Die Diagnose der Parkinson-Krankheit (PK) kann besonders in den frühen Stadien schwierig sein. Die ersten Symptome können subtil sein oder sich mit anderen Störungen überschneiden, und da die PK klinisch definiert ist, gibt es keinen Labortest zur eindeutigen Diagnosestellung. Verzögerte Diagnosen sind daher keine Seltenheit. Künstliche Intelligenz (KI) wird als potenzielles Mittel untersucht, um die Parkinson-Diagnose zu stärken, indem sie medizinische Fachkräfte dabei unterstützt, die Krankheit früher zu erkennen. In den vergangenen Jahren haben Forschende begonnen, KI-Algorithmen – etwa Machine-Learning-Modelle – zu nutzen, um eine Vielzahl von Daten zu analysieren, von tragbaren Sensordaten und Sprachaufnahmen bis hin zu genetischen Varianten und Hirnscans, um typische Muster der Parkinson-Krankheit zu identifizieren [1].

Wie könnte KI zur Erkennung von Parkinson eingesetzt werden?

Screening im Alltag

Muster in Daten tragbarer Sensoren: Die PK hinterlässt einzigartige Spuren in der Bewegung und im Schlaf einer Person – subtile Veränderungen in Mobilität, Gangbild und Schlafqualität. Mit Wearables wie Smartwatches, die eine passive Sammlung großer Mengen alltäglicher Aktivitätsdaten ermöglichen, konnten KI-Algorithmen solche charakteristischen Signaturen erkennen. Eine wegweisende Studie mit Daten der UK Biobank zeigte, dass Muster in der täglichen Mobilität, erfasst durch einen einzelnen Handgelenksensor, Personen im prodromalen Stadium der Krankheit erkennen können – bis zu sieben Jahre vor der klinischen Diagnose [2]. Kürzlich nutzten Forschende des AI-PROGNOSIS-Projekts Schlaf-, Geh- und andere Aktivitätsmetriken aus Handgelenksensoren der Parkinson’s Progression Markers Initiative, um ein KI-Modell zu trainieren, das zwischen Personen mit und ohne PK unterscheidet [3]. Das Modell erreichte eine hohe Genauigkeit (über 80 %) und schien zudem fähig zu sein, Maße des Dopaminverlusts im Gehirn – ein Krankheitsmerkmal – nachzuverfolgen.

Muster in Smartphone-Interaktionsdaten und Sprachanalyse: Smartphones und Apps wurden eingesetzt, um Tippen, Handstabilität und sogar Stimme zu überwachen. ML-Modelle können Personen mit einer PK anhand relevanter Messwerte von gesunden Personen unterscheiden. So wurden beispielsweise Tastenanschlagsmessungen beim Tippen auf dem Touchscreen mit feinen motorischen Einschränkungen bei frühen Parkinson-Patienten in Verbindung gebracht [4], während die Bewegungssensoren des Smartphones genutzt wurden, um Tremor zu erkennen [5]. Da Parkinson häufig die Sprache beeinflusst – Lautstärke, Tonfall oder Flüssigkeit –, trainierten Wissenschaftlerinnen und Wissenschaftler KI-Modelle, die Sprachaufnahmen auf subtile Änderungen analysieren, sowohl aus natürlichen Telefongesprächen [6] als auch aus längeren Vokalen [7]. AI-PROGNOSIS-Forschende versuchen außerdem, mit dem Smartphone aufgezeichnete Videos von Bewegungstests und KI-basierter Körperverfolgung zum Erkennen und Quantifizieren von Agilitäts-, Geh- und Gleichgewichtsstörungen zu nutzen [8].

Wearable- und Smartphone-basierte Trackingmethoden sind oft unaufdringlich, kostengünstig und haben bereits ermutigende Ergebnisse gezeigt. Diese Technologien könnten die Diagnose stärken, indem sie objektive Datenpunkte liefern (unabhängig von subjektiver Einschätzung) und ein risikobasiertes Monitoring im Alltag ermöglichen. Statt sich nur auf eine kurze Untersuchung in der Klinik zu verlassen, könnte ein Arzt eine Zusammenfassung eines Monats an Sensordaten heranziehen, die von KI analysiert wurden und Muster zeigen, die mit einer PK vereinbar sind.

Weitere wichtige Wege, wie KI die Parkinson-Diagnose verbessert

Fortgeschrittene Analyse von Hirnbildern: KI kann Muster in Hirnscans aufdecken, die selbst für erfahrene Neurologen zu subtil sind. Eine Studie aus dem Jahr 2025 nutzte einen ML-Algorithmus auf spezialisierten MRT-Aufnahmen, um PK von zwei anderen parkinsonartigen Syndromen zu unterscheiden: der Multisystematrophie und der progressiven supranukleären Blickparese. Die Ergebnisse waren vielversprechend: Die KI konnte PK mit etwa 86 % Sensitivität von atypischem Parkinsonismus unterscheiden [9]. Ein solches Werkzeug könnte Neurologinnen und Neurologen helfen, alternative Diagnosen früher auszuschließen. In Zukunft könnte ein Patient ein MRT erhalten, und ein KI-System könnte sofort Wahrscheinlichkeiten für eine PK vs. andere Erkrankungen liefern – als Unterstützung, nicht Ersatz. Solche Systeme wären besonders wertvoll in Regionen ohne Bewegungsspezialisten, da sie online verfügbar gemacht werden könnten.

