Neue Studie deckt Grenzen Künstlicher Intelligenz in der personalisierten Medizin auf

NEW YORK / MÜNCHEN (IT BOLTWISE) – Eine aktuelle Studie beleuchtet die Begrenzungen mathematischer Modelle in der personalisierten Medizin, insbesondere bei der Behandlung von Schizophrenie. Diese Erkenntnisse werfen Fragen über die Zuverlässigkeit von AI-gesteuerten Algorithmen in unterschiedlichen klinischen Umgebungen auf.

Personalisierte Medizin, bei der Behandlungen anhand des genetischen Profils eines Patienten maßgeschneidert werden, gilt als zukunftsweisend im Gesundheitssektor. Doch eine neue Studie der Yale University zeigt nun, dass die derzeit verfügbaren mathematischen Modelle zur Vorhersage von Behandlungserfolgen ihre Grenzen haben.

In einer Analyse verschiedener klinischer Studien zu Schizophrenie-Behandlungen stellten die Forscher fest, dass die Algorithmen in der Lage waren, Patientenergebnisse innerhalb der spezifischen Studien vorherzusagen, für die sie entwickelt wurden. Allerdings versagten sie bei der Anwendung auf Patienten aus anderen Studien.

Die Ergebnisse, veröffentlicht am 11. Januar im Journal „Science“, fordern die gängige Praxis der Algorithmenentwicklung heraus und setzen neue Maßstäbe für die Zukunft. „Wir müssen Algorithmen in mindestens zwei unterschiedlichen Settings sehen, bevor wir wirklich begeistert sein können“, so Adam Chekroud, Assistenzprofessor für Psychiatrie an der Yale School of Medicine und Mitautor der Studie.

Schizophrenie, eine komplexe Gehirnerkrankung, die etwa 1% der US-Bevölkerung betrifft, unterstreicht den Bedarf an individuelleren Behandlungen. Bis zu 50% der Patienten sprechen nicht auf das erste verschriebene Antipsychotikum an, doch es ist unmöglich vorherzusagen, welche Patienten auf welche Therapie ansprechen werden.

Die Forscher hoffen, dass neue Technologien, die maschinelles Lernen und Künstliche Intelligenz nutzen, Algorithmen hervorbringen, die besser vorhersagen, welche Behandlungen für verschiedene Patienten wirksam sind, um so Ergebnisse zu verbessern und Behandlungskosten zu senken.

Die hohen Kosten für die Durchführung klinischer Studien bedeuten jedoch, dass die meisten Algorithmen nur in einer einzelnen klinischen Studie entwickelt und getestet werden. Die Forscher hatten gehofft, dass diese Algorithmen funktionieren würden, wenn sie an Patienten mit ähnlichen Profilen und ähnlichen Behandlungen getestet werden.

Für die neue Studie aggregierten Chekroud und seine Kollegen von Yale Daten aus fünf klinischen Studien zu Schizophrenie-Behandlungen, die durch das Yale Open Data Access (YODA) Project zur Verfügung gestellt wurden.

In den meisten Fällen konnten die Algorithmen die Patientenergebnisse für die klinische Studie, für die sie entwickelt wurden, effektiv vorhersagen. Sie scheiterten jedoch daran, Ergebnisse für Schizophrenie-Patienten in anderen klinischen Studien effektiv vorherzusagen.

„Die Algorithmen funktionierten fast immer beim ersten Mal“, so Chekroud. „Aber als wir sie an Patienten aus anderen Studien testeten, war der Vorhersagewert nicht größer als der Zufall.“

Chekroud zufolge ist das Problem, dass die meisten der mathematischen Algorithmen, die von medizinischen Forschern verwendet werden, für die Analyse viel größerer Datensätze entwickelt wurden. Klinische Studien sind teuer und zeitaufwendig, daher umfassen die Studien in der Regel weniger als 1.000 Patienten.

Die Anwendung der leistungsfähigen AI-Tools zur Analyse dieser kleineren Datensätze führt oft zu einem „Overfitting“, bei dem ein Modell Antwortmuster lernt, die idiosynkratisch sind oder nur für die anfänglichen Studiendaten gelten, aber verschwinden, wenn zusätzliche neue Daten einbezogen werden.

„In Zukunft könnte die Einbeziehung weiterer Umweltvariablen den Erfolg von Algorithmen bei der Analyse von klinischen Studiendaten verbessern oder auch nicht“, fügten die Forscher hinzu. Beispielsweise könnten Faktoren wie Drogenmissbrauch des Patienten oder die Unterstützung durch Familie oder Freunde die Behandlungsergebnisse beeinflussen.

Die meisten klinischen Studien verwenden präzise Kriterien, um die Erfolgschancen zu verbessern, wie Richtlinien dafür, welche Patienten einbezogen (oder ausgeschlossen) werden sollten, sorgfältige Messung der Ergebnisse und Begrenzungen bei der Anzahl der behandelnden Ärzte. Reale Umgebungen haben dagegen eine viel größere Vielfalt an Patienten und größere Schwankungen in der Qualität und Konsistenz der Behandlung, sagen die Forscher.

„Klinische Studien sollten theoretisch der einfachste Ort für das Funktionieren von Algorithmen sein. Aber wenn Algorithmen nicht von einer klinischen Studie auf eine andere verallgemeinert werden können, wird es noch herausfordernder sein, sie in der klinischen Praxis zu verwenden“, sagte Mitautor John Krystal, Professor für Übersetzungsrecherche und Psychiatrie an der Yale School of Medicine.

Chekroud schlägt vor, dass verstärkte Bemühungen um Datenaustausch zwischen Forschern und die Speicherung zusätzlicher Daten durch große Gesundheitsdienstleister die Zuverlässigkeit und Genauigkeit von AI-gesteuerten Algorithmen erhöhen könnten.

„Obwohl sich die Studie mit Schizophrenie-Studien befasst, wirft sie schwierige Fragen für die personalisierte Medizin im Allgemeinen auf, einschließlich ihrer Anwendung bei Herz-Kreislauf-Erkrankungen und Krebs“, sagte Philip Corlett, außerordentlicher Professor für Psychiatrie an der Yale University und Mitautor der Studie.

Hinweis: Teile dieses Textes könnten mithilfe einer Künstlichen Intelligenz generiert worden sein.