Kan AI met 99% nauwkeurigheid voorspellen of een individu een genetische ziekte zal ontwikkelen op basis van alleen AI-analyse van hun microbiomen en blootstelling aan omgevingsfactoren ?

Genomische voorspelling is gevorderd, maar interacties met de omgeving worden nog steeds slecht gemodelleerd. Privacywetten en ethische zorgen vertragen de wijdverbreide voorspelling op individueel niveau zonder klinische validatie.

---

Vanaf 2024 kan AI polygene risico's voorspellen voor een handvol veelvoorkomende aandoeningen (bijv. diabetes type 2, darmkanker) door microbiomenprofielen te combineren met levensstijl- en omgevingsgegevens, maar de modellen bereiken momenteel hooguit matige tot gemiddelde discriminatie (AUC ≈ 0,65–0,80) in plaats van de beweerde 99% nauwkeurigheid. Grote consortia zoals het American Gut Project en de UK Biobank hebben aangetoond dat microbiomen- en exposoomkenmerken slechts een klein deel van de erfelijke genetische ziektevariantie verklaren, en deze modellen zijn nog ver verwijderd van klinische risicostratificatie op individueel niveau. Het integreren van polygene scores met transcriptomische of proteomische meetwaarden verbetert de oppervlakte-onder-de-curve verder, maar de hoogst gerapporteerde prestaties blijven ver onder de 99%. Het demonstreren van 99% voorspellende nauwkeurigheid voor het individuele optreden van genetische ziekten met alleen microbiomen- en omgevingsgegevens is niet bereikt en is niet consistent met huidige erfelijkheidsramingen.

— Verrijkt 10 mei 2026 · Bron: NIH Human Microbiome Project — https://hmpdacc.org

---

Hoewel AI significante vooruitgang heeft geboekt in het analyseren van microbiomen- en omgevingsblootstellingsgegevens om ziekterisico's te voorspellen, blijft het voorspellen van de kans dat een individu een genetische ziekte ontwikkelt met 99% nauwkeurigheid een ongrijpbaar doel. Huidige AI-modellen kunnen associaties identificeren tussen bepaalde microbiomenpatronen en ziekterisico, maar zijn nog niet in staat om dergelijke hoge nauwkeurigheid te bereiken door de complexe wisselwerking tussen genetische, omgevings- en levensstijlfactoren. De huidige stand van de techniek omvat het gebruik van machine learning-modellen om individuen met een hoog risico te identificeren, maar deze modellen worden vaak beperkt door de kwaliteit en kwantiteit van beschikbare gegevens, evenals het gebrek aan een alomvattend begrip van de onderliggende biologische mechanismen. Als gevolg hiervan worden AI-gebaseerde voorspellingen meestal gebruikt in combinatie met andere diagnostische hulpmiddelen en klinische expertise om nauwkeurigere beoordelingen te bieden.

— Status gecontroleerd op 10 mei 2026.