Neurodegenerative Erkrankungen wie Alzheimer, Parkinson, amyotrophe Lateralsklerose (ALS) und Huntington betreffen weltweit Dutzende von Millionen Menschen. Diese Erkrankungen haben ein gemeinsames Kennzeichen: fortschreitender Verlust der Struktur oder Funktion von Neuronen, was zu kognitivem Verfall, motorischer Beeinträchtigung und schließlich zum Tod führt. Die Vorhersage der Entwicklung solcher Krankheiten bleibt eine der größten Herausforderungen in der modernen Medizin. Genaue Vorhersagen könnten eine frühere Diagnose, personalisiertere Behandlungspläne und effizientere klinische Studien ermöglichen. Physiologische Modellierung – die Erstellung detaillierter, datengesteuerter Computersimulationen biologischer Systeme – hat sich als ein leistungsfähiges Werkzeug zur Bewältigung dieser Herausforderung herausgestellt. Durch die Integration multimodaler Patientendaten können diese Modelle simulieren, wie das Nervensystem funktioniert und sich im Laufe der Zeit verschlechtert, und bieten Erkenntnisse, die keine einzelne Datenquelle allein liefern kann.

Das Ausmaß der Herausforderung der neurodegenerativen Krankheit

Mehr als 55 Millionen Menschen leben weltweit mit Demenz, wobei Alzheimer 60 bis 70 % der Fälle ausmacht. Parkinson betrifft weltweit etwa 10 Millionen Menschen und ALS etwa 200.000 bis 300.000 Menschen. Die wirtschaftliche Belastung beläuft sich auf Hunderte Milliarden Dollar jährlich, und die derzeitigen Behandlungen sind eher symptomatisch als krankheitsmodifizierend. Ein Grund für das langsame Tempo der therapeutischen Durchbrüche ist die Heterogenität dieser Krankheiten: Patienten mit derselben klinischen Diagnose können sehr unterschiedliche Progressionsraten, Biomarkerprofile und Reaktionen auf Therapien aufweisen.

Das traditionelle Design klinischer Studien berücksichtigt diese Heterogenität oft nicht, was zu hohen Ausfallraten und enormen Kosten führt. Physiologische Modellierung bietet eine Möglichkeit, Patienten zu schichten, Studienergebnisse zu simulieren und die vielversprechendsten Interventionen zu identifizieren, bevor teure Studien am Menschen beginnen. Zum Beispiel hat die Alzheimer-Krankheit Neuroimaging Initiative (ADNI) Längsschnittdaten von Tausenden von Probanden gesammelt, was die Grundlage für viele Modellierungsbemühungen bildet. Modelle, die ADNI-Daten mit mechanistischem Wissen über Amyloid- und Tau-Pathologie kombinieren, konnten den kognitiven Rückgang Jahre im Voraus mit mäßiger Genauigkeit vorhersagen.

Einführung in die Physiologische Modellierung

Physiologische Modellierung ist ein Zweig der Computerbiologie, der das Verhalten biologischer Systeme mit mathematischen Gleichungen und Algorithmen nachbildet. Im Gegensatz zu rein statistischen oder maschinellen Lernansätzen betten physiologische Modelle Vorkenntnisse über Anatomie, Physiologie und Krankheitsmechanismen ein. Dies ermöglicht es ihnen, über die Trainingsdaten hinaus zu extrapolieren und Vorhersagen unter noch nicht beobachteten Bedingungen zu treffen - ein entscheidender Vorteil bei der Untersuchung seltener oder langsam fortschreitender Krankheiten.

Der Modellierungsprozess umfasst typischerweise mehrere Schritte:

  1. Systemspezifikation: Definieren Sie die Schlüsselkomponenten des biologischen Systems (z. B. Gehirnregionen, neuronale Schaltkreise, molekulare Pfade).
  2. Parameteridentifikation: Schätzwerte für Modellparameter unter Verwendung von klinischen Daten, Bildgebung oder Laborexperimenten.
  3. Simulation und Validierung: Führen Sie das Modell aus, um Vorhersagen zu erzeugen und vergleichen Sie sie mit beobachteten Ergebnissen in unabhängigen Datensätzen.
  4. Refinement: Iterativ Anpassung der Modellstruktur und Parameter, um die Genauigkeit zu verbessern.

