Künstliche Intelligenz: Die Revolutionierung des Managements von Erkrankungen

Einsatz künstlicher Intelligenz in der Tiermedizin 

In den letzten Jahren hat die Tiermedizin eine technologische Revolution erlebt, die insbesondere durch die rasante Entwicklung der künstlichen Intelligenz (KI) vorangetrieben wurde. Bei diesem Wandel handelt es sich nicht nur um einen Trend, sondern um eine grundlegende und weitreichende Veränderung in der Art und Weise, wie Tierärzt*innen Diagnosen, Behandlungen und Prävention angehen können und angehen werden (1). Zu den vielversprechendsten Anwendungsbereichen der KI gehört ihre Fähigkeit, Erkrankungsrisiken vorherzusagen, wodurch gezielte proaktive Maßnahmen ergriffen werden können, die zu erheblichen Verbesserungen der Gesundheit und der Lebensqualität von Haustieren beitragen können. Ein gutes Beispiel für einen solchen kritischen Bereich ist der Diabetes mellitus (DM) bei Katzen, eine Erkrankung mit potenziell schwerwiegenden gesundheitlichen Folgen für Katzen weltweit. In diesem kurzen Artikel wird gezeigt, auf welche Weise KI praktische Tierärzt*innen beim Management dieser häufigen Endokrinopathie unterstützen kann. Um die Fähigkeiten von KI zusätzlich zu illustrieren, wurde ein großer Teil dieses Artikels mit einer proprietären KI-Plattform verfasst, wie in Box 1 erläutert. 

 

Box 1. Eine Einführung in MAX.

 

Die wachsende Herausforderung durch Diabetes mellitus bei Katzen

Diabetes mellitus ist eine komplexe, multifaktorielle Erkrankung, die durch eine beeinträchtigte Insulinproduktion oder Insulinwirkung gekennzeichnet ist und zu erhöhten Blutglukosekonzentrationen führt (2). Feliner DM weist Ähnlichkeiten mit dem Typ-2-Diabetes beim Menschen auf und tritt zunehmend häufiger auf, insbesondere bei übergewichtigen und adipösen Katzen (3, 4). Jüngsten Studien zufolge ist das Risiko, an DM zu erkranken, bei übergewichtigen Katzen bis zu viermal höher als bei normalgewichtigen Katzen (5), und aktuelle Ergebnisse zeigen zudem, dass das Risiko, an DM zu erkranken, umso größer ist, je länger eine Katze übergewichtig oder adipös ist (Abbildung 1) (6). Das schleichende Fortschreiten der Erkrankung führt oft zu hochgradigen Komplikationen – wie Ketoazidose, Neuropathie und sogar Tod –, wenn keine frühzeitige Diagnose und Behandlung erfolgt (7). Die Herausforderung für praktische Tierärzt*innen liegt in der Schwierigkeit, noch vor dem Auftreten klinischer Symptome vorherzusagen, welche Katzen gefährdet sind. Traditionelle diagnostische Methoden basieren auf der Beobachtung von Symptomen oder der Durchführung von Bluttests, nachdem sich die Erkrankung bereits klinisch entwickelt hat (Abbildung 2). Dieser reaktive Ansatz führt aber oft zu einer verzögerten Diagnose, erhöhten Behandlungskosten und letztlich zu einer Beeinträchtigung des Tierwohls.

Abbildung 2. Nach der Diagnose von Diabetes mellitus und während der Insulinbehandlung sind bei einer Katze regelmäßige Blutproben zur Überwachung des Blutzuckerspiegels erforderlich. Vorbeugen ist besser als heilen, und die Möglichkeit, gefährdete Katzen zu identifizieren, bevor sich die Erkrankung entwickelt, ist offensichtlich ein großer Vorteil für die Tiergesundheit und das Tierwohl. © Shutterstock

 

Das Versprechen der KI bei der Vorhersage von Erkrankungen

Künstliche Intelligenz bietet eine transformative Lösung für diese Herausforderung. Durch Analyse riesiger Datenmengen – von Patientenakten über Faktoren des Lebensstils und genetische Veranlagungen bis hin zu biometrischen Messungen – können KI-Algorithmen Muster und Risikofaktoren identifizieren, die der Beobachtung durch den Menschen entgehen können. Diese Fähigkeit ermöglicht die Entwicklung von Vorhersagemodellen, die die Wahrscheinlichkeit einer bestimmten Erkrankung bei einer individuellen Katze anhand einer Reihe von Daten wie den folgenden bewerten:

• Patientenakten: Historische Gesundheitsdaten, vorangegangene Diagnosen, Arzneimittelanamnese.
• Faktoren des Lebensstils: Ernährung, Aktivitätsniveau, Indoor oder Outdoor.
• Physikalische Messungen: Körpergewicht, Body Condition Score (BCS), Alter.
• Laborergebnisse: Blutglukose, Marker der Insulinsensitivität.
• Genetische Daten: Rasseprädispositionen, erbliche Faktoren.

