Onkologische klinische Studien haben ein strukturelles Problem, das seit Jahrzehnten besteht. Sie rekrutieren Patienten zu langsam, scheitern in hohem Maße und liefern Ergebnisse, die sich oft nicht gut auf die breitere Bevölkerung von Krebspatienten übertragen lassen. Dies sind keine geringfügigen Ineffizienzen. Sie stellen eine fundamentale Lücke zwischen dem wissenschaftlichen Ehrgeiz der Krebsforschung und ihrer operativen Realität dar. Eine in Nature Reviews Clinical Oncology veröffentlichte Übersichtsarbeit untersucht, wo künstliche Intelligenz diese Lücke tatsächlich schließen kann und wo noch nicht.
Der operative Engpass, den die KI tatsächlich beheben kann
Die unmittelbarste und durch Belege gestützte Rolle für die KI in onkologischen Studien ist nicht die dramatische. Sie besteht nicht darin, das klinische Urteilsvermögen zu ersetzen oder synthetische Patienten zu generieren. Es geht vielmehr darum, das Papierkram-Problem in großem Maßstab zu lösen.
Die Identifizierung, welche Patienten für eine bestimmte Studie infrage kommen, erfordert den Abgleich komplexer Eignungskriterien mit detaillierten Krankenakten – ein Prozess, der zeitaufwändig, fehleranfällig und oft manuell durchgeführt wird. KI-Systeme, die auf großen Datensätzen elektronischer Gesundheitsakten trainiert wurden, können große Teile dieser Arbeit automatisieren: das Durchsuchen von Patientenakten auf Eignung, das Extrahieren strukturierter Daten aus klinischen Notizen und das Markieren von Kandidaten für die Rekrutierung. Laut der Übersichtsarbeit werden diese Anwendungen bereits in ausgewählten akademischen Krebszentren eingesetzt.
Die telemedizinische Patientenüberwachung und die Extraktion von Studiendaten in Echtzeit fallen in dieselbe Kategorie. Dies sind Aufgaben, bei denen das Informationsvolumen das übersteigt, was menschliche Teams effizient verarbeiten können, und bei denen die KI den bestehenden Arbeitsablauf ergänzt, anstatt ihn neu zu gestalten. Die Übersichtsarbeit drückt sich in diesem Punkt unmissverständlich aus: Die vertretbarste kurzfristige Rolle für die KI ist die operative Ergänzung unter menschlicher Aufsicht, nicht die autonome Entscheidungsfindung.
Das ist es, was die meiste Berichterstattung über die KI in der Medizin übersieht. Die Schlagzeilen erregenden Anwendungen, wie etwa die Krebsdiagnose durch KI anhand von Bildern, ziehen Aufmerksamkeit auf sich. Die leisere Arbeit, einen Patienten an eine Studie zu vermitteln, von der er sonst nie erfahren hätte, ist letztendlich vielleicht wichtiger dafür, wie vielen Menschen die Forschung zugutekommt.
Wo die KI noch nicht bereit ist: Synthetische Evidenz und digitale Zwillinge
Die Übersichtsarbeit zieht eine klare Grenze zwischen dem, was die KI heute leisten kann, und dem, wozu sie verfrüht eingesetzt wird. Anwendungen, die als Ersatz für die Generierung klinischer Evidenz konzipiert sind – darunter synthetische Kontrollarme, Simulationen zur Ergebnisvorhersage und digitale Zwillinge –, befinden sich noch in früheren Entwicklungsstadien. Die methodischen Herausforderungen sind ungelöst, die prospektive Validierung ist begrenzt und die regulatorischen Rahmenbedingungen haben noch nicht Schritt gehalten.
Ein synthetischer Kontrollarm ist, um das Konzept zu erklären, eine computergestützte Vergleichsgruppe aus historischen oder realen Daten, die dazu dienen soll, einen traditionellen Plazebo- oder Standardbehandlungsarm in einer Studie zu ersetzen. Der Reiz liegt auf der Hand: weniger benötigte Patienten, schnellere Studien, geringere Kosten. Das Problem ist, dass die Gültigkeit eines solchen Ansatzes davon abhängt, ob die synthetische Bevölkerung den Patienten in der Studie tatsächlich ähnelt – und diese Annahme ist schwer zu überprüfen und lässt sich leicht auf Weisen verletzen, die nicht sofort sichtbar sind.