Physiologische Modelle können mechanistisch (auf der Grundlage der ersten Prinzipien der Biologie), datengesteuert (unter Berufung auf maschinelles Lernen, um Muster zu entdecken) oder hybrid (durch Kombination beider Ansätze) sein, die Auswahl hängt von den verfügbaren Daten, der zu modellierenden biologischen Komplexität und der klinischen Frage ab.

Mechanistische Modelle

Mechanistische Modelle repräsentieren biologische Prozesse auf zellulärer und molekularer Ebene. Bei neurodegenerativen Erkrankungen könnten diese Modelle die Produktion, Aggregation und Clearance fehlgefalteter Proteine wie Amyloid-beta und Tau bei Alzheimer oder Alpha-Synuclein bei Parkinson simulieren. Sie verwenden oft gewöhnliche Differentialgleichungen (ODE) oder partielle Differentialgleichungen (PDEs), um zu beschreiben, wie sich Konzentrationen von Schlüsselarten im Laufe von Zeit und Raum verändern. Ein bekanntes Beispiel ist das "prionenähnliche" Ausbreitungsmodell, das die Hypothese aufstellt, dass sich pathologische Proteine entlang neuronaler Pfade von Zelle zu Zelle ausbreiten. Durch die Integration von Konnektivitätskarten aus der Diffusionstensor-Bildgebung (DTI) können solche Modelle die Ausbreitung von Tau-Verwirren im Gehirn vorhersagen und mit dem kognitiven Verfall korrelieren.

Diese Modelle sind leistungsfähig, weil sie kausale Erklärungen bieten: Wenn eine bestimmte Proteinaggregationsrate verändert wird, kann das Modell nachgelagerte Auswirkungen auf den neuronalen Tod und den Funktionsverlust vorhersagen, erfordern jedoch detaillierte Kenntnisse der zugrunde liegenden Biologie und viele Parameter, die bei einzelnen Patienten schwer zu messen sind.

Datengestützte Modelle

Datengesteuerte Modelle verwenden Algorithmen des maschinellen Lernens, um Muster direkt aus großen Datensätzen ohne explizite Darstellung biologischer Mechanismen zu lernen. Techniken wie zufällige Wälder, unterstützen Vektormaschinen und tiefe neuronale Netzwerke wurden angewendet, um kognitive Werte, motorische Funktionsabnahme oder Umwandlung von leichter kognitiver Beeinträchtigung (MCI) zu Alzheimer-Demenz vorherzusagen. Die Parkinson-Progressionsmarker-Initiative (PPMI) bietet reiche Datensätze von klinischen Werten, Bildgebung und Biospezimen, die verwendet wurden, um viele solcher Modelle zu trainieren.

Deep-Learning-Modelle, insbesondere rezidivierende neuronale Netze (RNNs) und Transformator-Architekturen, können longitudinale Daten verarbeiten und komplexe zeitliche Abhängigkeiten erfassen. So kann ein auf ADNI-Daten trainiertes Modell beispielsweise eine Sequenz von MRT-Scans und kognitiven Testergebnissen über drei Jahre hinweg aufnehmen und den klinischen Demenz-Rating-Wert (CDR) des Patienten zwei Jahre in der Zukunft mit angemessener Genauigkeit vorhersagen. Die Haupteinschränkung besteht darin, dass sich diese Modelle oft wie "Black Boxes" verhalten, was es schwierig macht, die Eigenschaften von Antriebsvorhersagen zu interpretieren oder auf Populationen zu verallgemeinern, die in den Trainingsdaten nicht vertreten sind.

Hybridmodelle

Hybridmodelle versuchen, die Interpretierbarkeit und kausale Struktur mechanistischer Modelle mit der Flexibilität und Leistungsfähigkeit des maschinellen Lernens zu kombinieren. In einem typischen hybriden Rahmen behandelt ein mechanistischer Kern die bekannte Biologie (z. B. Proteinaggregationsdynamik), während eine Komponente des maschinellen Lernens unbekannte oder schwer zu modellierende Beziehungen lernt (z. B. die Wirkung von Komorbiditäten oder genetischem Hintergrund). Dieser Ansatz kann die Vorhersagegenauigkeit verbessern und gleichzeitig die biologische Plausibilität erhalten.

