Dreekmann, JuliaJuliaDreekmannKordowski, AnnaAnnaKordowskiSchmelter, FranziskaFranziskaSchmelterSina, ChristianChristianSina2024-05-032024-05-032024https://publica.fraunhofer.de/handle/publica/46714410.1007/s11377-023-00750-y2-s2.0-85181246800Weltweit ist eine zunehmende Prävalenz von unerwünschten Reaktionen auf Nahrungsmittel (englisch: "adverse reaction to food", ARF) zu beobachten. Diese ARF können sowohl einen immunologischen als auch einen nichtimmunlogischen Hintergrund haben. Dies ist nicht nur für die Diagnostik, sondern auch für die Therapie relevant. Im klinischen Alltag ist eine exakte Einordung von ARF-Patienten mitunter herausfordernd, da die Symptome häufig unspezifisch sind und zwischen den einzelnen ARF-Untergruppen überlappen können. Darüber hinaus fehlen geeignete Diagnoseverfahren, die bei vertretbarem Ressourcenaufwand eine ausreichende Sensitivität und Spezifität besitzen. Der Einsatz von künstlicher Intelligenz (KI) könnte eine Methode sein, um die Diagnose von ARF zukünftig zu verbessern. So legen erste Studien nahe, dass durch den Einsatz von KI u. a. sowohl das individuelle Risiko, an einer Nahrungsmittelallergie zu erkranken, als auch das Allergiepotenzial von neuen Nahrungsproteine mit hoher Sicherheit vorhergesagt werden kann. Diese und weitere Beispiele für einen erfolgreichen Einsatz von KI-Anwendungen in der Diagnostik von ARF sind ermutigend und sollten einen Anreiz für weitere Studien bieten.An increasing number of people worldwide suffer from adverse reactions to food (ARF). ARF can have both an immunological and a non-immunological background, which is relevant for both diagnosis and treatment. In everyday clinical practice, exact classification of ARF is sometimes challenging, as the symptoms can be relatively unspecific and overlap between ARF subgroups. In addition, some test systems frequently used in clinical routine have significant limitations. This concerns both their sensitivity and specificity as well as the relatively high resource demands. Use of artificial intelligence (AI) could represent a method to improve diagnosis of ARF in the future. Initial studies suggest that the use of AI can predict the individual risk of developing a food allergy as well as the allergic potential of new food proteins with a high degree of certainty. These and other examples of the successful use of AI applications in the diagnosis of ARF are encouraging and should provide an incentive for further studies.deAlgorithmsDiagnostic testingFood hypersensitivityFood intoleranceMathematical conceptsjournal article