4 Minuten
Neue KI sagt tausende medizinische Ergebnisse voraus
Ein multinationales Forscherteam hat ein Modell der künstlichen Intelligenz entwickelt, das die Wahrscheinlichkeit von mehr als 1.000 Erkrankungen Jahre im Voraus anhand der medizinischen Vorgeschichte eines Patienten vorhersagen kann. Das System, Delphi-2M, basiert auf der Architektur von Transformern — derselben Modellfamilie, die auch Konversationsagenten wie ChatGPT antreibt — und verspricht eine neue Dimension der langfristigen klinischen Risikovorhersage.
Wie Delphi-2M funktioniert
Delphi-2M wurde an longitudinalen Gesundheitsdaten des britischen UK Biobank trainiert, einer biomedizinischen Datenbank mit rund einer halben Million Teilnehmerinnen und Teilnehmern, und anhand von fast zwei Millionen Datensätzen aus dem dänischen öffentlichen Gesundheitsregister validiert. Indem Diagnosesequenzen wie Sätze behandelt werden, lernt das Transformermodell Muster, Koauftreten und die Reihenfolge von Ereignissen in Patientenverläufen — es identifiziert praktisch eine "Grammatik" klinischer Verläufe, die künftige Erkrankungen vorhersagen kann.
Die Forschenden berichten, dass das Modell Personen identifizieren kann, die ein deutlich höheres oder niedrigeres Risiko für Ereignisse wie Herzinfarkte haben, als traditionelle demografische Faktoren allein anzeigen würden. Im Gegensatz zu Risiko-Scores für einzelne Erkrankungen, die in der Routineversorgung genutzt werden, ist Delphi-2M darauf ausgelegt, gleichzeitig und langfristig Vorhersagen für Hunderte von Krankheitsbildern zu liefern.
Wichtige Kennzahlen
- Trainingsdaten: ~500.000 UK Biobank-Teilnehmende
- Validierungsdaten: ~2 Millionen dänische Gesundheitsdatensätze
- Umfang: Vorhersagen für mehr als 1.000 Erkrankungen
Validierung, Grenzen und ethische Aspekte
Das Team hat Ergebnisse in einer peer-reviewed Fachpublikation veröffentlicht, warnt jedoch, dass Delphi-2M noch nicht für den klinischen Einsatz bereit ist. Externe Expertinnen und Experten heben wichtige Vorbehalte hervor: Sowohl die britischen als auch die dänischen Datensätze sind nicht vollständig repräsentativ in Bezug auf Altersgruppen, Ethnien und gesundheitliche Ausgänge, was zu Verzerrungen in den Vorhersagen führen kann. Zusätzliche Tests in vielfältigen Populationen, prospektive Validierung und regulatorische Prüfungen werden erforderlich sein, bevor eine klinische Anwendung möglich ist.
Forschungsteams für Gesundheitstechnologie betonen zwei gleichrangige Prioritäten: Interpretierbarkeit und ethische Aufsicht. Interpretierbare oder erklärbare KI hilft Klinikerinnen und Klinikern zu verstehen, warum das Modell bestimmte Risikoschätzungen liefert, und stärkt damit Vertrauen und Sicherheit. Einige Co-Autorinnen und -Autoren sehen in Delphi-2M einen Schritt hin zu skalierbaren und ethisch verantwortbaren Vorhersagemodellen, doch eine breitere Prüfung bleibt notwendig.
Potentielle Anwendungsfälle und Auswirkungen des Systems
Delphi-2M könnte, wenn es sorgfältig validiert und integriert wird, künftig die präventive Medizin und die Planung von Gesundheitssystemen unterstützen. Mögliche Anwendungen umfassen:
- Zielgerichtetes Monitoring von Personen mit hohem Risiko
- Frühere klinische Interventionen zur Verhinderung von Krankheitsprogression
- Ressourcenallokation und Planung in belasteten Gesundheitssystemen
Zum Vergleich: Weit verbreitete Werkzeuge wie QRISK3 schätzen das kurzfristige kardiovaskuläre Risiko für einzelne Patientinnen und Patienten; Delphi-2M zielt darauf ab, deutlich mehr Erkrankungen über längere Horizonte gleichzeitig abzudecken und stellt damit eine andere Klasse klinischer Entscheidungshilfe dar.
Warum das für KI im Gesundheitswesen wichtig ist
Diese Arbeit zeigt, wie Transformermodelle jenseits der natürlichen Sprache adaptiert werden können, um longitudinale elektronische Gesundheitsakten zu analysieren und zukünftige Diagnosen vorherzusagen. Der Fortschritt unterstreicht sowohl die Chancen der künstlichen Intelligenz zur Ausweitung der Präventivmedizin als auch die Verantwortung, Verzerrungen, Transparenz und Validierung anzugehen, bevor Forschungsergebnisse in die Praxis übertragen werden.
„Modelle wie Delphi-2M könnten Monitoring und frühere Interventionen leiten“, bemerkte eine Forscherin, während andere zu weiterer Prüfung und Vorsicht mahnen. Wenn Gesundheitssysteme und Regulierungsbehörden die Rolle großer KI-Modelle bewerten, werden Interpretierbarkeit und gerechte Leistungsfähigkeit zentrale Voraussetzungen für eine sichere Einführung sein.
Quelle: smarti
Kommentare