Ein bemerkenswertes Hybridmodell für die Alzheimer-Krankheit ist das von Wissenschaftlern der Universität Cambridge und des Alan Turing Institute entwickelte „Alzheimer’s Disease Progression Model. Es verbindet ein Differentialgleichungsmodell der Amyloid- und Tau-Akkumulation mit einem statistischen Modell des kognitiven Verfalls. Bei Validierung mit ADNI-Daten übertraf es sowohl die rein mechanistischen als auch die rein datengetriebenen Versionen, insbesondere bei der Vorhersage der Zeit bis zur Umwandlung von MCI in Demenz.

Anwendungen in der Krankheitsprogression

Physiologische Modelle werden im gesamten Spektrum neurodegenerativer Erkrankungen angewendet, um wichtige klinische und Forschungsfragen zu beantworten.

Alzheimer-Krankheit

Bei Alzheimer wurden Modelle verwendet, um die zeitliche Abfolge von Biomarkeränderungen zu simulieren. Das klassische Modell der „Jack-Kaskade postuliert, dass die Amyloid-Akkumulation Jahrzehnte vor den Symptomen beginnt, gefolgt von Tau-Ablagerung, Neurodegeneration und kognitivem Verfall. Physiologische Modellierung ermöglicht es Forschern, Variationen dieser Kaskade zu testen und zu identifizieren, welche Biomarker in jedem Stadium am prädiktivsten sind. Zum Beispiel verwendete eine kürzlich in Nature Communications veröffentlichte Studie ein bayessches mechanistisches Modell, um zu zeigen, dass Tau-PET-Bildgebung in Kombination mit kognitiven Ausgangswerten den jährlichen kognitiven Verfall genauer vorhersagen könnte als Amyloid-PET oder MRT allein.

Arzneimittelentwickler verwenden diese Modelle zur Simulation klinischer Studien. Durch die Definition virtueller Patientenpopulationen mit unterschiedlichen Ausgangseigenschaften können sie bewerten, wie unterschiedliche Studiendesigns (z. B. Einschreibungskriterien, Endpunktauswahl, Behandlungsdauer) die Erfolgswahrscheinlichkeit beeinflussen. Dieser in-silico-Ansatz wurde zur Optimierung von Studien für Anti-Amyloid-Therapien wie Aducanumab und Lecanemab verwendet.

Parkinson-Krankheit

Parkinson stellt aufgrund des Zusammenspiels zwischen motorischen Symptomen, nicht motorischen Symptomen (z. B. Schlafstörungen, affektiven Störungen) und dem fortschreitenden Verlust dopaminerger Neuronen in der Substantia nigra einzigartige Herausforderungen bei der Modellierung dar. Physiologische Modelle von Parkinson beinhalten oft den Basalganglienkreislauf - das Gehirnnetzwerk, das für die motorische Kontrolle verantwortlich ist. Durch die Simulation der Wirkung des Dopaminabbaus auf die Abfeuerungsraten verschiedener Kerne können diese Modelle den Beginn und die Schwere von Bradykinesie, Starrheit und Tremor vorhersagen.

In jüngerer Zeit wurden Modelle erweitert, um die Rolle der Alpha-Synuclein-Pathologie und Darm-Hirn-Achsenhypothesen einzubeziehen. Zum Beispiel kombiniert ein an der Universität Oxford entwickeltes Hybridmodell ein Differentialgleichungsmodell von Alpha-Synuclein, das durch den Vagusnerv verteilt wird, mit einer datengesteuerten Komponente, die die motorische und nicht motorische Symptomprogression anhand von Patientendaten aus PPMI vorhersagt. Das Modell prognostizierte erfolgreich frühe nichtmotorische Symptome Jahre vor der Diagnose in einer retrospektiven Validierungsstudie.

Amyotrophe Lateralsklerose

Da die Krankheit schnell fortschreitet (mittleres Überleben von 2-5 Jahren), ist die Vorhersage des Fortschreitens für die klinische Versorgungsplanung und das Studiendesign von entscheidender Bedeutung. Physiologisch basierte Modelle von ALS simulieren oft die Ausbreitung der TDP-43-Pathologie entlang des Kortikuspinaltrakts sowie den Verlust motorischer Einheiten, gemessen durch Elektromyographie (EMG).

