Scoping-Review: KI-geschätztes biologisches Alter und kardiovaskuläres Risiko
Dieses Scoping-Review von Studien aus 2019–2025 berichtet, dass KI-abgeleitetes biologisches Alter, besonders aus EKGs, prognostische Informationen über das chronologische Alter hinaus lieferte; Standardisierung, prospektive Validierung und Interpretierbarkeit fehlen jedoch noch. [1]
Automatische Zusammenfassung · nicht redaktionell geprüft
Die Kernaussagen
Das Review durchsuchte PubMed und Scopus nach Studien von 2019 bis 2025 zu KI-geschätztem biologischem Alter und kardiovaskulären Endpunkten bei Menschen. [1]
Deep-Learning-Modelle identifizierten eine Alterslücke, die mit erhöhten Risiken für Herzinsuffizienz, Vorhofflimmern und Schlaganfall assoziiert war. [1]
Die Autorinnen und Autoren geben an, dass Standardisierung, prospektive Validierung und verbesserte Interpretierbarkeit nötig sind, um die klinische Umsetzung zu stützen. [1]
Die Quelle auf einen Blick
- Studientyp / Format
- Scoping-Review von Originalforschung (Abstract)
- Population / Kontext
- Menschliche Teilnehmende in Originalstudien zu KI-geschätztem biologischem Alter und kardiovaskulären Endpunkten
- Grundlage der Zusammenfassung
- Studienabstract
- Original veröffentlicht
- 9. Juni 2026
Reviewfrage zu KI-biologischem Alter und Herz-Kreislauf-Erkrankungen
Die Autorinnen und Autoren führen an, dass Herz-Kreislauf-Erkrankungen weltweit die häufigste Todesursache bleiben und das Risiko mit dem Alter steigt. Sie argumentieren, biologisches Alter spiegele den physiologischen Abbau genauer wider als das chronologische Alter und könne die Vorhersage des kardiovaskulären Risikos verbessern. Da KI nun erlaubt, biologisches Alter aus Elektrokardiogrammen, Bildgebung, Biomarkern und Omics-Daten zu schätzen, durchsuchten sie PubMed und Scopus nach Studien von 2019 bis 2025. Eingeschlossen waren Originalstudien, die KI oder maschinelles Lernen nutzten, um biologisches Alter oder Alternsbiomarker bei menschlichen Teilnehmenden zu schätzen und diese Schätzungen mit kardiovaskulären Endpunkten zu verknüpfen.
Beleg [1]
EKG-Alterslücke mit Herzinsuffizienz- und Schlaganfallrisiko verbunden
Die Ergebnisse wurden narrativ zusammengefasst und nach methodischem Ansatz gruppiert. KI-abgeleitetes biologisches Alter, besonders das aus dem EKG vorhergesagte Alter, lieferte durchgängig prognostische Informationen über das chronologische Alter hinaus. Deep-Learning-Modelle identifizierten eine Alterslücke, die mit erhöhten Risiken für Herzinsuffizienz, Vorhofflimmern und Schlaganfall assoziiert war. Biologisches Alter aus Netzhautbildgebung und biomarkerbasierte Machine-Learning-Modelle stützten zudem die systemische Natur des Alterns. Neue Ansätze wie generative Modelle gaben Einblicke in Alternsverläufe und lebensstilbezogene Alternsphänotypen, und erklärbare KI hob EKG-Merkmale hervor, die am meisten zu Alternsvorhersagen beitragen.
Beleg [1]
Nur-Abstract-Umfang und Lücken bei der Umsetzung
Das Review schlussfolgert, dass die KI-basierte Schätzung des biologischen Alters ein vielversprechender Biomarker für die kardiovaskuläre Risikobewertung ist. Obwohl die Evidenz über die Modalitäten hinweg als konsistent beschrieben wird, nennen die Autorinnen und Autoren weitere Standardisierung, prospektive Validierung und verbesserte Interpretierbarkeit als nötig vor einer klinischen Umsetzung. Diese Erklärung beruht nur auf dem Abstract; der Volltext wurde nicht geprüft, daher werden Details der eingeschlossenen Studien, ihrer Designs, Stichprobengrößen und Nachbeobachtung hier nicht berichtet. Die beschriebenen Assoziationen belegen nicht, dass KI-abgeleitetes biologisches Alter kardiovaskuläre Ereignisse verursacht.
Beleg [1]
Was sich daraus ableiten lässt – und was nicht
Nur Abstract; der Volltext wurde nicht geprüft. Das Abstract nennt weder die Zahl der eingeschlossenen Studien noch deren Designs, Stichprobengrößen oder Nachbeobachtung, und die beschriebenen Assoziationen sind kein Kausalitätsbeleg.
Grundlage: Studienabstract. Volltext, Tabellen und ergänzende Daten wurden nicht geprüft.
Quelle & Belegstellen
Sudoso AM, Ciarpaglini L, Scuppa D, Trasatti E, Sciandrone M, Galiuto L. · europepmc.org · 9. Juni 2026