Ein Vorhersagemodell auf Basis nationaler Gesundheitsdaten identifiziert zwei Untergruppen von Patienten mit chronischer Nierenerkrankung, deren Hörverlust-Prävalenz sich drastisch unterscheidet – und ermöglicht so ein gezieltes Screening.

Hörverlust und chronische Nierenerkrankung (CKD) haben gemeinsame Risikofaktoren und könnten über Entzündungsprozesse und gemeinsame Stoffwechselwege miteinander verbunden sein. Doch nicht alle Nierenkranken entwickeln gleich häufig einen Hörverlust. Eine neue Studie mit maschinellem Lernen auf Basis der Daten von 3,402 CKD-Patienten zeigt, dass sich mithilfe von Risikostratifizierung und Clustering-Verfahren erkennen lässt, welche Patienten das höchste Risiko tragen. Das könnte in dieser gefährdeten Gruppe eine frühere Hördiagnostik und Behandlung ermöglichen.

Die renal-cochleäre Achse ist ein neues Forschungsfeld in der Medizin. Es geht von der Erkenntnis aus, dass die Gesundheit von Nieren und Ohren über gemeinsame Mechanismen eng miteinander verknüpft ist. Beide Organe sind auf eine präzise Regulierung der Durchblutung, ein ausgeglichenes Ionengleichgewicht und die Abwesenheit systemischer Entzündungen angewiesen. CKD stört diese Prozesse – und wirft die Frage auf: Lässt sich vorhersagen, welche Nierenpatienten einen Hörverlust entwickeln werden?

Hintergrund: die Verbindung zwischen Niere und Ohr

Von einer chronischen Nierenerkrankung sind weltweit etwa 10 Prozent der Bevölkerung betroffen; sie ist eine der Hauptursachen für vorzeitige Erkrankungen und Todesfälle. Unter CKD-Patienten ist Hörverlust überdurchschnittlich häufig, doch warum manche Patienten eine Hörminderung entwickeln und andere nicht, ist nach wie vor unklar. Die Forschenden vermuteten, dass maschinelles Lernen verborgene Muster in Patientendaten aufdecken könnte, die Untergruppen mit niedrigem und hohem Risiko voneinander unterscheiden.

Das Team nutzte Daten des National Health and Nutrition Examination Survey (NHANES), einer großen, landesweit repräsentativen Stichprobe der US-Bevölkerung, um Vorhersagemodelle zu entwickeln und zu validieren. Ziel war es, sowohl ein robustes Risikoklassifikationsmodell als auch ein webbasiertes Tool zu schaffen, mit dem Ärztinnen und Ärzte Hochrisikopatienten erkennen können, die eine Hördiagnostik erhalten sollten.

So wurde die Studie durchgeführt

Aus den Daten von 3,402 CKD-Patienten extrahierten die Forschenden 31 mögliche Prädiktorvariablen aus den Bereichen Demografie, Biochemie und Lebensstil. Mit einer LASSO-Regression wählten sie die aussagekräftigsten Merkmale aus und testeten anschließend neun Algorithmen des maschinellen Lernens, um das optimale Vorhersagemodell zu entwickeln. Als bester Algorithmus erwies sich XGBoost mit einer Genauigkeit von 98.4 Prozent in den Trainingsdaten und 93.9 Prozent in unabhängigen Testdaten.

Anschließend wendeten sie Gaußsche Mischmodelle (GMM) an, ein unüberwachtes Clustering-Verfahren, um unterschiedliche Patienten-Subphänotypen zu identifizieren. Dabei zeigten sich zwei natürliche Cluster: eine Gruppe mit niedrigem und eine mit hohem Risiko, die sich in ihren klinischen Profilen unterschieden, etwa beim Alter, bei Markern der Nierenfunktion und beim Elektrolythaushalt.

Was die Forschenden herausgefunden haben

Die Hochrisikogruppe umfasste 2,316 Patienten (68 Prozent der Kohorte) und war durch höheres Alter, erhöhten Harnstoff-Stickstoff im Blut und erhöhte Bicarbonatwerte gekennzeichnet. Bemerkenswert: 48.2 Prozent der Patienten im Hochrisiko-Cluster hatten einen Hörverlust, verglichen mit nur 1.58 Prozent im Niedrigrisiko-Cluster mit 1,075 Patienten. Dieser auffällige 30-fache Unterschied zeigt, dass maschinelles Lernen klinisch bedeutsame Patientengruppen mit stark unterschiedlichem Krankheitsrisiko aufdecken kann.