Ein einflussreiches Modell, das "ALS Functional Rating Scale-Revised (ALSFRS-R) Progressionsmodell", verwendet einen latenten Prozessansatz, um den Rückgang in verschiedenen funktionellen Domänen (Bulbar, Feinmotor, Grobmotor, Atmung) zu erfassen. In Kombination mit Maßnahmen der Krankheitsausbreitung, die von einem neuronalen Netzwerk vorhergesagt werden, kann das Modell die Zeit bis zu wichtigen Meilensteinen wie dem Verlust der Ambulation oder dem Bedarf an nicht-invasiver Beatmung mit größerer Genauigkeit vorhersagen als einfache lineare Regression.

Huntington-Krankheit

Huntington ist eine monogene Erkrankung, die durch eine erweiterte CAG-Wiederholung im HTT-Gen verursacht wird. Die genetische Ursache ist bekannt, was sie zu einem idealen Testfall für physiologische Modellierung macht. Modelle der Huntington-Progression verwenden typischerweise die CAG-Wiederholungslänge als Schlüsselparameter, der das Alter bei Beginn und der Rate der Caudatatrophie beeinflusst. Durch die Einbeziehung von Längsschnittdaten aus den PREDICT-HD- und TRACK-HD-Studien haben Forscher mechanistische Modelle erstellt, die die Akkumulation von mutiertem Huntingtin-Protein, mitochondrialer Dysfunktion und striatalem Neuronenverlust simulieren. Diese Modelle wurden verwendet, um die mögliche Wirkung von Gen-Silencing-Therapien zu simulieren und klinische Studien für Behandlungen zu entwerfen, die darauf abzielen, die Progression zu verlangsamen.

Vorteile und Auswirkungen der physiologischen Modellierung

Physiologische Modellierung bietet mehrere konkrete Vorteile für Patienten, Kliniker und Forscher.

Frühdiagnose und Risikoschichtung

Eine der vielversprechendsten Anwendungen ist die Identifizierung von Personen mit hohem Risiko für eine schnelle Progression Jahre vor klinischen Symptomen. Durch die Kombination von Bildgebung, flüssigen Biomarkern und physiologischen Modellen können Anbieter einen personalisierten Risiko-Score zuweisen. Zum Beispiel kann ein Modell mit Tau PET, Plasma p-tau217 und kognitiven Basiswerten Patienten mit MCI identifizieren, die innerhalb von zwei Jahren eine Wahrscheinlichkeit von > 80 % haben, sich in Alzheimer-Demenz umzuwandeln. Eine solche frühzeitige Identifizierung ermöglicht eine frühere Aufnahme in klinische Studien und ermöglicht es Patienten und Familien, für zukünftige Pflegebedürfnisse zu planen.

Personalisierte Medizin

Physiologische Modelle können vorhersagen, wie ein einzelner Patient wahrscheinlich auf eine bestimmte Behandlung reagieren wird. Bei Parkinson können Modelle, die die Wirkung der tiefen Hirnstimulation (DBS) auf die Basalganglien-Schaltungen simulieren, Neurochirurgen helfen, optimale Stimulationsparameter und Zielelektroden auszuwählen. Bei Alzheimer können Modelle, die die Rate der Amyloid-Akkumulation vorhersagen, bestimmen, ob ein Patient wahrscheinlich von einem Anti-Amyloid-Antikörper profitiert oder besser für eine Tau-Targeting-Therapie geeignet ist.

Arzneimittelentwicklung und klinische Studienoptimierung

Die Pharmaindustrie steht vor enormen Kosten und hohen Ausfallraten bei neurodegenerativen Krankheitsstudien. Laut dem Tufts Center for the Study of Drug Development übersteigen die durchschnittlichen Kosten für die Entwicklung eines neuen Medikaments jetzt 2,6 Milliarden US-Dollar, wobei die Erfolgsrate von Phase I bis zur Zulassung von weniger als 10% für die Alzheimer-Krankheit liegt. Physiologische Modellierung kann diese Belastung dramatisch reduzieren durch:

  • Simulieren der Dosis-Wirkungs-Beziehungen, um das optimale Dosierungsschema zu identifizieren.
  • Stratifizierung der Patientenpopulationen zur Anreicherung für schnelle Progressoren, wodurch die Probengröße und die Versuchsdauer reduziert werden.
  • Vorhersage von Biomarkern, die als Ersatzendpunkte dienen können und frühere Go/No-Go-Entscheidungen ermöglichen.

