OBSCORE: Das KI-Tool, das Adipositas-Krankheitsrisiko neu bewertet

Wissenschaftler haben ein datengetriebenes Vorhersagemodell namens OBSCORE entwickelt und validiert, das auf Basis von fast 200.000 Teilnehmern der UK Biobank-Studie erstmals ermöglicht, gefährdete übergewichtige und adipöse Personen mit deutlich höherer Präzision zu identifizieren als bislang übliche BMI-basierte Methoden, und das Gesundheitssystemen eine gezieltere, effizientere Ressourcenallokation bei Gewichtsreduktionsinterventionen erlaubt.

Adipositas als globale Belastung: Zahlen, die zum Handeln zwingen

Adipositas ist keine bloße Frage des Körpergewichts. Sie ist eine chronische, pathologische Erkrankung mit weitreichenden Konsequenzen für Stoffwechsel, Herz-Kreislauf-System und mechanische Organfunktionen. Dazu zählen Typ-2-Diabetes, kardiovaskuläre Erkrankungen und obstruktive Schlafapnoe.

Adipositasbedingte Komplikationen verursachen weltweit rund 5 Millionen Todesfälle und 130 Millionen behinderungsbereinigte Lebensjahre (Disability-Adjusted Life Years, DALYs) pro Jahr, was einer Verdreifachung seit 1990 entspricht. Diese Zahlen verdeutlichen das strukturelle Versagen bisheriger Früherkennungs- und Behandlungsstrategien.

In westlichen Bevölkerungen gelten 60 bis 70 Prozent der Erwachsenen als übergewichtig oder adipös. Die flächendeckende pharmakologische Behandlung dieser Gruppe ist weder logistisch noch wirtschaftlich realistisch.

Warum der BMI als Risikomaß unzureichend ist

Der Body-Mass-Index (BMI) ist seit Jahrzehnten das Standardinstrument zur Klassifikation von Übergewicht und Adipositas. Doch seine Schwächen sind gut dokumentiert: Er erfasst weder Körperfettverteilung, noch metabolische Risikoprofile oder individuelle Vorerkrankungen zuverlässig.

Die alleinige Abhängigkeit vom BMI ist für eine robuste Risikostratifizierung unzureichend, und ein validiertes, datengetriebenes Rahmenwerk für eine risikobasierte Intervention fehlte bisher.

Neue pharmakologische Wirkstoffe wie Tirzapetid, die auf den Glucagon-ähnlichen Peptid-1- (GLP-1) und den glukoseabhängigen insulinotropen Polypeptid-Weg (GIP) wirken, haben sich als hochwirksam in der Behandlung von Adipositas und ihren Komorbiditäten erwiesen. Doch gerade wegen ihrer Wirksamkeit und der hohen Behandlungskosten braucht es präzisere Kriterien, wer von einer frühen Intervention am meisten profitiert.

OBSCORE: Entstehung und methodischer Ansatz

Die im Mai 2026 in Nature Medicine veröffentlichte Studie stellt OBSCORE vor, ein maschinelles Lernmodell zur Vorhersage des individuellen Risikos für adipositasbedingte Erkrankungen.

Die Datenbasis: UK Biobank

Die Studie nutzte die UK Biobank, eine prospektive, bevölkerungsbasierte Untersuchung mit rund 500.000 in Großbritannien lebenden Personen im Alter von 40 bis 69 Jahren.

Von diesen erfüllten 197.264 Personen die Einschlusskriterien, die an den SURMOUNT-1-Trial angelehnt waren: Erwachsene mit einem BMI ≥ 27 kg/m² wurden eingeschlossen, mit oder ohne Begleiterkrankungen. Das Medianalter lag bei 58 Jahren; davon waren 97.421 übergewichtig und 99.843 adipös.

Maschinelles Lernen und Merkmalsselektion

Ein zweistufiges maschinelles Lernverfahren kombinierte LASSO zur Merkmalsselektion und ein regularisiertes Cox-Modell zur Optimierung und Validierung, wobei jeweils die 20 stärksten Prädiktoren pro Komplikation berücksichtigt wurden.

Von 2.390 Kandidatenprädiktorvariablen verblieben nach Entfernung hoch korrelierter Variablen 2.078 für die weitere Analyse.

Externe Validierung

Das Modell wurde extern in der EPIC-Norfolk-Kohorte für eine Auswahl von Endpunkten sowie in der Genes-&-Health-Studie, die britische Personen pakistanischer und bangladeschischer Herkunft umfasst, für Typ-2-Diabetes validiert. Diese Validierung stärkt die Übertragbarkeit des Modells auf unterschiedliche Bevölkerungsgruppen.

