Kommentar von Christian Hebenstreit, Medidata

KI in der Medizin – wie Algorithmen Leben retten

| Autor / Redakteur: Christian Hebenstreit / Nico Litzel

Der Autor: Christian Hebenstreit ist General Manager & Senior Vice President EMEA, Medidata
Der Autor: Christian Hebenstreit ist General Manager & Senior Vice President EMEA, Medidata (Bild: Medidata)

Langsam gewöhnen wir uns an reißerische Schlagzeilen, die uns vor der drohenden Übernahme unserer Jobs durch Künstliche Intelligenz (KI) warnen. Was viele aber nicht wissen: KI wird auch eingesetzt, um aktiv Leben zu retten. KI und Machine Learning (ML) üben bereits heute einen großen Einfluss auf die Life-Sciences-Industrie aus und beschleunigen die Entwicklung von Medikamenten. Die neuen Technologien haben aber noch mehr Potenzial.

Dieses Potenzial kann dazu genutzt werden, um die Effizienz weiter zu steigern, Kosten zu senken, die Forschung auszuweiten und vor allem patientenorientierte Lösungen zu entwickeln. Das gilt insbesondere für klinische Studien und die Entwicklung von Medikamenten. Im Durchschnitt braucht es zehn bis fünfzehn Jahre und 2,6 Milliarden US-Dollar, bis ein Medikament alle klinischen Studien durchlaufen hat. Verständlich also, dass Unternehmen den Prozess mithilfe neuer Technologien beschleunigen möchten.

Big Data, KI, Fernüberwachung und ML bieten die Möglichkeit, klinische Studien in ein neues Zeitalter zu befördern. Das geschieht durch steigende Effizienz und Produktivität, die neue Erkenntnisse ermöglichen, die Patientenbindung stärken und Patientenbelastung reduzieren.

Mit KI und ML Daten schneller sammeln, aufnehmen, und standardisieren

Die Vielfalt und Fülle der in den heutigen klinischen Studien gesammelten Daten ist enorm: von Telemetrie und Röntgenbildern (sowie anderen Scans) bis hin zu langen klinischen Berichten und darüber hinaus. Der riesige Datenumfang hat zur Folge, dass selbst bei einfachen und optimal funktionierenden klinischen Studiensystemen die manuelle Standardisierung und Aufbereitung aller Daten nahezu unmöglich wäre.

Die Standardisierung muss weit über die bloße Beseitigung von Duplikaten hinausgehen. Um ein Beispiel zu nennen: In klinischen Studien kann ein Merkmal wie das Geschlecht auf bis zu 700 verschiedene Arten beschrieben werden (diese Zahl beinhaltet auch Tipp- und Transkriptionsfehler).

Medizinische Studien erfordern außerdem, dass das Datenkorrekturverfahren mehrfach wiederholt wird, etwa beim Übergang in die nächste Studienphase oder wenn neue Patienten in den Prozess einbezogen werden. ML- und KI-Algorithmen können die Identifizierung von Diskrepanzen, Standardisierung und Abfrage ungewöhnlicher Daten automatisieren, was letztendlich die Zeit bis zur Auswertung und damit auch bis zur Markteinführung verkürzt.

Risikominderung bei klinischen Studien

Oft können missverständliche Ergebnisse klinische Studien verlangsamen und sie manchmal sogar komplett zum Stillstand bringen. Das kann viele verschiedene Gründe haben, wie zum Beispiel Patientenanomalien, Probleme mit dem Studienprotokoll oder sogar Betrug an einem klinischen Forschungsstandort.

Wenn Medikamente auf Grundlage unwissentlich irreführender Daten zur Zulassung eingereicht werden, werden von den Zulassungsbehörden zusätzliche Informationen abgefragt, was mit monatelangem Mehraufwand und Kosten für die Überprüfung der Studiendaten auf mögliche Fehler verbunden ist. Dabei müssen Teile der Studie wiederholt werden, wodurch sich die Markteinführung eines Medikaments und damit die Behandlung von Patienten verzögert.

ML und KI können Risiken auf der Grundlage von Datenanomalien automatisch identifizieren, bevor sie den Studienprozess schwer beeinträchtigen. Hierbei kann es sich um die Identifizierung von Anomalien und unerwarteten Fehlern bis hin zu potenziellen Betrugs- und Verfahrensfragen handeln, die sich über eine Millionen Datenpunkte pro Stunde erstrecken. Dadurch können Organisatoren Anomalien frühzeitig erkennen und das Protokoll anpassen.

