Jede Person mit Parkinson (PK) erlebt einen eigenen Krankheitsverlauf. Bei manchen schreiten die Symptome über viele Jahre langsam voran, während andere deutlich schneller stärkere Einschränkungen entwickeln. „Was wird mit mir passieren?“ gehört oft zu den ersten Fragen, die Menschen nach einer Parkinson-Diagnose stellen.

Die Idee, mithilfe künstlicher Intelligenz (KI) den individuellen Verlauf von Parkinson vorherzusagen, ist verlockend. Theoretisch können Machine-Learning-Algorithmen große Datenmengen analysieren – darunter Symptome, genetische Marker, Hirnscans und Lebensstilfaktoren – und Muster erkennen, die Hinweise darauf geben, wie schnell sich der Zustand einer Person verändern könnte oder welche Symptome auftreten könnten. Solche Vorhersagen könnten Patienten und Ärzten helfen, Behandlungen und wichtige Entscheidungen frühzeitig zu planen. Trotz der Fortschritte bei KI und Datenerfassung bleibt die genaue Vorhersage des Verlaufs von Parkinson jedoch eine große Herausforderung. Zudem wirft sie wichtige praktische und ethische Fragen auf, die vor einem klinischen Einsatz geklärt werden müssen.

Die Attraktivität prognostischer Algorithmen

Forschende nutzen Studien wie die Parkinson’s Progression Markers Initiative (PPMI), die Daten von Tausenden von Teilnehmenden sammelt, um KI-Systeme zu trainieren. Diese sollen Gruppen von Patienten mit unterschiedlichen Krankheitsverläufen identifizieren.

Technologieunternehmen, darunter IBM mit Unterstützung der Michael J. Fox Foundation, haben PPMI-Daten genutzt, um Modelle zu entwickeln, die frühe Anzeichen eines aggressiveren Verlaufs erkennen und eine stärker personalisierte Versorgung ermöglichen sollen [1].

KI erleichtert außerdem die Überwachung von Symptomen zwischen Arztbesuchen. An der University of California in San Francisco entwickelten Forschende ein System, das Smartphone-Videos nutzt, um Bewegungen wie Gehen oder Fingerklopfen zu analysieren [2]. Das System liefert objektive Messwerte, die kleine Veränderungen im Zeitverlauf sichtbar machen und Hinweise darauf geben können, ob eine Behandlung wirkt. Eine solche datengestützte Überwachung könnte Ärzten helfen, Medikamente früher anzupassen und die Behandlung besser auf die einzelne Person abzustimmen.

Andere Projekte setzen auf „passives“ Monitoring, etwa die Überwachung der Atmung während des Schlafs. In einer Studie in Nature Medicine entwickelten Forschende ein KI-Modell, das Signale eines einfachen Gürtels oder eines kontaktlosen Sensors analysierte und den Schweregrad von Parkinson ähnlich genau einschätzte wie eine neurologische Untersuchung [3]. Diese Technologie erfordert keinen zusätzlichen Aufwand für die Betroffenen, kann zu Hause genutzt werden und könnte den Zugang zu spezialisierter Versorgung auch in abgelegenen Regionen verbessern.

Über die Überwachung von Symptomen hinaus werden einige KI-Modelle darauf trainiert, zukünftige Entwicklungen vorherzusagen, etwa einen Abbau der Gedächtnisleistung. Ein auf PPMI-Daten basierendes Modell, das Hirnscans mit klinischen Messwerten kombinierte, sagte das Auftreten bedeutender kognitiver Probleme innerhalb von fünf Jahren mit einer Genauigkeit von etwa 89 % voraus [4]. Andere Modelle versuchen vorherzusagen, wann motorische Einschränkungen zunehmen oder wann eine Gehhilfe benötigt werden könnte.

Kein Biomarker, keine Kristallkugel

Trotz dieser Fortschritte bleibt eine grundlegende Herausforderung bestehen: Für Parkinson gibt es noch keinen klaren und validierten Biomarker, der das Fortschreiten der Erkrankung zuverlässig abbildet. Anders als Cholesterinwerte bei Herz-Kreislauf-Erkrankungen oder die Viruslast bei HIV gibt es keinen einzelnen Bluttest, Hirnscan oder Messwert, der eindeutig zeigt, wie Parkinson voranschreitet.

