LONDON (IT BOLTWISE) – Ein neuer Alterungsindex (CKMAI) soll die Sterblichkeit bei Menschen mit Herz-Nieren-Stoffwechsel-Syndrom genauer vorhersagen. Das KI-basierte Verfahren wurde mit NHANES-Daten von 6.896 US-Erwachsenen aus den Jahren 2005 bis 2018 trainiert und validiert. In den Auswertungen erreichte CKMAI für die Gesamtmortalität nach fünf Jahren eine AUC von 0,907. Für kardiovaskuläre Todesfälle lagen die Werte ebenfalls hoch, während etablierte biologische Altersindizes teils deutlich abfielen.
Biologische Alterungsprozesse werden in der klinischen Forschung zunehmend genutzt, um Risiken früher zu erkennen, die sich mit klassischen Risikomodellen nur unzureichend abbilden lassen. Genau an diesem Punkt setzt der Cardiovascular-Kidney-Metabolic Aging Index (CKMAI) an: Er kombiniert mehrere Messgrößen zu einem numerischen Maß, das nicht das Kalendertempo des Lebens bewertet, sondern den Zustand von Herz, Niere und Stoffwechsel als Teil eines „Alterungsbildes“. Die Studie wurde am 9. Oktober 2026 in PLOS Medicine veröffentlicht und adressiert damit ein Versprechen, das viele Unternehmen und Forschungsteams verfolgen: aus komplexen Labor- und Gesundheitsdaten bessere Prognosen für einzelne Patientinnen und Patienten abzuleiten.
Technisch betrachtet nutzt CKMAI maschinelles Lernen als Grundlage, um aus 18 Variablen ein biologisches Altersmaß zu berechnen. Die Datengrundlage stammt aus der NHANES-Datenbank: Für die Entwicklung griffen die Autorinnen und Autoren auf Erhebungen von 6.896 US-Erwachsenen im Zeitraum 2005 bis 2018 zurück. Die gewichtete Studienpopulation hatte einen Median von 48 Jahren. Zum Training diente ein Datensatz von 4.827 Personen, die Validierung erfolgte an einer Testgruppe von 2.069 Probanden. Über einen medianen Nachbeobachtungszeitraum von 9,2 Jahren wurden 660 Todesfälle erfasst, davon 201 mit kardiovaskulären Ursachen.
Im Kern geht es bei der Modellgüte um zwei Dinge: Erstens, wie gut sich CKMAI mit dem Ereignis „Zeit bis zum Tod“ verknüpfen lässt, und zweitens, ob das Modell über verschiedene Zeithorizonte konsistent bleibt. Nach einer Pareto-Optimierung erwies sich ein Cox-Modell mit einem mittleren Konkordanzindex von 0,893 als leistungsfähigste Modellvariante. Bei der Gesamtmortalität lag die Fläche unter der ROC-Kurve (AUC) nach 3 Jahren bei 0,893, nach 5 Jahren bei 0,907 und nach 10 Jahren bei 0,890. Für die rein kardiovaskuläre Mortalität wurden ebenfalls hohe Werte gemessen: AUC von 0,904 nach 3 Jahren sowie 0,937 nach 5 und 10 Jahren. Solche Ergebnisse sind besonders dann aussagekräftig, wenn sie nicht nur in einer kurzen Nachverfolgung „glänzen“, sondern auch nach längeren Zeiträumen stabil bleiben.
Im Vergleich zu etablierten biologischen Altersindizes zeigt CKMAI vor allem bei der Unterscheidung der Risikogruppen seine Stärke. Für die 5-Jahres-Mortalität übertraf CKMAI mehrere Referenzmodelle: Während CKMAI eine AUC von 0,907 erreichte, kam PhenoAge auf 0,902, KDM auf 0,801 und CMI auf 0,525. Auch in fortgeschrittenen Krankheitsphasen – konkret den Stadien 3 und 4 des Herz-Nieren-Stoffwechsel-Syndroms – differenzierte CKMAI besser: AUC 0,790 gegenüber 0,767 (PhenoAge), 0,720 (KDM) und 0,599 (CMI). Das deutet darauf hin, dass die Kombination aus kardiovaskulären, renalen und metabolischen Signalen in der Praxis möglicherweise eine „passendere“ Darstellung der biologischen Dynamik liefert als Indizes, die stärker generalisiert oder auf einzelne Domänen optimiert sind.