Mit Hilfe dieser Daten können Forschende und Tierärzt*innen maschinelle Lernmodelle trainieren, eine Kombination von Faktoren zu erkennen, die das Risiko einer Krankheitsentwicklung erhöhen, noch bevor klassische klinische Symptome auftreten.

Einführung von DiabetesPredict

DiabetesPredict ist ein Algorithmus, der erkennen kann, ob eine Katze in den folgenden 3 oder 12 Monaten ein Risiko hat, an Diabetes zu erkranken. Der Algorithmus kann jederzeit angewendet werden und benötigt lediglich Daten aus einem einzigen Praxisbesuch; diese umfassen sowohl klinische Daten als auch Standard-Blutparameter (Abbildung 3). Entwickelt und validiert wurde der Algorithmus anhand von Banfield-Patientenakten aus den Jahren 2013 bis 2023, wobei Daten von 2.557.817 Katzen verwendet wurden, die in diesem Zeitraum 10.184.040 klinische Visiten absolvierten. Zusätzlich validiert wurde der Algorithmus mit Hilfe von Daten aus einer sekundären Quelle, nämlich Patientenakten von VCA-Kliniken (69.422 Katzen mit 116.306 Visiten zwischen 2017 und 2023). Bei der Entwicklung jeglicher Modelle ist die Validierung eines Algorithmus mit externen Datensätzen ein wichtiger Schritt, da das Modell auf diese Weise anhand separater Datensätze getestet wird, um sicherzustellen, dass es in verschiedenen Populationen zuverlässig funktioniert.

Die Leistungsfähigkeit des Modells wird anhand von Kennzahlen wie Genauigkeit, Sensitivität und Spezifität gemessen. DiabetesPredict erreicht eine Genauigkeitsrate von 96 % bei der Vorhersage des Diabetesrisikos über einen Zeitraum von drei Monaten, mit einer Sensitivität von 80 %, was bedeutet, dass das Modell 80 % der Katzen, die später an DM erkranken, korrekt identifizieren kann. Die Modelle weisen auch eine hohe Spezifität auf, was bedeutet, dass die Anzahl falsch-positiver Ergebnisse sehr gering ist, sodass es zu wenigen unnötigen Interventionen kommen sollte.

Abbildung 3. DiabetesPredict: Übersicht über die einzugebenden Werte und die Ergebnisse des Vorhersagemodells © John Flanagan/neu gezeichnet von Sandrine Fontègne.

Diätetische Empfehlungen nach DiabetesPredict

Zwar liegen derzeit keine validen Daten zum optimalen diätetischen Management von Katzen vor, bei denen ein Risiko für die Entwicklung von DM erkannt wurde, der gesunde Menschenverstand würde jedoch davon ausgehen, dass ähnliche diätetische Strategien wie bei Katzen mit klinischer DM geeignet sein dürften. Für eine Katze, bei der ein Risiko für die Entwicklung von DM in den folgenden 3 oder 12 Monaten festgestellt wurde, sollte demnach eine Veterinär-Diätnahrung mit einem geringen Gehalt an verdaulichen Kohlenhydraten empfohlen werden (zur Minimierung der postprandialen Glukose- und Insulinreaktionen). Bei Katzen mit gesunder Körperkondition sollte eine Gewichtszunahme sorgfältig vermieden werden, und Halter*innen sollten mit klaren Richtlinien zur Fütterung und zur Gewichtskontrolle für die Aufrechterhaltung eines gesunden Körpergewichts unterstützt werden. Die Nahrung für eine übergewichtige Katze sollte nicht nur einen geringen Gehalt an verdaulichen Kohlenhydraten aufweisen, sondern darüber hinaus auch für eine diätetische Gewichtsreduktion geeignet sein (um eine Gewichtsreduktionsrate von 0,5–2 % pro Woche zu erreichen, bis ein gesundes Zielgewicht erreicht ist). Ein 12-wöchiges Gewichtsreduktionsprogramm bei übergewichtigen diabetischen Katzen hat gezeigt, dass sich die Wahrscheinlichkeit einer Remission des Diabetes mellitus mehr als verdoppelt (8), und obwohl dies noch nicht bewiesen ist, dürfte eine Gewichtsreduktion bei Katzen in einem „prä-diabetischen“ Stadium ebenfalls sehr vorteilhaft sein, wenn es darum geht den Übergang zu klinischem DM zu verhindern. Bei untergewichtigen Katzen sollte schließlich eine Nahrung mit einem geringen Gehalt an verdaulichen Kohlenhydraten und einem erhöhten Energiegehalt bevorzugt werden, um eine Gewichtszunahme zu erreichen.