Was OBSCORE vorhersagt, und wie

18 Komplikationen über zehn Jahre

Über einen Zeitraum von zehn Jahren wurden 18 adipositasbedingte Komplikationen erfasst; Arthropathie und Hypertonie gehörten zu den häufigsten, und insgesamt wurden 9.337 Todesfälle registriert.

Die stärksten Prädiktoren

Allgemeine Gesundheitsparameter, Verhaltensmerkmale und klinische Blutbiomarker lieferten die beste Vorhersageleistung; polygene Scores schnitten am schwächsten ab.

Die Einbeziehung klinischer Daten wie Diagnosen, Medikationen und Bluttests verbesserte die Vorhersagegenauigkeit erheblich. Komplexere Marker wie Metaboliten oder genetische Informationen brachten hingegen für die meisten Endpunkte keinen wesentlichen Mehrwert.

Stärken nach Krankheitsbild

Die stärkste Vorhersageleistung zeigte sich für Erkrankungen wie Gicht, chronische Nierenerkrankung und Typ-2-Diabetes; für bestimmte Erkrankungen wie das Hiatushernie blieb die Vorhersage schwierig.

OBSCORE versus BMI: Ein klarer Vorteil

Das zentrale Ergebnis der Studie ist eindeutig: OBSCORE übertrifft den BMI als Risikoindikator in nahezu allen untersuchten Bereichen.

OBSCORE übertraf BMI-basierte Ansätze und Modelle auf Basis etablierter Risikoscores wie ASCVD und SCORE2 konsistent, insbesondere für nicht-kardiovaskuläre Erkrankungen wie Typ-2-Diabetes und Schlafapnoe.

Besonders bedeutsam: Viele als Hochrisikopatient klassifizierte Personen waren übergewichtig und nicht adipös, was die Grenzen einer ausschließlichen BMI-Nutzung zur Risikobeurteilung offenlegt.

Das Risiko variierte innerhalb von BMI-Kategorien erheblich, und OBSCORE bot eine deutlich stärkere Differenzierung zwischen Hoch- und Niedrigrisikogruppen als der BMI allein.

Was das in der Praxis bedeutet

• Patienten mit einem BMI unter der Adipositasschwelle könnten ein höheres Krankheitsrisiko tragen als solche mit einem höheren BMI
• Ressourcen für teure Behandlungen wie GLP-1-Agonisten lassen sich gezielter einsetzen
• Das Modell ist sensibel gegenüber Veränderungen nach Intervention und kann Behandlungserfolge abbilden

Reaktion auf medikamentöse Therapie

Die Studie testete OBSCORE auch im Kontext des SURMOUNT-1-Trials, einer klinischen Studie zum Wirkstoff Tirzapetid.

Tirzapetid reduzierte Körpergewicht und Taille-zu-Körpergröße-Verhältnis in allen OBSCORE-Risikogruppen ähnlich stark; Hochrisikopersonen verzeichneten im Durchschnitt größere absolute Reduktionen, wenn auch mit etwas kleineren relativen Werten.

Nach der Behandlung sanken die OBSCORE-Risikoschätzungen in allen Tirzapetid-Gruppen signifikant, was zeigt, dass das Modell auf Veränderungen des vorhergesagten Risikos nach einer Intervention reagiert.

Grenzen und nächste Schritte

Trotz vielversprechender Ergebnisse benennt die Studie relevante Einschränkungen, die für eine korrekte Einordnung der Befunde wesentlich sind.

• Der Fokus liegt auf überwiegend mittelalten bis älteren Teilnehmern
• Die UK-Biobank-Bevölkerung ist im Durchschnitt gesünder als die Allgemeinbevölkerung
• Aus elektronischen Gesundheitsakten abgeleitete Ergebnisse können Verzerrungen aufweisen
• Die Vorhersageleistung ist für bestimmte Erkrankungen wie Refluxkrankheit (GERD) und Arthropathie eingeschränkt
• Die identifizierten Prädiktoren sind nicht notwendigerweise kausal und bedürfen weiterer Validierung in diversen Bevölkerungsgruppen

Weitere Validierung, Kalibrierung und die Definition klinisch bedeutsamer Risikoschwellen sind erforderlich, bevor das Modell routinemäßig in der klinischen Praxis eingesetzt werden kann.

Dieser Beitrag beschäftigt sich mit einem medizinischen Thema, einem Gesundheitsthema oder einem oder mehreren Krankheitsbildern. Dieser Artikel dient nicht der Selbst-Diagnose und ersetzt auch keine Diagnose durch einen Arzt oder Facharzt. Bitte lesen und beachten Sie hier auch den Hinweis zu Gesundheitsthemen!