Ein weiterer interessanter Aspekt sind die in der Arbeit definierten Risikoschwellen und die Interaktion mit bestehenden Alterungsmaßen. Die Autoren nennen Inflektionspunkte des Index bei 61,587 für Gesamtmortalität, 60,732 für kardiovaskuläre Ereignisse und 34,092 für ein Hochrisiko-Syndrom. Zudem wird eine superadditive Interaktion mit dem PhenoAge-Index berichtet, quantifiziert über einen RERI-Wert von 15,06 (95%-Konfidenzintervall: 8,14–38,44). Außerdem identifizierten Zhu et al. sechs distinkte Phänotypen des Altersstoffwechsels; innerhalb des als gebrechlich klassifizierten Clusters lag die Hazard Ratio bei 11,74. Ergänzend untersuchten sie Einflussfaktoren aus dem psychischen Bereich: Depressionen vermittelten 5,6 % des Gesamtmortalitätseffekts, 8,2 % bei kardiovaskulären Todesfällen und 11,1 % bei Hochrisiko-Verläufen. Für die Umsetzung in der Versorgung ist das relevant, weil solche Interaktionen erklären können, warum identische Laborwerte je nach Kontext zu unterschiedlichen klinischen Verläufen führen.
Damit rückt auch die Frage nach Verallgemeinerbarkeit und Transferierbarkeit in den Fokus. In einer ersten externen Validierung anhand einer chinesischen Kohorte von 261 Patienten erreichte der Algorithmus eine AUC von 0,789. Gleichzeitig weisen die Autorinnen und Autoren auf methodische Grenzen hin: Für einen breiten klinischen Einsatz sei eine geografisch unabhängige Validierung mit vollständigem Mortalititäts-Follow-up nötig, um zu prüfen, ob die Grenzwerte auf andere Populationen übertragbar sind. Genau hier zeigt sich die typische „Produktreife-Lücke“ zwischen Modellen, die in einem Datensatz überzeugen, und solchen, die in unterschiedlichen Gesundheitssystemen zuverlässig funktionieren.
Für Unternehmen aus dem Gesundheits- und KI-Ökosystem ergibt sich daraus ein klarer Handlungsrahmen. CKMAI ist in der Form kein fertiges Produkt, aber ein gutes Beispiel dafür, wie sich KI-Ansätze im Medizinbereich von der reinen Mustererkennung hin zu klinisch interpretierbaren Risikomaßen bewegen. Wenn CKMAI in der Praxis als ergänzendes Instrument genutzt wird, muss die Implementierung über saubere Datenpipelines und robuste Validierungsprozesse abgesichert werden – insbesondere, weil Messwerte, Populationseigenschaften und Labor-Setups die Modellparameter beeinflussen können. Gleichzeitig bleibt das Thema Interpretierbarkeit entscheidend: Ein Index ist nur dann handhabbar, wenn Ärztinnen und Ärzte die Schwellenwerte, die zugrunde liegenden Variablen und die Rolle von Interaktionen wie der mit PhenoAge verstehen und in Entscheidungen einordnen können.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "CKMAI: Neuer Alterungsindex prognostiziert Sterblichkeit beim Herz-Nieren-Stoffwechsel-Syndrom" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "CKMAI: Neuer Alterungsindex prognostiziert Sterblichkeit beim Herz-Nieren-Stoffwechsel-Syndrom" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »CKMAI: Neuer Alterungsindex prognostiziert Sterblichkeit beim Herz-Nieren-Stoffwechsel-Syndrom« bei Google Deutschland suchen, bei Bing oder Google News!