Katzenhalter*innen sollten zudem instruiert werden, auf mögliche klinische Symptome bei ihrem Tier zu achten, und nach 3–6 Monaten eine erneute Untersuchung durchführen zu lassen, um Daten für eine aktualisierte Berechnung mit dem DiabetesPredict-Algorithmus zu erheben.

Praktische Umsetzung in der tierärztlichen Praxis

Die Integration von KI-basierten Tools zur Risikoprognose in tierärztlichen Praxen kann nahtlos erfolgen und erhebliche Vorteile mit sich bringen (1). Tools wie DiabetesPredict können in bestehende elektronische Praxismanagement-Systeme eingebettet oder über spezielle Plattformen aufgerufen werden und ermöglichen so eine Risikobewertung in Echtzeit während der üblichen Routineuntersuchungen. Dies bietet sowohl Tierärzt*innen als auch Tierhalter*innen zahlreiche Vorteile:

• Frühzeitige Intervention: Die Identifizierung von Katzen mit hohem Risiko ermöglicht die frühzeitige Implementierung gezielter Präventionsmaßnahmen wie Gewichtsmanagement und/oder diätetische Modifikationen.
• Verbessertes Tierwohl: Ein frühzeitiges Erkennen und Management kann die Lebensqualität einer Katze verbessern, Leiden verringern und die Gesundheitsspanne verlängern.
• Reputation: Der Einsatz solcher Tools in der Praxis unterstreicht die Expertise der Tierärzt*innen, führt zu höherer Kundenfrequenz und stärkt die Kundenbindung.
• Kosteneinsparungen: Die Vorbeugung oder Verzögerung des Eintritts von Diabetes mellitus reduziert die langfristigen Behandlungskosten und verbessert die Wirtschaftlichkeit.

Schlussfolgerung

Derzeit können Tierärzt*innen das Risiko der Entstehung von Diabetes mellitus bei Katzen nicht vorhersagen, und Möglichkeiten für den Nachweis eines Prä-Diabetes bei der Katze gibt es nicht. Algorithmen wie DiabetesPredict bieten eine einzigartige Möglichkeit zu frühzeitigen Interventionen, um potenziell zu verhindern, dass Katzen mit bestehendem DM-Risiko einen klinischen Diabetes entwickeln. Das frühzeitige Erkennen eines erhöhten Diabetesrisikos kann darüber hinaus Aufschluss darüber geben, ob häufigere Blutuntersuchungen empfohlen werden sollten oder ob frühzeitige Modifikationen des Lebensstils, insbesondere über diätetische Strategien, eingeleitet werden sollten. In Zukunft werden KI-Modelle praktischen Tierärzt*innen als datengesteuerte Unterstützung dienen, die hilft, evidenzbasierte Entscheidungen für zahlreiche Erkrankungen zu treffen und die Abhängigkeit von subjektiven Beurteilungen zu verringern.

 

 

Literatur

1. Albergante L, O’Flynn C, De Meyer G. Artificial intelligence is beginning to create value for selected small animal veterinary applications while remaining immature for others. J. Am. Vet. Med. Assoc. 2025;263:388-394.
2. Osto M, Zini E, Reusch CE, et al. Diabetes from humans to cats. Gen. Comp. Endocrinol. 2013;182:48-53.
3. Scarlett JM, Donoghue S. Associations between body condition and disease in cats. J. Am. Vet. Med. Assoc. 1998;212:1725-1731.
4. O'Neill DG, Gostelow R, Orme C, et al. Epidemiology of diabetes mellitus among 193,435 cats attending primary-care veterinary practices in England. J. Vet. Intern. Med. 2016;30:964-972.
5. Verbrugghe A, Hesta M. Cats and carbohydrates: the carnivore fantasy? Vet. Sci. 2017;4:55.
6. Flanagan J, Kocevar G, Reinert B, et al. Association between prior obesity and development of feline diabetes mellitus: a pair-matched 1:3 case-control study. In: Proceedings, 35^th European Veterinary Internal Medicine-Companion Animals Congress 2025; Maastricht, the Netherlands.
7. Gilor C, Fleeman L. Diabetes mellitus in cats. In: Ettinger SJ, Feldman EC and Cote E (eds). Ettinger’s Textbook of Veterinary Internal Medicine. eBook: Elsevier, 2024;292.
8. Jørgensen FK, Kieler IN, Xia D, et al. Effect of 12-week, intentional caloric restriction, using a novel therapeutic diabetic diet suitable for weight reduction, on glycemic control in overweight cats with diabetes mellitus: an international prospective, randomized clinical trial. In: Proceedings, 35^th European Congress of Veterinary Internal Medicine for Companion Animals 2025; Maastricht, the Netherlands.