KI in medizinischen Akten und genetischer Analyse: Ein weiterer Ansatz ist die Nutzung von KI zur Auswertung medizinischer Krankenakten oder Labordaten, um Risikopersonen zu identifizieren. Eine Studie entwickelte ein ML-Modell, das die Krankengeschichten Tausender Menschen analysierte und jene mit guter Genauigkeit identifizierte, die später Parkinson entwickeln würden. Der Algorithmus sagte etwa 73 % der späteren Parkinson-Fälle korrekt voraus (und erkannte 83 % der Personen korrekt, die keine PK entwickeln würden), basierend auf Diagnosen und Beschwerden in früheren Jahren [10]. Viele der Hinweise waren bereits bekannte frühe Parkinson-Symptome, etwa Tremor, Geruchsverlust, Verstopfung oder bestimmte Schlafprobleme. Mit Zugang zu elektronischen Gesundheitsdaten könnten solche Werkzeuge Hausärzte darauf hinweisen, dass ein Patient mit einer bestimmten Symptomkombination eine neurologische Abklärung benötigt.

Über Krankendaten hinaus werden KI-gestützte Tools für die Analyse und Interpretation genetischer Daten eingesetzt [11]. Genetische Forschung zu Parkinson zielt darauf ab, genetische Faktoren mit erhöhtem Erkrankungsrisiko zu identifizieren [12]. Machine Learning wird zur Analyse genetischer Daten genutzt, teils in Kombination mit Alter oder Lebensstilfaktoren. Solche Methoden können zur Risikostratifizierung verwendet werden und helfen auch bei der Auswahl von Teilnehmenden für zukünftige klinische Studien zu krankheitsmodifizierenden Therapien [13–14].

Auswirkungen und Zukunft von KI in der Diagnostik

Die Integration von KI in die Parkinson-Diagnose könnte die Patientenversorgung verbessern. Frühere und genauere Diagnosen bedeuten, dass Betroffene früher mit Medikamenten oder Lebensstilinterventionen beginnen können – potenziell mit langsamerer Zunahme der Symptome und weniger unnötigen Untersuchungen oder Fehlbehandlungen. Zudem könnte man bei zukünftigen neuroprotektiven Therapien die richtigen Personen zum richtigen Zeitpunkt identifizieren. Wichtig ist, dass KI als Unterstützung und nicht als Ersatz für Ärztinnen und Ärzte gedacht ist. Eine KI könnte etwa eine Zweitmeinung für einen Scan liefern oder auf auffällige Aktivitätsmuster hinweisen, aber die finale Diagnose bleibt immer in der Hand des Neurologen, bezogen auf den gesamten Patienten.

Da diese Technologien sich weiterentwickeln, liegt der Fokus darauf, sie erklärbar und benutzerfreundlich zu gestalten – sodass eine KI nicht nur ein Ergebnis liefert, sondern auch die Gründe für ihre Entscheidung.

Ein wichtiger Faktor ist der menschliche: Wollen Menschen überhaupt wissen, was die KI vorhersagt? Die Antwort ist individuell. Eine aktuelle Umfrage unter gesunden Personen (Durchschnittsalter 65) zeigte, dass 79 % unbedingt über ihr Risiko informiert werden möchten, vor allem um sich vorzubereiten oder präventiv zu handeln [15]. Über 70 % wünschten sich im Fall eines positiven Ergebnisses umfassende Beratung und Lebensstilempfehlungen – vorausgesetzt, die Information ist handlungsrelevant. Auch Personen mit Parkinson äußern Interesse an personalisierten Prognosen – „je personalisierter, desto besser“ –, betonen jedoch die Notwendigkeit professioneller Einordnung. Gleichzeitig berichten einige, dass eine frühere Diagnose nicht immer hilfreich ist, wenn es keine präventiven Möglichkeiten gibt, und sprechen sich dafür aus, Vorhersagen selektiv zu teilen [16–17]. Eine Studie im Kontext von AI-PROGNOSIS fand, dass Betroffene potenzielle Vorteile in personalisierten Empfehlungen und einem besseren Krankheitsverständnis sahen, aber auch Sorge vor psychologischer Belastung äußerten, wenn Vorhersagen ohne ausreichende Unterstützung erfolgen [18].

Die Gesundheitspolitik sollte Richtlinien dafür entwickeln, wie Vorhersageinformationen mit Patienten geteilt werden – unter Berücksichtigung persönlicher Präferenzen und emotionaler Wirkung. Ärztinnen und Ärzte müssen vermitteln, was eine „Vorhersage“ bedeutet: eine Wahrscheinlichkeit, kein Schicksal. Psychologische Unterstützung sollte vorhanden sein, da belastende Prognosen Stress auslösen können. Auch die Kommunikation von Unsicherheit ist essenziell: Selbst ein sehr genaues KI-Modell hat Fehlermargen. Ohne eindeutigen Biomarker müssen KI-Ausgaben stets vorsichtig interpretiert werden.

