Vorhersage des Lungenkrebsstadiums bei Diagnosestellung anhand selbstberichteter Symptome und Hintergrundfaktoren mit maschinellen Lernmodellen

Warum Lungenkrebs so schwer früh zu erkennen ist

Lungenkrebs gehört zu den tödlichsten Krebsarten, weil er häufig zu spät entdeckt wird, wenn die Behandlungsmöglichkeiten eingeschränkt sind. Viele Menschen mit Lungenkrebs haben jedoch vor und zum Zeitpunkt der Diagnose Symptome – etwa Husten, Atemnot, Müdigkeit oder Gewichtsverlust – die Ärztinnen und Ärzte theoretisch früher alarmieren könnten. Diese Studie stellte eine einfache, aber wichtige Frage: Können Computer, wenn Patientinnen und Patienten systematisch ihre Symptome und Hintergrundinformationen detailliert angeben, lernen zu erkennen, wer wahrscheinlich Lungenkrebs hat und ob dieser in einem frühen oder späten Stadium vorliegt?

Den eigenen Berichten der Patientinnen und Patienten zuhören

Die Forschenden begleiteten 486 Personen, die an eine Spezialklinik in Stockholm überwiesen wurden, weil ihre Ärztinnen und Ärzte Lungenkrebs vermuteten. Alle füllten auf einem Tablet einen detaillierten elektronischen Fragebogen namens PEX-LC aus. Er fragte nach 57 Hintergrundfaktoren (wie Alter, Rauchen, Wohnsituation und frühere Lungenerkrankungen) und mehr als 100 möglichen Symptomen – von Atembeschwerden und Husten bis hin zu Schmerzen, Erschöpfung, Appetitveränderungen und Fieber. Die Fragen erfassten nicht nur die allerersten Warnzeichen, sondern auch, welche Symptome um den Zeitpunkt der Diagnose vorhanden waren. Im Verlauf des folgenden Jahres zeigten die Krankenakten, wer mit Lungenkrebs diagnostiziert wurde und ob es sich um ein nicht- fortgeschrittenes Stadium (meist Stadien I–IIIa) oder ein fortgeschrittenes Stadium (IIIb–IV) handelte.

Wer sich als lungenkrebserkrankt herausstellte

Von den überwiesenen Personen hatten etwa vier von zehn keinen Krebs, während sechs von zehn mit Lungenkrebs diagnostiziert wurden, ungefähr gleich verteilt auf nicht-fortgeschrittene und fortgeschrittene Stadien. Im Vergleich zu den Nicht-Krebspatienten waren Personen mit Lungenkrebs tendenziell älter, rauchten häufiger täglich, lebten häufiger allein und hatten im Vorjahr eher Gewicht verloren. Bei denen mit fortgeschrittenem Erkrankungsstadium waren Männer überrepräsentiert, und vorausgegangene Lungenerkrankungen wie Asthma, chronisch obstruktive Lungenerkrankung und Pneumonie kamen häufiger vor. Diese Hintergrundmuster deuten darauf hin, dassAlltagsfaktoren – Alter, Raucheranamnese, Wohnsituation und jüngste Gesundheitsveränderungen – bereits vor der Betrachtung einzelner Symptome starke Risikoindikatoren bleiben.

Symptome, die herausstechen

Beim Vergleich der berichteten Symptome zeigte sich, dass Personen mit frühem Lungenkrebs überraschend ähnlich zu denen ohne Krebs wirkten: In einfachen Einzelvergleichen unterschieden sie sich klar nur durch ein pfeifendes Atemgeräusch und das Fehlen von Fieber. Dagegen wiesen Personen mit fortgeschrittenem Lungenkrebs deutlich mehr charakteristische Beschwerden auf. Sie gaben häufiger Atemnot, nach Luft schnappen, lästigen Husten und lautes Atmen an sowie Schmerzen (insbesondere im Rücken), starke Erschöpfung, Schwäche, Schüttelfrost und Probleme beim Essen wie frühe Sättigung und Appetitverlust. Diese Muster bestätigen, dass fortgeschrittener Lungenkrebs oft mehrere Körpersysteme stört, während frühe Erkrankungen sich hinter vagen oder leicht abtuhenden Empfindungen verbergen können.

Was die Computer konnten und was nicht

Um zu prüfen, ob komplexe Kombinationen von Antworten eine klarere Aussage treffen als ein einzelnes Symptom, trainierten die Forschenden mehrere Arten von maschinellen Lernmodellen. Diese Algorithmen lernten aus 129 verschiedenen Fragebogenvariablen, Personen mit nicht-fortgeschrittenem Krebs von denen ohne Krebs zu unterscheiden und separat fortgeschrittenen Krebs von keinem Krebs zu trennen. Die Modelle erreichten nur eine mäßige Genauigkeit: Sie schnitten besser ab als Zufall, waren aber weit davon entfernt, perfekt zu sein, insbesondere bei Frühstadien. Hintergrundfaktoren wie Alter, Rauchstatus, Geschlecht und Alleinleben gehörten konstant zu den einflussreichsten Prädiktoren. Einige Symptome – lästiger Husten, pfeifendes oder lautes Atmen, nach Luft schnappen, Enge im Hals, Schmerzen sowie Appetit- oder Gewichtsveränderungen – trugen ebenfalls bei, vor allem beim fortgeschrittenen Krebs. Allerdings dominierte kein kleiner Satz von Symptomen; vielmehr mussten Dutzende subtiler Merkmale kombiniert werden, um eine bescheidene Leistung zu erreichen.

Was das für Patientinnen, Patienten und Ärztinnen und Ärzte bedeutet

Die Studie zeigt, dass das bloße detaillierte Abfragen von Symptomen und Lebensumständen aussagekräftige Muster im Zusammenhang mit Lungenkrebs offenbaren kann, diese Signale aber oft schwach sind, besonders in den frühen Stadien, in denen eine Heilung am wahrscheinlichsten ist. Maschinelle Lernmodelle, die nur Fragebogendaten verwenden, können dabei helfen, zu priorisieren, welche überwiesenen Patientinnen und Patienten besonders dringend abgeklärt werden sollten, sind jedoch nicht genau genug, um allein als Screening- oder Diagnosetests zu dienen. Für Patientinnen, Patienten und Klinikerinnen und Kliniker lautet die wichtigste Schlussfolgerung, dass Alter, Rauchen, Alleinleben und kürzlicher Gewichtsverlust in Kombination mit anhaltenden Atemproblemen, Schmerzen, Appetitverlust oder unerklärlicher Müdigkeit die Schwelle für umfassende Lungenuntersuchungen senken sollten. Die Autorinnen und Autoren argumentieren, dass die Zukunft einer früheren Lungenkrebsentdeckung wahrscheinlich darin liegt, solche selbstberichteten Informationen mit klinischen Daten und biologischen Tests zu verknüpfen, anstatt sich allein auf Symptome zu verlassen.

Zitation: Gustavell, T., Sissala, N., Pernemalm, M. et al. Predicting lung cancer stage at diagnosis based on self-reported symptoms and background factors using machine learning models. Sci Rep 16, 11866 (2026). https://doi.org/10.1038/s41598-026-46710-8

Schlüsselwörter: Lungenkrebs, Früherkennung, patientenberichtete Symptome, maschinelles Lernen, Risikobewertung