Risiko für Cholelithiasis? – Mehr als nur 4Fs – Machine-Learning-Modelle ermöglichen eine gezieltere Risikostratifizierung

Zeitschrift für Gastroenterologie, vol. 64, pp. e392–e393

Abstract

Einleitung und Ziele: Cholelithiasis gehört mit einer Prävalenz von 6-20% zu den häufigsten gastroenterologischen Erkrankungen in Deutschland. Zur Risikostratifizierung fehlt ein einheitliches Modell in der klinischen Praxis, welches eine nur unzureichende individuelle Risikobewertung zur Folge hat. Veränderter Lifestyle und soziodemographische Erkrankungen, wie beispielsweise das metabolische Syndrom, werden nur unzureichend in die Risikobewertung eingeschlossen. Methodik: Basierend auf den Daten von 491.835 (weiblich n=265.498) Teilnehmenden der UK Biobank (UKB) ([ Abb. 2 ] [ 3 ]), haben wir unterschiedliche ML-Modelle entwickelt, welche deutlich über die einfach lineare Kombination 4/6 F- Risikofaktoren hinausgehen. Der Datensatz umfasst 18.034 Cholelithiasis-Fällen. Als Cholelithiasis-Fälle wurden Teilnehmende mit dem Auftreten von K80.0-80.5 und K80.8 (ICD-10) mindestens ein Jahr nach dem Assessment definiert. Es erfolgte eine 80/20 Aufteilung der Patienten in ein Trainings- und Test-Set. Die Modellierung erfolgte mittels Random Forest Classifier (RFC) und wird mit einem Cat-Boost-Classifier verglichen. Zur Minimierung von Overfitting des Modells wurde die Kohorte mittels Crossvalidation validiert. Durch einen inkrementellen Anstieg (Modell A-E) der Datenmengen können wir den Mehrgewinn einzelner Modalitäten besser beurteilen. Modell A beinhaltet lediglich demographische und Lifestyle-Daten, Modell B zusätzlich elektronische Gesundheitsdaten, Modell C Blutparameter, Modell D genetische Daten und Modell E metabolische Daten. Abb. 2 Abb. 3 Ergebnisse: Modell A erreicht eine AUC von 0,672, Modell D, als bestes Modell, erreicht eine AUC von 0,689. Als wichtigste Features in der Entscheidungsfindung stellen sich neben gewichtsbezogenen Features (z.B. BMI) CRP, Magen-Darm-Beschwerden, Alkoholzufuhr oder eine begleitende arterielle Hypertonie heraus ([ Abb. 1 ]). Einen relevanten Zugewinn an diskriminativer Fähigkeit des Modells durch genomische oder metabolomische Daten, ließ sich zunächst nicht erkennen. Abb. 1 : Feature-Importance-Plot_Modell_E Schlussfolgerung: KI-basierte ML-Modelle können eine individuellere Risikostratifizierung ermöglichen, weitere Risikofaktoren identifizieren und somit die Grundlage für neue Präventionsansätze bilden. Weiterführend sollen Ernährungsdaten eingeschlossen werden und eine Validierung in einer weiteren Kohorte erfolgen. Informationen zum Einsatz von KI : KI wurde nicht zum Erstellen des Textes genutzt, lediglich zur erweiterten Recherche. Publication History Article published online: 27 August 2026 © 2026. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany

Authors 9

1. F A Offner Aachen Med. Klinik III

   Universitätsklinikum Aachen

   Affiliation as printed

   Uniklinik RWTH Aachen, Med. Klinik III, Gastroenterologie, Aachen, Germany

2. P-H. Koop

   Technische Universität Dresden · Else Kröner Fresenius Center for Digital Health

   Affiliation as printed

   Else Kröner Fresenius Zentrum für Digitale Gesundheit, TU Dresden, Dresden, Germany

3. Jan Clusmann

   Technische Universität Dresden · Else Kröner Fresenius Center for Digital Health

   Affiliation as printed

   Else Kröner Fresenius Zentrum für Digitale Gesundheit, TU Dresden, Dresden, Germany

4. Felix van Haag Aachen Med. Klinik III

   Universitätsklinikum Aachen

   Affiliation as printed

   Uniklinik RWTH Aachen, Med. Klinik III, Gastroenterologie, Aachen, Germany

5. S. Moetamedi Aachen Med. Klinik III

   Universitätsklinikum Aachen

   Affiliation as printed

   Uniklinik RWTH Aachen, Med. Klinik III, Gastroenterologie, Aachen, Germany

6. Tobias Seibel Aachen Med. Klinik III

   Universitätsklinikum Aachen

   Affiliation as printed

   Uniklinik RWTH Aachen, Med. Klinik III, Gastroenterologie, Aachen, Germany

7. Niharika Jakhar Aachen Med. Klinik III

   Universitätsklinikum Aachen

   Affiliation as printed

   Uniklinik RWTH Aachen, Med. Klinik III, Gastroenterologie, Aachen, Germany

8. K M Schneider Aachen Med. Klinik III

   Universitätsklinikum Aachen

   Affiliation as printed

   Uniklinik RWTH Aachen, Med. Klinik III, Gastroenterologie, Aachen, Germany

9. Carolin V. Schneider Aachen Med. Klinik III

   Universitätsklinikum Aachen

   Affiliation as printed

   Uniklinik RWTH Aachen, Med. Klinik III, Gastroenterologie, Aachen, Germany