Derzeit befinden sich die meisten KI-Diagnosesysteme für die PK noch in Forschungs- oder Experimentierphasen. Der Fortschritt ist schnell, aber es bestehen Herausforderungen: Modelle müssen an diversen Populationen trainiert werden, Datenschutz muss gewährleistet sein, und Fehlalarme müssen minimiert werden. Doch der Trend ist klar: KI hat enormes Potenzial, die Genauigkeit der Parkinson-Diagnose zu stärken. Die Aufgabe von Klinikern und Technologieentwicklern wird sein, individuelle Präferenzen zu respektieren, Vorhersagen so genau wie möglich zu gestalten und immer die betroffene Person ins Zentrum jeder Innovation zu stellen.

Referenzen 

[1] Shokrpour, S. et al. Machine learning for Parkinson’s disease: a comprehensive review of datasets, algorithms, and challenges. npj Parkinsons Dis. 11, 187 (2025). https://www.nature.com/articles/s41531-025-01025-9 

[2] Schalkamp, A. K., et al. Wearable movement-tracking data identify Parkinson’s disease years before clinical diagnosis. Nature Medicine 29, 2048-2056 (2023). https://doi.org/10.1038/s41591-023-02440-2  

[3] Sotirakis, H. et al. D3.2 / First report on predictive modelling for PK. Zenodo (2025). https://doi.org/10.5281/zenodo.15542465  

[4] Iakovakis, D., et al. Touchscreen typing-pattern analysis for detecting fine motor skills decline in early-stage Parkinson’s disease. Scientific reports 8, 1-13 (2018). https://doi.org/10.1038/s41598-018-25999-0  

[5] Papadopoulos, A., et al. Unobtrusive detection of Parkinson’s disease from multi-modal and in-the-wild sensor data using deep learning techniques. Scientific reports 10, 21370 (2020). https://doi.org/10.1038/s41598-020-78418-8  

[6] Laganas, C., et al. Parkinson’s disease detection based on running speech data from phone calls. IEEE Transactions on Biomedical Engineering 69, 1573-1584 (2021). https://doi.org/10.1109/tbme.2021.3116935 

[7] Shen, M., Mortezaagha, P. & Rahgozar, A. Explainable artificial intelligence to diagnose early Parkinson’s disease via voice analysis. Sci Rep 15, 11687 (2025). https://www.nature.com/articles/s41598-025-96575-6 

[8] Chatzichristos, C., et al. D3.1 / First report on digital biomarkers for PK. Zenodo 2025. https://doi.org/10.5281/zenodo.15542385  

[9] Vaillancourt, D. E. et al. Automated Imaging Differentiation for Parkinsonism. JAMA Neurol 82, 495 (2025). https://jamanetwork.com/journals/jamaneurology/fullarticle/2831631  

[10] Searles Nielsen, S. et al. A predictive model to identify Parkinson disease from administrative claims data. Neurology 89, 1448–1456 (2017). https://www.neurology.org/doi/10.1212/WNL.0000000000004536 

[11] Vilhekar, R. S., & Rawekar, A. (2024). Artificial Intelligence in Genetics. Cureus, 16(1), e52035. https://doi.org/10.7759/cureus.52035  

[12] Funayama, M., Nishioka, K., Li, Y., & Hattori, N. (2023). Molecular genetics of Parkinson's disease: Contributions and global trends. Journal of human genetics, 68(3), 125–130. https://doi.org/10.1038/s10038-022-01058-5  

[13] Sigala, R. E., Lagou, V., Shmeliov, A., Atito, S., Kouchaki, S., Awais, M., Prokopenko, I., Mahdi, A., & Demirkan, A. (2023). Machine Learning to Advance Human Genome-Wide Association Studies. Genes, 15(1), 34. https://doi.org/10.3390/genes15010034  

[14] Pihlstrøm, L., et al. Genetic stratification of age‐dependent parkinson’s disease risk by polygenic hazard score. Movement Disorders, 37(1), 62–69. (2021). https://doi.org/10.1002/mds.28808  

[15] Mahlknecht, P. et al. Preferences regarding Disclosure of Risk for Parkinson’s Disease in a Population‐based Study. Movement Disord Clin Pract 12, 203–209 (2025). https://movementdisorders.onlinelibrary.wiley.com/doi/10.1002/mdc3.14264 [16] Van Den Heuvel L, et al. Perspectives of people living with Parkinson’s disease on personalized prediction models. Health Expect. 2022 Aug;25(4):1580–90. 

[17] Schaeffer, E. et al. Patients’ views on the ethical challenges of early Parkinson disease detection. Neurology 94, e2037–e2044 (2020). 

[18] Luckhaus, J. L., et al.  Balancing hope and harm: A qualitative exploration of ethical aspects of using AI in Parkinson’s disease (Preprint). JMIR Preprints. (2025). https://doi.org/10.2196/preprints.74144