Mehrere große Pharmaunternehmen, darunter Roche, Biogen und Novartis, integrieren nun Modellierung und Simulation (M&S) in ihre Medikamentenentwicklungspipelines für Neurodegeneration. Die US-amerikanische Food and Drug Administration (FDA) hat auch Leitlinien zur Verwendung solcher Modelle zur Unterstützung von Zulassungsanträgen herausgegeben, insbesondere für Krankheiten, bei denen die Daten zur Naturgeschichte begrenzt sind.

In Silico klinischen Studien

Das ultimative Ziel ist die Durchführung kompletter klinischer Studien in einer Computersimulation. Während ein vollständiger Ersatz von Studien am Menschen noch nicht möglich ist, können In-silico-Studien dazu beitragen, eine Vielzahl von Szenarien zu erkunden, die beim Menschen nicht praktikabel wären. Zum Beispiel kann ein Modell den Effekt simulieren, wenn man mit der Behandlung in verschiedenen Krankheitsstadien beginnt, die Behandlungsdauer variiert oder mehrere Medikamente kombiniert. Diese Simulationen können priorisieren, welche klinischen Studien durchgeführt werden sollten, was Zeit und Ressourcen spart.

Herausforderungen und Einschränkungen

Trotz seiner Versprechen, physiologische Modellierung steht vor mehreren großen Herausforderungen, die überwunden werden müssen, bevor es weit in der klinischen Praxis angenommen werden kann.

Datenvariabilität und -qualität

Patientendaten sind oft verrauscht, unvollständig und werden mit verschiedenen Protokollen über Zentren hinweg gemessen. Imaging-Parameter, Biomarker-Assays und kognitive Testversionen variieren, was es schwierig macht, Datensätze für das Modelltraining zu kombinieren. Darüber hinaus sind fehlende Daten in Längsschnittstudien aufgrund von Patientenabbrüchen endemisch, und Modelle müssen dies robust handhaben. Viele aktuelle Modelle sind empfindlich auf Datenqualität und ihre Vorhersagen können sich verschlechtern, wenn sie auf Daten angewendet werden, die unter verschiedenen Bedingungen gesammelt werden.

Modellvalidierung

Die Validierung eines physiologischen Modells ist schwierig, da die „Grundwahrheit des Krankheitsverlaufs oft unbekannt ist. Bei mechanistischen Modellen können viele Parameter (z. B. die Rate der Proteinaggregation) nicht direkt bei lebenden Patienten gemessen werden. Forscher validieren Modelle typischerweise, indem sie ihre Vorhersagen mit beobachteten Ergebnissen (z. B. kognitive Werte, bildgebende Biomarker) in ausgehaltenen Datensätzen vergleichen, was jedoch nicht garantiert, dass die internen Mechanismen des Modells korrekt sind. Ein Modell, das gut zu den Daten passt, kann immer noch falsche Vorhersagen außerhalb des Bereichs der Trainingsdaten treffen, insbesondere wenn die zugrunde liegende Biologie falsch spezifiziert wird.

Computational Complexity

Einige physiologische Modelle, insbesondere solche, die räumlich aufgelöste Gehirnnetzwerke oder multiskalige Prozesse (von Molekülen bis hin zum Verhalten) simulieren, erfordern enorme Rechenressourcen. Die Ausführung einer einzelnen Simulation eines Ganzhirnmodells kann Stunden in einem Hochleistungs-Computing-Cluster dauern, was die klinische Entscheidungsunterstützung in Echtzeit unpraktisch macht. Die Bemühungen zur Entwicklung von Modellen reduzierter Ordnung und Ersatzemulatoren sind im Gange, aber noch nicht ausgereift.

Interpretierbarkeit und Vertrauen

Kliniker und Patienten müssen darauf vertrauen, dass die Modellvorhersagen auf sie reagieren. Datengestützte Modelle, insbesondere tiefe neuronale Netze, bieten wenig Interpretierbarkeit. Hybridmodelle verbessern die Interpretierbarkeit etwas, weil die mechanistische Komponente eine biologische Begründung liefert, aber der Teil des maschinellen Lernens möglicherweise undurchsichtig bleibt. Regulierungsbehörden verlangen eine transparente Validierung und Erklärung der Modellvorhersagen, bevor sie ihre Verwendung bei der klinischen Entscheidungsfindung genehmigen.

