Interpretierbares, auf maschinellem Lernen basierendes Entscheidungsbaum-Modell zur Vorhersage obstruktiver Atemwegserkrankungen in einer großen nichtrauchenden Screening-Population

Warum versteckte Lungenprobleme wichtig sind

Viele Menschen glauben, ernsthafte Lungenerkrankungen bedrohten vor allem langjährige Raucher. Dennoch entwickeln überraschend viele Nichtraucher schleichend Atemprobleme, die unbemerkt bleiben, bis sie schwerwiegend werden. Diese Studie stellte eine pragmatische Frage: Lassen sich routinemäßige Check-up-Daten — wie Alter, Blutdruck und gängige Blutwerte — nutzen, um nichtrauchende Erwachsene zu identifizieren, deren Lungen möglicherweise bereits belastet sind, lange bevor sie Atemnot spüren? Die Forschenden wollten zudem, dass die Vorhersagen für Ärztinnen und Ärzte verständlich sind und nicht als undurchschaubare Blackbox auftreten.

Auf der Suche nach Warnsignalen in Routineuntersuchungen

Das Team analysierte Datensätze eines umfangreichen Gesundheits-Screening-Programms in Taiwan, das mehr als eine halbe Million Erwachsener erfasste. Aus dieser großen Gruppe konzentrierten sie sich auf 81.055 Personen, die nie geraucht hatten und vollständige Angaben aus körperlichen Untersuchungen, Laborwerten und Lungenfunktionstests vorliegen hatten. Die Lungenfunktion wurde mit einem standardisierten Atemtest gemessen, der vergleicht, wie viel Luft eine Person in einer Sekunde ausatmen kann im Verhältnis zum Gesamtatemvolumen. Sinkt dieses Verhältnis unter einen bestimmten Schwellenwert, weist das auf eine Verengung der Atemwege hin — ein Kennzeichen von Erkrankungen wie Asthma und chronisch obstruktiver Lungenerkrankung (COPD).

Computern beibringen, gefährdete Lungen zu erkennen

Die Forschenden setzten nicht auf eine einzelne Computertechnik, sondern kombinierten sechs etablierte Ansätze des maschinellen Lernens, die häufig in medizinischen Vorhersagemodellen verwendet werden. Dazu gehörten Entscheidungsbäume und mehrere verwandte Verfahren, die große Sammlungen von Bäumen aufbauen, um die Genauigkeit zu steigern. Jedes Modell wurde darauf trainiert, zwischen Personen mit normalen Atemtests und solchen mit Atemwegsobstruktion zu unterscheiden, unter Verwendung von 25 gängigen Merkmalen wie Alter, Körpergröße, Gewicht, Blutdruck, Bildungsniveau und Routine-Laborwerten. Um verlässliche Ergebnisse zu gewährleisten, teilte das Team die Daten wiederholt in Trainings- und Testsets, glich seltene positive Fälle mit häufigeren negativen Fällen aus und prüfte die Leistungsfähigkeit jedes Modells.

Die aussagekräftigsten Merkmale finden

Alle sechs Modelle erzielten insgesamt recht gute, ähnliche Ergebnisse, gemessen daran, wie gut sie Personen mit und ohne Atemwegsobstruktion trennen konnten. Das eigentliche Ziel war jedoch zu bestimmen, welche Untersuchungsmerkmale am wichtigsten sind, und dieses Wissen in einfache Regeln zu überführen, denen Ärztinnen und Ärzte folgen können. Zu diesem Zweck bewerteten die Forschenden die Bedeutung jedes Merkmals in jedem Modell und bildeten daraus einen Durchschnittsrang. Das Alter lag in allen Methoden konstant an der Spitze. Auch körperbezogene Maße — wie Größe und Gewicht — erwiesen sich als wichtig, ebenso Blutdruck und mehrere Routine-Laborwerte. Einer dieser Werte, die Laktatdehydrogenase (LDH), ist ein unspezifischer Marker für Gewebestress im Körper und lieferte offenbar nützliche Hinweise auf die Lungengesundheit, selbst wenn andere Blutwerte berücksichtigt wurden.

Von komplexen Modellen zu einfachen Entscheidungsregeln

Nachdem die stärksten Prädiktoren identifiziert waren, erstellte das Team einen einzelnen, leicht lesbaren Entscheidungsbaum, der nur die obersten 30 Prozent der Merkmale nutzte. Dieses vereinfachte Modell erreichte nahezu dieselbe Leistung wie Modelle, die alle 25 Variablen verwendeten, bot aber eine Struktur, die Klinikpersonal visuell prüfen kann. Der Baum beginnt mit dem Alter an der Spitze und verzweigt dann anhand von Faktoren wie Körpergröße, LDH-Werten, Körpergewicht und Bildungsniveau. Das Folgen der Zweige führt zu „Blättern“, die Gruppen mit höherer oder niedrigerer Wahrscheinlichkeit für Atemwegsobstruktionen darstellen. Beispielsweise bildeten ältere Personen über einer bestimmten Altersgrenze oder jüngere, aber kleinere Personen mit bestimmten Laborprofilen Gruppen, in denen obstruktive Atemwegsprobleme häufiger waren. Die Autorinnen und Autoren betonen, dass einige dieser Marker, insbesondere LDH, nicht lungen­spezifisch sind und wahrscheinlich eher den allgemeinen Gesundheitszustand als direkte Lungenschädigung widerspiegeln.

Was das für alltägliche Gesundheitschecks bedeutet

Die Studie demonstriert, dass sich Routine-Check-up-Daten in einen interpretierbaren Satz von Regeln überführen lassen, die Nichtraucherinnen und Nichtraucher hervorheben, die eine genauere Lungenuntersuchung benötigen könnten, etwa vollständige Lungenfunktionstests oder eine Überweisung an Spezialisten. Das Modell soll Lungenfunktionstests nicht ersetzen oder eine endgültige Diagnose stellen, sondern als intelligenter Triage-Assistent dienen, der Ärztinnen und Ärzte auf gefährdete Personen aufmerksam macht, die sonst übersehen werden könnten. Da der Ansatz auf gängigen Messungen beruht und klare, schrittweise Entscheidungswege betont, ließe er sich in reale Screening-Settings adaptieren. Künftige Arbeiten müssen diese Befunde über die Zeit und in vielfältigeren Populationen bestätigen, doch diese Forschung liefert ein vielversprechendes Beispiel dafür, wie transparente künstliche Intelligenz eine frühere Entdeckung stiller Lungenprobleme unterstützen kann.

Zitation: Chang, CY., Shen, HS., Kuo, YL. et al. Interpretable machine learning based decision tree model for predicting obstructive airway disease in a large non-smoking health screening population. Sci Rep 16, 12807 (2026). https://doi.org/10.1038/s41598-026-43633-2

Schlüsselwörter: obstruktive Atemwegserkrankung, Lungengesundheit bei Nichtrauchern, interpretierbares maschinelles Lernen, Entscheidungsbaum-Screening, Daten aus Gesundheits-Checkups