Häufig gestellte Fragen (FAQs)

Was ist OBSCORE und wie unterscheidet es sich vom BMI? OBSCORE ist ein maschinell lernbasiertes Risikovorhersagemodell, das 20 klinisch verfügbare Merkmale kombiniert, um das individuelle Risiko für 18 adipositasbedingte Erkrankungen zu bestimmen. Im Gegensatz zum BMI, der lediglich Körpermasse und Körpergröße ins Verhältnis setzt, berücksichtigt OBSCORE Blutbiomarker, Diagnosen, Medikationen und allgemeine Gesundheitsparameter.

Für welche Erkrankungen ist die Vorhersagekraft am stärksten? Die besten Vorhersageergebnisse zeigte OBSCORE für Gicht, chronische Nierenerkrankung und Typ-2-Diabetes. Diese Erkrankungen werden stark durch klinische Blutparameter beeinflusst, die im Modell besonders stark gewichtet werden.

Kann OBSCORE bereits in der ärztlichen Praxis eingesetzt werden? Noch nicht routinemäßig. Das Modell wurde in zwei externen Kohorten validiert und zeigte robuste Ergebnisse. Vor einem breiten klinischen Einsatz sind jedoch weitere Validierungen in diversen Bevölkerungsgruppen sowie die Definition klinisch relevanter Risikogrenzwerte notwendig. Die Autoren entwickelten aber bereits ein interaktives Online-Tool für personalisierte Risikoschätzungen.

Welche Daten benötigt OBSCORE für eine Risikoeinschätzung? Das Modell nutzt 20 klinisch verfügbare Merkmale; dazu gehören allgemeine Gesundheitsparameter, Verhaltensmerkmale sowie standardmäßig erhobene Blutbiomarker. Komplexe genetische Analysen oder Metabolomik-Daten sind für die Grundfunktion des Modells nicht erforderlich.

Profitieren übergewichtige Personen (BMI < 30) ebenfalls von OBSCORE? Ja, das ist eines der wichtigsten Ergebnisse der Studie. Viele Personen, die OBSCORE als Hochrisiko klassifiziert, hatten lediglich Übergewicht und keinen klinisch adipösen BMI. Das Modell zeigt damit, dass die alleinige Konzentration auf adipöse Patienten eine relevante Hochrisikogruppe systematisch übersieht.

Welche Rolle spielen genetische Daten für die Vorhersage? Eine untergeordnete Rolle. Polygene Risikoscores, die auf Hunderten oder Tausenden genetischer Varianten basieren, schnitten im Vergleich zu klinischen Standarddaten am schwächsten ab. Das ist eine methodisch bedeutsame Aussage: Teure Genanalysen sind für eine präzise Risikoeinschätzung bei Adipositas offenbar nicht zwingend erforderlich.

Kann OBSCORE den Behandlungserfolg abbilden? Ja. Im Kontext des SURMOUNT-1-Trials sank der OBSCORE-Risikowert nach Tirzapetid-Behandlung signifikant in allen Behandlungsgruppen. Das Modell ist also nicht nur für die Eingangsdiagnostik, sondern potenziell auch für die Verlaufsbeurteilung geeignet.

Quellen

Demircan, K., et al. (2026). Data-driven prioritization of high-risk individuals for weight loss interventions. Nature Medicine, 1–11. https://doi.org/10.1038/s41591-026-04353-2

Bose, P. (2026, 5. Mai). A new tool that predicts obesity-related disease risk beyond BMI. News-Medical. https://www.news-medical.net/news/20260505/A-new-tool-that-predicts-obesity-related-disease-risk-beyond-BMI.aspx

GBD 2021 Causes of Death Collaborators. (2024). Global burden of 288 causes of death and life expectancy decomposition in 204 countries and territories and 811 subnational locations, 1990–2021. The Lancet, 403(10440), 2100–2132. https://doi.org/10.1016/S0140-6736(24)00367-2

World Health Organization. (2024). Obesity and overweight [Fact sheet]. https://www.who.int/news-room/fact-sheets/detail/obesity-and-overweight

Jastreboff, A. M., et al. (2022). Tirzapetide once weekly for the treatment of obesity. New England Journal of Medicine, 387(3), 205–216. https://doi.org/10.1056/NEJMoa2206038

Wilding, J. P. H., et al. (2021). Once-weekly glp in adults with overweight or obesity. New England Journal of Medicine, 384(11), 989–1002. https://doi.org/10.1056/NEJMoa2032183

Yengo, L., et al. (2022). A saturated map of common genetic variants associated with human height. Nature, 610, 704–712. https://doi.org/10.1038/s41586-022-05275-y

Sudlow, C., et al. (2015). UK Biobank: An open access resource for identifying the causes of a wide range of complex diseases of middle and old age. PLOS Medicine, 12(3), e1001779. https://doi.org/10.1371/journal.pmed.1001779

Day, N., et al. (1999). EPIC-Norfolk: Study design and characteristics of the cohort. British Journal of Cancer, 80(Suppl 1), 95–103. https://doi.org/10.1038/sj.bjc.6690066