Auch können ML- und KI-Algorithmen lernen, Gemeinsamkeiten und Anomalien in Diskrepanzen zu erkennen und Daten so aufzubereiten, sodass sie akkurat analysiert werden können. Die Technologien stellen auch sicher, dass Organisationen und Studien über einen soliden und sauberen Datensatz verfügen. Das wiederum beschleunigt die Zulassungsprozesse von Medikamenten und bringt neue, sichere und getestete Behandlungen schneller zu den Patienten.

Optimierung der genomischen Biomarker-Erkennung

Neben der Datenstandardisierung ermöglichen KI und ML auch Entdeckungen innerhalb der Arzneimittelentwicklung, einschließlich Gen- und Zelltherapien, „Omics“-Technologien und darüber hinaus.

So ist es nun beispielsweise möglich, genomische Daten zu sammeln, sie auf Patientenebene zu verknüpfen und mit ML-Algorithmen ähnliche Gruppen zu bündeln. Durch das Zusammenfügen dieser Faktoren können wir die Identifizierung von Biomarkern beschleunigen und Muster finden, die bei der manuellen Analyse unerkannt geblieben wären, aber von der KI erkannt werden. Das wiederum verbessert unser Verständnis von Krankheiten und möglichen Behandlungsansätzen und ermöglicht es der Industrie, medizinische Behandlungen auf Basis unterschiedlicher Genomik zu personalisieren.

ML-Tools haben auch die Entdeckung neuer Biomarker für die Castleman-Krankheit ermöglicht, z. B. durch die Einrichtung neuer Patientenuntergruppen, die auf bisher unbekannten proteinbasierten Signaturen beruhen. Solche Entdeckungen tragen dazu bei, neue Erkenntnisse über Behandlungsreaktionen und potenzielle neue Wirkstoffziele zu gewinnen, was den Wert der Präzisionsmedizin unterstreicht, die über ML verfügbar ist.

In einem anderen Fall half ML, ein genomisches Mutationsmerkmal zu identifizieren, das mit einer Nebenwirkung zusammenhing, die während einer Studie auftrat. Es gibt einfach zu viele genomische Daten, um sie zuverlässig von Menschenhand als primäres Analyseverfahren auswerten zu lassen.

Die Ethik der klinischen Forschung verbessern

Die riesigen Datenmengen, die Forschern zur Verfügung stehen, reduzieren zunehmend den Bedarf an Kontrollgruppen, das heißt, Personengruppen, die Placebos oder bereits verfügbare Medikamente erhalten, um die Wirksamkeit einer Behandlung zu ermitteln. Mithilfe von Big-Data-Analyseverfahren wird es ermöglicht, digital eine synthetische Kontrollgruppe zu erstellen. Dazu werden die Daten ausgewertet, um vorherzusehen, wie eine Placebo-Kontrollgruppe auf eine bestimmte Behandlung reagieren würde.

Das hat zur Folge, dass das Medikament an mehr Patienten direkt getestet werden kann, was einen besseren Einblick in die potenziellen Auswirkungen eines neuen Wirkstoffs bietet. Gleichzeitig wird sichergestellt, dass eine größere Anzahl von Patienten potenziell lebensverändernde oder lebensrettende Medikamente erhält. Diese Anwendung von ML ist besonders relevant in einer Zeit, in der die Suche von Patienten für die Teilnahme an klinischen Studien immer schwieriger wird.

Technologien geben eine neue Richtung für klinische Studien vor

KI und ML haben das Potenzial, klinische Studien zu beschleunigen. Das setzt aber voraus, dass fortschrittliche Dateninfrastrukturen vorhanden sind, die richtigen Fragen gestellt, wichtige Ziele gesetzt und genügend Schulungsdaten bereitgestellt werden.

Wenn all diese Bedingungen erfüllt sind, haben ML-Modelle, die mit KI arbeiten, das Potenzial, jede Stufe einer klinischen Studie zu revolutionieren – von der Identifizierung von Biomarkern über die Kontrolle und Datenerfassung bis hin zur Entwicklung von Präzisionsmedizin. Letztendlich werden die Technologien dazu beitragen, Patienten schneller mit lebensrettenden Medikamenten zu versorgen.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45828429 / Analytics)