Viele Entscheidungen im Gesundheitswesen basieren auf Annahmen über die zukünftige Gesundheit von Individuen und Bevölkerungsgruppen. Für welche Personen bieten Screening-Untersuchungen einen Mehrwert? Welche präventiven Maßnahmen können drohende Krankheiten abwenden? Und in welchen Bereichen sollten Krankenkassen zukünftig verstärkt finanzielle Mittel einplanen? Künstliche Intelligenz bietet die Chance, umfangreiche Daten einzubeziehen, um Antworten auf solche Fragen zu finden. Bisherige KI-Modelle haben sich allerdings üblicherweise auf die Vorhersage des Risikos für einzelne Krankheiten fokussiert.
Sprachmodelle als Vorbild
Ein Team um Artem Shmatko vom Deutschen Krebsforschungszentrum (DKFZ) in Heidelberg hat nun ein KI-Modell entwickelt, das auf der Basis umfangreicher Gesundheitsdaten abschätzt, mit welchen gesundheitlichen Beeinträchtigungen Individuen und Gesellschaften in den kommenden Jahrzehnten rechnen müssen. Das Modell namens Delphi-2M wurde anhand der anonymisierten Daten von 400.000 Menschen trainiert, die ihre Gesundheitsinformationen der UK Biobank zur Verfügung stellten.
Delphi-2M funktioniert auf Basis ähnlicher Algorithmen wie die Großen Sprachmodelle (LLM) GPT oder Gemini. Doch statt herauszufinden, welches Wort als nächstes kommen muss, prognostiziert die KI, wie sich der bisherige Gesundheitsverlauf einer Person wahrscheinlich weiterentwickeln wird, darunter das Risiko für mehr als 1000 Krankheiten und der Zeitpunkt, wann diese potenziell auftreten. „So wie große Sprachmodelle aus der Abfolge von Wörtern in Texten die Grammatik unserer Sprache lernen können, lernt dieses KI-Modell die Logik der zeitlichen Abfolge von Ereignissen in Gesundheitsdaten, um ganze Krankengeschichten zu modellieren“, erklärt Shmatkos Kollege Moritz Gerstung. Als Grundlage dienen dabei frühere medizinische Diagnosen sowie Lebensstilfaktoren.
Erkennung von Gesundheitsmustern
Getestet haben die Forschenden ihr Modell an einem unabhängigen Datensatz mit Gesundheitsinformationen von 1,9 Millionen Menschen aus dem dänischen nationalen Patientenregister. Bei zahlreichen Erkrankungen lieferte die KI dabei genauere Ergebnisse als bisherige, nur auf einzelne Krankheiten spezialisierte Modelle. Vor allem bei Krankheiten mit klaren Verlaufsmustern konnte Delphi-2M glänzen, etwa bei Herzinfarkten und bestimmten Krebsarten. Weniger zuverlässig war das Modell bei Gesundheitsproblemen wie psychischen Erkrankungen, die oft von unvorhersehbaren Lebensereignissen abhängen. Da die meisten Menschen aus dem Trainingsdatensatz weiße Personen im Alter zwischen 40 und 60 waren, sind die Ergebnisse für diese Gruppe am genauesten, während die Schätzungen für andere ethnische- und Altersgruppen mit größeren Unsicherheiten behaftet sind.