Ärzte stützen sich deshalb vor allem auf klinische Bewertungsskalen wie die UPDRS, auf beobachtete Ereignisse (zum Beispiel die Notwendigkeit eines Rollstuhls) oder auf zusammengesetzte Scores. All diese Methoden sind jedoch unvollkommen. Dadurch wird auch das Training von KI-Modellen erschwert: Die „Wahrheit“, die vorhergesagt werden soll, ist schwer zu definieren und konsistent zu messen. Studien verwenden unterschiedliche Definitionen von Krankheitsfortschritt, und die Symptome unterscheiden sich stark von Person zu Person. Eine KI kann zwar ein bestimmtes Ergebnis vorhersagen, etwa den Beginn einer Demenz oder die Geschwindigkeit motorischer Verschlechterungen, doch dies bildet nicht zwangsläufig die individuelle Erfahrung des Krankheitsverlaufs ab.

Hinzu kommt, dass die bisher entwickelten Modelle noch nicht für den klinischen Einsatz geeignet sind. Die auf PPMI-Daten basierenden Modelle sind vielversprechend, befinden sich jedoch weiterhin in der Forschungsphase. Sie funktionieren möglicherweise gut in den Datensätzen, mit denen sie trainiert wurden, können aber in der klinischen Praxis mit vielfältigeren Patientengruppen weniger zuverlässig sein. Kurz gesagt: KI-Vorhersagen zum Verlauf von Parkinson sind derzeit noch experimentell. Menschen möchten verständlicherweise wissen, wie sich ihre Erkrankung entwickeln wird, doch es bleibt äußerst schwierig, den Verlauf bei einer einzelnen Person vorherzusagen.

Wollen Menschen die Zukunft überhaupt wissen?

Angenommen, wir hätten einen hochpräzisen Vorhersage-Algorithmus – wollen Patientinnen und Patienten diese Informationen überhaupt erfahren? Die Antwort ist nicht eindeutig. Viele Betroffene fragen tatsächlich nach ihrer Prognose, da dies bei der Lebensplanung und bei Erwartungen helfen kann. Zu wissen, dass man möglicherweise innerhalb von fünf Jahren schwere Einschränkungen haben könnte, beeinflusst Entscheidungen über Ruhestand, Finanzen oder persönliche Ziele. Wird ein langsamer Verlauf prognostiziert, kann dies beruhigend wirken.

Doch Parkinson ist ein Fall, in dem detaillierte Prognosen ein zweischneidiges Schwert sind. Nicht alle möchten in diese Kristallkugel blicken. Die Parkinson-Aktivistin Sara Riggare sagt rückblickend, dass sie als Jugendliche möglicherweise nie studiert, keine Karriere angestrebt oder keine Familie gegründet hätte, wenn man ihr gesagt hätte, sie habe eine „Alterskrankheit“. Heute ist sie froh über all diese Entscheidungen – trotz der Diagnose. Eine andere Betroffene, die Kolumnistin Sherri Woodbridge, schrieb, dass keiner ihrer Neurologen ihr jemals detailliert erklärt habe, wie schlimm Parkinson werden könne – und sie sei sich nicht sicher, ob sie es überhaupt wissen wollte. „Ich war schon selbst gut darin, an dunkle Orte zu gelangen“, schreibt sie, „ich brauchte meinen Neurologen nicht, um mir weiter in die Dunkelheit zu helfen.“ Sie betont, dass Ärztinnen und Ärzte keine Hellseher seien; jede Prognose sei letztlich eine informierte Schätzung. Die emotionale Last einer Prognose – vor allem einer, die sich an Wahrscheinlichkeiten ausrichtet – kann erheblich sein. Sie könnte Angst oder Verzweiflung auslösen, besonders da nicht jede Patientin und jeder Patient alle potenziellen Symptome erleben wird.

Selbst wenn eine KI jemanden als „schnellen Fortschreiter“ einstufen könnte, müsste diese Nachricht mit großer Sensibilität vermittelt werden – und nur, wenn der Patient oder die Patientin es wirklich wissen möchte. Manche möchten alle Informationen, andere lehnen negative Prognosen ab, die möglicherweise nie eintreten. Dies ähnelt Entscheidungen bei Gentests (z. B. Risiko für Huntington oder Alzheimer); die persönliche Präferenz ist entscheidend.

