Pharma

Welche Chancen KI für die klinische Forschung bietet

Künstliche Intelligenz (KI) und maschinelles Lernen (Machine Learning) sind in den vergangenen Jahren immer mehr in Wirtschaft, Wissenschaft und Gesellschaft angekommen. Auch für die klinische Forschung bietet KI vielfältige Anwendungsmöglichkeiten und Chancen. Ein Überblick.

 

KI - was ist künstliche Intelligenz?

Allgemein formuliert kommt künstliche Intelligenz (KI) zum Einsatz, wenn eine Vorrichtung oder ein Algorithmus auf sein Umfeld zurückgreift. Es werden dabei entweder Entscheidungen getroffen oder Aktionen ausgeführt, um Chancen zu maximieren ein festgelegtes Ziel zu erreichen. Anwendungsfälle hierfür können beispielsweise im Bereich der Erkennung (engl. recognition) oder auch der Planung liegen.

Die Problematik bei dieser Definition von künstlicher Intelligenz: Sobald ein komplexes Problem gelöst, ein neuer Meilenstein in diesem Bereich erreicht wurde, wird das Programm oder der Algorithmus nicht mehr als KI wahrgenommen. Ein Beispiel dafür ist etwa die Verkehrsschildererkennung in modernen Autos. Obgleich es sich hier um eine komplexe Aufgabe handelt, braucht es keine wirkliche Intelligenz zu prüfen, ob Bilder identisch aussehen oder nicht. Dabei handelt es sich um den sogenannten KI-Effekt, der zu einer weiteren Definition künstlicher Intelligenz führt: KI ist, was noch niemand geschafft hat.

Diese beiden Definitionsansätze decken nicht den gesamten Forschungsbereich KI ab. So existieren für einige Bereiche präzisere Definitionen. Dennoch zeigt sich dadurch der allgegenwärtige Zwiespalt der Frage, ob es sich bei einem neuen Programm oder Algorithmus um KI handelt oder nicht.

Im Fachbereich der klinischen Forschung liegt die Ziel einer künstlichen Intelligenz in einer sich selbst erweiternden, selbstlernenden Software für komplexe Mustererkennung und Auswertung.

 

Was hat KI mit klinischer Forschung zu tun?

Klinische Forschung basiert auf Daten, welche individuelle therapeutische Prozeduren und Beobachtungsverläufe dokumentieren. Daher verlangen verwertbare Ergebnisse nach sauberen, vollständigen Daten und einem guten Datenmanagement. Dies ist ein komplexer, zeitaufwändiger Prozess, der kontinuierlich mit der Datendokumentation innerhalb einer klinischen Studie einhergeht.

So erfolgen etwa die Analyse der Überlebensdaten, die Suche nach Korrelationen zwischen verschiedenen Charakteristiken, Therapie-Erfolgen und -Misserfolgen sowie Begleitmedikationen und Nebenwirkungen zum Großteil erst am Ende einer Studie anhand eines zuvor definierten Analyseplans. Zwar werden zwischen Start und Ende einer klinischen Studie verschiedene Reports oder Zwischenauswertungen erhoben, diese sind jedoch von deutlich geringerem Umfang als die finale Auswertung.

Gute Spezifikationen und Datenprüfpläne sind gegen Ende der Datenerhebung eine enorme Hilfe, zugleich bleibt dieser Zeitraum eine potenzielle Fehlerquelle. Dann bietet eine gut designte KI eine wertvolle Unterstützung, indem sie einen Großteil der aufkommenden Fragen und Ungenauigkeiten präventiv verhindert.

Der Vorteil der KI: Ein Datenmanagementsystem, welches durch dieses Tool unterstützt wird, reagiert deutlich agiler und zuverlässiger, sodass maximal saubere und verlässlichen Daten in optimalen Studienbedingungen resultieren.

 

Künstliche Intelligenz: Erste Schritte bei der Entwicklung

Die Konzeption und Entwicklung einer guten KI bedarf vorbereitender Arbeit. Dabei sollten sich Anwender unter anderem folgende Fragen stellen:

  • Wie detailliert sind die Informationen, mit denen die KI arbeiten soll, für gewöhnlich verfügbar?
  • Wie verlässlich sind die Daten?
  • Wie akkurat können Informationen sein, wenn es sich nicht um gemessene Werte, sondern Erinnerungen eines Individuums handelt?
  • Müssen verschiedene Informationen unterschiedlich gewichten werden?
  • Wie hängen die Daten zusammen und können bestimmte Informationen auch an anderer Stelle verlässlicher extrahiert werden?

Nur durch eine möglichst genaue Analyse aller Daten und die Beantwortung vieler spezifischer Fragen, sind Entwickler in der Lage, die wichtigsten Eigenschaften eines KI-Produktes zur kontinuierlichen Optimierung zu identifizieren.

Auch wenn die vorbereitende Datenanalyse einer der ersten Schritte im Entwicklungsprozess einer auf statistischen Methoden basierenden, künstlichen Intelligenz ist, so werden bereits erste Erkenntnisse gewonnen. Bei der Dokumentation kategorischer Variablen, etwa eine Medikationsart, werden in einem eCRF (elektronischen Prüfbogen) bestimmte Optionen zur Auswahl eingeblendet. Passt keine der gegebenen Möglichkeiten, folgt meist der Eintrag „Weitere“. Daraus resultiert in der Regel ein Freitextfeld, in das genauere Informationen eingetragen werden.

Ein System, das fehleranfällig ist: So könnte beim Beispiel der Medikation der entsprechende Eintrag in der Auswahl übersehen, „Weitere“ ausgewählt und die Medikation als Freitext eingetragen werden. Eventuell erfolgt dies mit einem Rechtschreibfehler.

Um solche Unreinheiten in den Daten zu vermeiden, wird ein automatisierter, minimalistischer Suchalgorithmus zwischengeschaltet, der eingegebene Freitexte mit den Auswahlmöglichkeiten abgleicht, sogar unter Beachtung von Tippfehlern. Bei einem Treffer folgt die Einblendung einer entsprechenden Warnung.

Dieses simple Beispiel zeigt, wie eine Entlastung des Datenmanagements und ein höherer Reinheitsgrad der dokumentierten Daten in erster Instanz erreicht wird.

 

Text: Alcedis-Redaktion