Digitale Zwillinge, also virtuelle Modelle einzelner Patienten zur Simulation ihrer möglichen Behandlungsreaktion, stehen vor ähnlichen Herausforderungen. Das Konzept ist wissenschaftlich überzeugend. Die Evidenzbasis für ihre Nutzung bei weitreichenden klinischen Entscheidungen ist jedoch noch nicht vorhanden.
Die behördliche Aufsicht über diese Tools lässt sich am besten als ein risikoproportionales Kontinuum denn als ein einfaches Binärsystem aus reguliert oder nicht reguliert verstehen, so das Argument der Übersichtsarbeit. Sowohl die FDA als auch die EMA konvergieren bei Rahmenbedingungen, die den Schwerpunkt auf Modelltransparenz, Glaubwürdigkeitsbewertung und Überwachung nach der Bereitstellung legen. Diese Konvergenz ist deshalb wichtig, weil sie signalisiert, dass die Regulierungsbehörden nicht auf einen einzigen definitiven Standard warten, bevor sie sich mit der Technologie befassen.
Warum diese Unterscheidung über die Medizin hinaus wichtig ist
Der von der Übersichtsarbeit aufgestellte Rahmen, der KI-Anwendungen, die menschliche Arbeitsabläufe unterstützen, von solchen trennt, die versuchen, die Generierung von Evidenz zu ersetzen, ist weit über die Onkologie hinaus von Bedeutung. Er ist ein nützlicher Blickwinkel zur Bewertung von KI-Behauptungen in jedem risikoreichen Bereich.
Das Muster ist über verschiedene Fachbereiche hinweg konsistent: Die KI leistet gute Arbeit, wenn sie Volumen, Mustererkennung und strukturierte Datenextraktion zur Unterstützung menschlicher Entscheidungsträger übernimmt. Sie wird unzuverlässig, wenn von ihr verlangt wird, die Art von prospektiver, kontrollierter Evidenzgenerierung zu ersetzen, die genau deshalb existiert, weil menschliche Intuition und historische Daten unzureichende Orientierungshilfen dafür bieten, was tatsächlich passieren wird.
Die Übersichtsarbeit wirft zudem übergreifende Bedenken auf, die allgemeine Gültigkeit besitzen: algorithmische Voreingenommenheit, Datenverschiebung im Laufe der Zeit, Kalibrierungsfehler und Gerechtigkeit beim Zugang. Ein KI-System, das überwiegend mit Daten aus gut ausgestatteten akademischen medizinischen Zentren trainiert wurde, funktioniert möglicherweise nicht gleichermaßen gut, wenn es in Gemeindekrankenhäusern oder bei Populationen eingesetzt wird, die in den Trainingsdaten unterrepräsentiert waren. Dies ist keine theoretische Sorge. Es ist ein bekannter Fehlerzustand, der eine aktive Überwachung und diverse Validierungsdatensätze erfordert.
Der Ruf nach Koordinierung zwischen Klinikern, Studienleitern, Regulierungsbehörden, Industrie und Patienten spiegelt etwas Wichtiges wider: Kein einzelner Akteur in diesem System verfügt über die Informationen oder die Autorität, diese Probleme allein zu lösen.
Kurz gesagt
Die KI beginnt, onkologische klinische Studien effizienter zu gestalten, und zwar vor allem durch die Automatisierung der Identifizierung und Eignungsprüfung von Patienten sowie durch die Unterstützung der Datenerfassung in Echtzeit. Diese Anwendungen sind operational, durch Evidenz gestützt und halten bereits Einzug in die Praxis. Ehrgeizigere Anwendungen der KI wie synthetische Kontrollarme und digitale Zwillinge sind nach wie vor unvalidiert und sehen sich ungelösten regulatorischen und methodischen Fragen gegenüber. Die Unterscheidung zwischen der Unterstützung menschlicher Arbeitsabläufe und dem Ersatz der Generierung klinischer Evidenz ist die wichtigste Grenze, die bei der Entwicklung dieser Technologie gehalten werden muss.
Basierend auf Berichten von Nature: Machine Learning.