Blick nach vorn: vorsichtiger Optimismus

Die langfristige Vision ist, dass KI-gestützte Vorhersageinstrumente einen proaktiven Ansatz in der PK-Behandlung ermöglichen. Statt erst zu reagieren, wenn Symptome sich deutlich verschlechtern, könnten Ärztinnen und Patienten Veränderungen frühzeitig antizipieren. So könnte eine KI etwa vorhersagen, dass sich die Gehfähigkeit eines Patienten innerhalb eines Jahres voraussichtlich verschlechtern wird – und das Behandlungsteam könnte sofort Physiotherapie intensivieren und Sturzprävention einleiten. Für Patienten könnten solche Informationen hilfreiche Orientierung bieten – stets im Bewusstsein, dass Vorhersagen probabilistisch und keine Garantien sind.

KI und Big Data werden zweifellos eine zunehmende Rolle im Verständnis der PK spielen. Sie könnten helfen, versteckte Muster oder Subtypen der PK zu identifizieren, die unterschiedlich auf Behandlungen reagieren. Sollte es künftig krankheitsmodifizierende Therapien geben, könnten Vorhersagen helfen, jene Patientinnen und Patienten zu identifizieren, die sie am dringendsten benötigen. Derzeit jedoch steckt die KI-basierte Progressionsvorhersage noch in den Kinderschuhen. Das Fehlen eines eindeutigen Biomarkers und die Variabilität der Erkrankung bedeuten große Fehlerspannen.

Auch ohne prädiktive Algorithmen gibt es viele Möglichkeiten, die Lebensqualität von Menschen mit Parkinson zu unterstützen. Dazu können Gesundheitsfachkräfte, Angehörige, Unterstützungsnetzwerke und die Betroffenen selbst gemeinsam beitragen. Auch wenn wir den Verlauf von Parkinson bei einer einzelnen Person noch nicht zuverlässig vorhersagen können, können geeignete Behandlungen, Rehabilitationsangebote, soziale Unterstützung und Möglichkeiten für einen gesunden Lebensstil dazu beitragen, die Alltagsfunktion und das Wohlbefinden zu erhalten. Welcher Ansatz am besten geeignet ist, unterscheidet sich von Person zu Person.

Fazit

Die Vision einer KI-Kristallkugel für Parkinson ist spannend und keineswegs Science-Fiction – die Forschung macht Fortschritte. Doch bevor Herausforderungen wie die Entwicklung verlässlicher Progressionsmarker und der Nachweis eines echten Nutzens für Patienten gelöst sind, sollten solche Werkzeuge die individuelle Behandlungsplanung ergänzen, nicht ersetzen. Und jede Information über die Zukunft einer Erkrankung muss mit Mitgefühl, Zustimmung und Kontext vermittelt werden. Wie in vielen Bereichen der Medizin gilt: Technologie ist am hilfreichsten, wenn sie sich an den Bedürfnissen und Wünschen der Menschen orientiert. Bei Parkinson bleibt das Menschliche – Resilienz, Unterstützung und aktive Selbstfürsorge – genauso wichtig wie eh und je, ganz unabhängig davon, ob wir den weiteren Weg vorhersagen können.

Referenzen

[1] Severson, K. A. et al. Discovery of Parkinson’s disease states and disease progression modelling: a longitudinal data study using machine learning. Lancet Digit Health 3, e555–e564 (2021). https://doi.org/10.1016/S2589-7500(21)00101-1

[2] Deng, D. et al. Interpretable video-based tracking and quantification of parkinsonism clinical motor states. npj Parkinsons Dis. 10, 122 (2024).

[3] Yang, Y. et al. Artificial intelligence-enabled detection and assessment of Parkinson’s disease using nocturnal breathing signals. Nat Med 28, 2207–2215 (2022).

[4] Gorji, A. & Fathi Jouzdani, A. Machine learning for predicting cognitive decline within five years in Parkinson’s disease: Comparing cognitive assessment scales with DAT SPECT and clinical biomarkers. PLoS ONE 19, e0304355 (2024).