Eine SHAP-Analyse (SHapley Additive exPlanations), eine Methode zur Interpretation komplexer Modelle des maschinellen Lernens, identifizierte das Alter als wichtigsten Risikofaktor, gefolgt von weiteren renalen und systemischen Markern. Diese Erklärbarkeit ist entscheidend für den Einsatz in der Klinik, denn Ärztinnen und Ärzte müssen nachvollziehen können, warum ein Modell zu seinen Vorhersagen kommt.

Außerdem entwickelte das Team ein webbasiertes Tool, das nur die sechs einflussreichsten Merkmale verwendet. So können auch vielbeschäftigte Ärztinnen und Ärzte die Daten schnell eingeben und für jeden CKD-Patienten in Echtzeit eine Risikoeinschätzung für Hörverlust erhalten.

Was das für Menschen mit Nierenerkrankungen bedeutet

Für CKD-Patienten legt diese Arbeit nahe, dass eine Hördiagnostik Teil der Routineversorgung werden sollte – insbesondere bei höherem Alter, erhöhtem Harnstoff-Stickstoff oder Elektrolytstörungen. Eine frühe Erkennung ermöglicht eine Behandlung, bevor der Hörverlust so stark wird, dass er die Kommunikation und die Lebensqualität beeinträchtigt. Mit einem Vorhersagetool können Ärztinnen und Ärzte das Hör-Screening gezielt bei denjenigen einsetzen, die am wahrscheinlichsten davon profitieren.

Das durch maschinelles Lernen ermöglichte gezielte Screening ist besonders wertvoll in ressourcenarmen Umgebungen, in denen Hörtests nur begrenzt verfügbar sind. Indem die 68 Prozent der CKD-Patienten in der Hochrisikogruppe identifiziert werden, können Gesundheitssysteme ihre Ressourcen für die Hördiagnostik effizienter einsetzen.

Warum sich selbstanpassbare Technik für Hochrisikopatienten eignet

CKD-Patienten haben häufig mehrere Begleiterkrankungen, komplexe Medikamentenpläne und zahlreiche Arzttermine. Zusätzliche Termine bei spezialisierten Audiologen in einen ohnehin vollen Kalender einzuplanen, ist organisatorisch schwierig. Rezeptfreie Hörgeräte ermöglichen einen schnelleren Zugang zur Hörverstärkung, ohne dass weitere Praxistermine nötig sind.

Panda Quantum umfasst einen klinisch abgestimmten, 10-minütigen Online-Hörtest, den CKD-Hochrisikopatienten bequem zu Hause durchführen können. Anschließend lässt sich das Gerät per App an reale Hörsituationen anpassen. Dank Bluetooth sind Freisprech-Telefonate und das Streaming vom Smartphone direkt aufs Hörgerät möglich – besonders praktisch für Patienten, die ihre Gesundheitsversorgung während oder zwischen Praxisbesuchen per Telemedizin organisieren. Die Gesamtakkulaufzeit von 80 Stunden mit Ladeetui und die 5-jährige Garantie sorgen für Sicherheit bei Patienten mit komplexen medizinischen Bedürfnissen. Entdecken Sie Panda Quantum.

Grenzen dieser Studie

Die Studie verwendete NHANES-Daten, also eine Stichprobe der US-Bevölkerung, die sich möglicherweise nicht weltweit verallgemeinern lässt. Aufgrund des Querschnittsdesigns lassen sich keine Kausalzusammenhänge belegen. Der klinische Nutzen des Modells muss noch in prospektiven Studien mit unabhängigen CKD-Kohorten bestätigt werden.

Was bleibt

Werkzeuge der Präzisionsmedizin wie dieses Modell des maschinellen Lernens können grundlegend verändern, wie wir mit Hörverlust bei chronischen Erkrankungen umgehen. Indem wir Hochrisikogruppen erkennen, ermöglichen wir eine frühere Behandlung und einen besseren Einsatz begrenzter Ressourcen.

Chen L, Wang J, Liu G, et al. Decoding the renal-cochlear axis: explainable machine learning and phenotype clustering reveal high-risk hearing loss subtypes in CKD. Renal Failure. 2026 Apr 21;48(1):2649658. Abgerufen über PubMed. DOI: 10.1080/0886022X.2026.2649658