Routine-Bluttests und maschinelles Lernen identifizieren Komplikationen bei hoher Kurzsichtigkeit

Warum ein einfacher Bluttest helfen könnte, das Augenlicht zu retten

Viele wissen, dass sehr starke Kurzsichtigkeit dickere Brillengläser bedeuten kann. Weniger bekannt ist, dass sie das Auge selbst stillschweigend schädigen kann und zu Katarakten, Glaukom, Netzhautablösung und anderen Problemen führt, die bleibenden Sehverlust verursachen können. Die nötigen Geräte zur Erkennung dieser Komplikationen – spezielle Funduskameras und Scanner – sind teuer und nur ungleich verteilt verfügbar, besonders außerhalb größerer Krankenhäuser. Diese Studie untersucht eine überraschende Alternative: mithilfe von Routinelaborwerten in Verbindung mit maschinellem Lernen Menschen mit hoher Kurzsichtigkeit zu identifizieren, die möglicherweise ernsthafte Augenkomplikationen entwickeln, und das oft lange bevor Symptome auftreten.

Vom verbreiteten Sehproblem zur stillen Bedrohung

Hohe Kurzsichtigkeit, in der Regel definiert als sehr starke Kurzsichtigkeit, wird weltweit häufiger. Über unscharfe Fernsicht hinaus führt sie zu Dehnung und Ausdünnung des Auges und erhöht so das Risiko für Katarakte, Glaukom, Schädigung der lichtempfindlichen Makula und Netzhautablösung. Einige dieser Erkrankungen können verlangsamt oder behandelt werden, wenn sie früh erkannt werden, doch viele Menschen mit hoher Kurzsichtigkeit erhalten keine regelmäßigen fachärztlichen Kontrollen. Fortschrittliche Bildgebungstechniken wie die optische Kohärenztomographie liefern detaillierte Bilder des Auges, sind jedoch kostspielig, erfordern geschultes Personal und sind in vielen Regionen rar. Daher werden viele gefährliche Veränderungen der Augen übersehen, bis das Sehvermögen bereits stark beeinträchtigt ist.

Hinweise in alltäglichen Bluttests suchen

Die Forscher fragten, ob Informationen, die bereits bei Standard-Check-ups gesammelt werden, nützlich sein könnten. Routinetests im Blut sind günstig, weit verbreitet und werden millionenfach täglich durchgeführt, um die allgemeine Gesundheit zu überwachen. Frühere Arbeiten deuteten darauf hin, dass bestimmte Blutmarker für Entzündung, Stoffwechsel und Gerinnung mit Augenerkrankungen zusammenhängen. In dieser Studie sammelte das Team Daten von mehr als 10.000 Menschen mit hoher Kurzsichtigkeit, die in fünf Krankenhäusern in China behandelt wurden. Manche hatten keine weiteren Probleme; andere wiesen eine von fünf Hauptkomplikationen auf: Katarakt, Makuladegeneration, abnorme neovaskuläre Gefäße unter der Netzhaut, Glaukom oder Netzhautablösung. Für jede Person flossen 61 gängige Laborparameter – darunter verschiedene weiße Blutkörperchen, Fettwerte und Gerinnungswerte – in eine Reihe von Algorithmen des maschinellen Lernens, um festzustellen, ob Muster im Blut diejenigen mit Komplikationen von denen ohne unterscheiden konnten.

Ein neunstelliger Fingerabdruck für das Augenrisiko

Unter den vielen getesteten Algorithmen schnitt ein Modelltyp namens Random Forest besonders gut ab. Bemerkenswert war, dass das Modell nicht alle 61 Messwerte benötigte. Nach sorgfältiger Merkmalsauswahl ergab sich ein Satz von nur neun routinemäßig gemessenen Markern – hauptsächlich bestimmte Immunzellen (Eosinophile und Basophile und deren Prozentsätze), Thrombozyten, Harnsäure und Blutfette wie Triglyceride und Apolipoprotein B –, die nahezu die gesamte prädiktive Leistung erfassten. Diese Marker passen zu dem, was über den Beitrag von Entzündung, Blutfetten und Gerinnung zur Augenschädigung bei hoher Kurzsichtigkeit bekannt ist. Mit nur diesen neun Werten trennte das Modell unkomplizierte von komplizierten Fällen hoher Kurzsichtigkeit mit sehr hoher Genauigkeit in der ursprünglichen Krankenhauskohorte, und seine Leistung blieb stark, als es in zwei zusätzlichen Krankenhausgruppen getestet wurde.

Vom Computermodell zum Screening im Alltag

Um zu prüfen, ob dieser Ansatz im Alltag funktionieren könnte, betteten die Forscher das Neun-Marker-Modell in eine einfache Web-App ein, die Kliniker zum Zeitpunkt der Blutentnahme nutzen können. In einer prospektiven Krankenhausstudie mit mehr als 4.500 Menschen mit hoher Kurzsichtigkeit kennzeichnete das Tool einige als hohes Risiko und andere als niedriges Risiko. Als diese Patienten später detailliert augenärztlich untersucht wurden, hatten die als Hochrisiko markierten deutlich häufiger tatsächlich eine Komplikation, und das Modell übersah vergleichsweise wenige Fälle. Das Team ging dann in die Gemeinschaft und wandte das Modell auf nahezu 1.900 Menschen mit hoher Kurzsichtigkeit an, die unter mehr als 300.000 Erwachsenen bei routinemäßigen Gesundheitschecks identifiziert worden waren. Unter denen, die das Modell als Hochrisiko einstuft hatte und die einer weiteren augenärztlichen Prüfung zustimmten, wurden fast drei von vier Personen tatsächlich mit einer schweren Komplikation bestätigt – deutlich häufiger als bei einer willkürlichen Überweisung aller Probanden.

Was das für Patienten und Gesundheitssysteme bedeuten könnte

Die Studie legt nahe, dass etwas so Einfaches wie ein Standard-Blutbild, interpretiert durch einen sorgfältig trainierten Algorithmus, als Frühwarnsystem für gefährliche Augenerkrankungen bei Menschen mit hoher Kurzsichtigkeit dienen kann. Das ersetzt nicht die fachärztliche Bildgebung oder Untersuchung; vielmehr hilft es zu entscheiden, wer am dringendsten diese knappen Ressourcen benötigt. In Umgebungen, in denen Augengeräte und Spezialisten begrenzt sind, könnte ein solches blutbasiertes Triage-Tool das Screening in der Bevölkerung praktikabler und erschwinglicher machen, viele Fälle früher erfassen und unnötige Überweisungen vermeiden. Wenn es in weiteren Ländern validiert und verfeinert wird, um verpasste Fälle und Fehlalarme zu reduzieren, könnte dieser Ansatz zu einer skalierbaren Methode werden, um das Augenlicht mit bereits in der Routine verwendeten Tests zu schützen.

Zitation: Li, S., Ren, J., Wang, F. et al. Routine blood tests and machine learning identify complications in high myopia. Nat Commun 17, 3930 (2026). https://doi.org/10.1038/s41467-026-70891-5

Schlüsselwörter: hohe Kurzsichtigkeit, Sehtests, maschinelles Lernen, Blut-Biomarker, Augenkomplikationen