Zukünftige Richtungen und Integration

Das Gebiet der physiologischen Modellierung neurodegenerativer Erkrankungen schreitet rasant voran, angetrieben durch Verbesserungen bei der Datenerhebung, den Berechnungsmethoden und der interdisziplinären Zusammenarbeit.

Integration mit Digital Twins

Ein vielversprechendes Konzept ist der „digitale Zwilling – eine virtuelle Nachbildung eines Patienten, die kontinuierlich mit Echtzeitdaten von Wearables, Smartphones und Heimüberwachungsgeräten aktualisiert wird. Durch die Kombination eines physiologischen Modells mit individuellen Patientendatenströmen kann ein digitaler Zwilling personalisierte Prognosen des Krankheitsverlaufs und der Behandlungsreaktion liefern. Für Parkinson untersuchen Forscher, wie digitale Zwillinge, die Smartwatch-Beschleunigungssensordaten enthalten, motorische Schwankungen vorhersagen und Medikationspläne optimieren können.

Federated Learning und Privacy-Preserving Modeling

Datenschutzbedenken verhindern häufig, dass Patientendaten über Institutionen hinweg ausgetauscht werden. Federated Learning ermöglicht es, Modelle auf verteilten Datensätzen zu schulen, ohne die Rohdaten zu verschieben. Dieser Ansatz ist besonders für klinische Studien an mehreren Standorten und für die Nutzung elektronischer Patientenakten relevant. Jüngste Untersuchungen haben gezeigt, dass das föderierte Lernen physiologischer Modelle für die Alzheimer-Krankheit eine Genauigkeit erreichen kann, die mit zentral trainierten Modellen vergleichbar ist, während die Privatsphäre der Patienten gewahrt bleibt.

Multi-Omics-Daten kombinieren

Genomik, Transkriptomik, Proteomik und Metabolomik liefern eine Fülle von Informationen über Krankheitsmechanismen. Die Einbeziehung von Multi-Omics-Daten in physiologische Modelle kann ihre Vorhersagekraft verbessern und neue Wirkstoffziele aufdecken. Beispielsweise kann ein Modell, das patientenspezifische genetische Varianten (z. B. APOE ε4 bei Alzheimer, GBA-Mutationen bei Parkinson) mit der Proteinkonzentrationsdynamik integriert, simulieren, wie diese Varianten Krankheitspfade verändern und Subpopulationen identifizieren, die von verschiedenen Therapien profitieren könnten.

Standardisierung und regulatorische Akzeptanz

Damit physiologische Modelle zu einem Routineinstrument werden, benötigt das Gebiet standardisierte Protokolle für die Modellentwicklung, Validierung und Berichterstattung. Organisationen wie die Coalition Against Major Diseases (CAMD) und das Critical Path Institute arbeiten daran, bewährte Verfahren zu etablieren. Das Model-Informed Drug Development (MIDD)-Programm der FDA hat bereits physiologische Modelle akzeptiert, um die Zulassung von Alzheimer-Krankheit zu unterstützen.

Schlussfolgerung

Physiologische Modellierung stellt einen Paradigmenwechsel in der Art und Weise dar, wie wir neurodegenerative Krankheiten angehen. Durch die Umwandlung statischer Daten in dynamische, prädiktive Simulationen bieten diese Modelle die Möglichkeit einer früheren Diagnose, personalisierten Behandlung und effizienteren Medikamentenentwicklung. Die Herausforderungen der Datenqualität, Modellvalidierung und Interpretierbarkeit sind signifikant, aber nicht unüberwindbar. Mit den kontinuierlichen Fortschritten in der Bildgebung, Biomarker-Entdeckung, maschinellem Lernen und Rechenleistung wird physiologische Modellierung zu einem unverzichtbaren Werkzeug im Kampf gegen neurodegenerative Krankheiten.

Für Kliniker und Forscher, die an vorderster Front bleiben wollen, ist es wichtig, die Stärken und Grenzen dieser Modelle zu verstehen. Mit der Reife des Feldes wird die Integration physiologischer Modelle in die klinische Routinepraxis das menschliche Urteilsvermögen nicht ersetzen, sondern es stärken - Ärzten und Patienten ein möglichst genaues Bild davon geben, was vor uns liegt.