Intervalle nach der Transplantation zu prognostizieren: 0–3 Monate, 3–9 Monate, 9–15 Monate, 15–39 Monate, 39–72 Monate

Unsere Modelle zeigen insbesondere im mittelfristigen Bereich (z. B. 9–15 Monate) eine sehr hohe Prognosegüte (ROC AUC ≈ 0,92) und verdeutlichen, wie wertvoll zeitaktualisierte klinische Daten im Vergleich zu rein statischen Ansätzen sind.

Internationale Zusammenarbeit – mit Unterstützung unserer Gäste aus Kasachstan

Während ihres Forschungsaufenthalts in Dresden haben Ainur Yerkos und Zholdas Buribayev als Gastwissenschaftler wesentliche Beiträge geleistet. Die Arbeit entstand in enger Kooperation und ist ein gelungenes Beispiel für internationale Zusammenarbeit zwischen Kasachstan, Japan und Deutschland.

Warum ist die Arbeit wichtig?

• Klassische Modelle berücksichtigen zeitliche Verläufe oft nicht ausreichend.
• Unsere phasenspezifischen Modelle ermöglichen gezieltere Entscheidungen entlang des klinischen Verlaufs.
• Künftig könnten solche Vorhersagen direkt in die Nachsorge integriert werden, um Patient:innen individueller zu begleiten.

Herzlichen Dank an alle Beteiligten und Partnerinstitutionen!