KI in klinischen Studien: Machine Learning Algorithmen trainieren

^{Erstellt am: 16.02.2023}

Wie wird eine künstliche Intelligenz für die klinische Forschung entwickelt? Und mit welchen Datensätzen werden Machine-Learning-Algorithmen trainiert? Lesen Sie hier, wie eine KI effizient arbeitet.

Was ist Machine Learning?

Machine Learning ist ein Teilgebiet von künstlicher Intelligenz. Es beschreibt die Fähigkeit eines künstlichen Systems, Wissen aus Erfahrung zu generieren. Dafür erlernen Algorithmen aus eingespeisten Daten bestimmte Muster und Regeln, die sie auf fremde Daten und Fälle anwenden. So übernimmt eine künstliche Intelligenz komplexe Aufgabenbereiche des Menschen.

In der klinischen Forschung entlastet eine KI unter anderem Abteilungen wie das Datenmanagement und die Pharmakovigilanz (Arzneimittelsicherheit). Hierbei analysiert die künstliche Intelligenz Daten und leitet Fehlermeldungen oder Prognosen möglicher Risiken an die zuständigen Mitarbeiter weiter. Mithilfe des Algorithmus generiert eine KI verlässliche Daten und ermöglicht so validere Studienergebnisse.

Interaktive Produktdemo

Meteor reduziert den manuellen Arbeitsaufwand um bis zu 40 %. Machen Sie jetzt eine kostenlose Produkttour, um zu sehen, wie unsere KI-Lösung die wichtigsten Datenpunkte hervorhebt, Fehler minimiert und Ihren gesamten Datenmanagement-Workflow optimiert.

Jetzt zur Meteor Tour

Wie Daten für die Entwicklung einer KI genutzt werden

Bevor eine künstliche Intelligenz mithilfe gesammelter Informationen Prognosen für mögliche Risiken liefert, benötigt sie eine Datengrundlage, um diese Fähigkeit zu trainieren. Doch woher stammen diese Daten?

Laut Verordnung der Good Clinical Practice1 müssen die Daten einer klinischen Studie mindestens zehn Jahre archiviert werden. Mit dem Einverständnis der Patientinnen und Patienten könnten sie anonymisiert als Trainingsdaten für eine künstliche Intelligenz eingesetzt werden. Auch Landesdatenbanken und Big-Data-Projekte könnten Daten zur Verfügung stellen.

Mit der Nutzung dieser Informationen kämen unzählige Datensätze zusammen, die den Algorithmus einer KI für klinische Studien trainieren würden. In Probedurchläufen ließen sich die Ergebnisse der KI mit diesen Daten vergleichen, der Verlauf einer echten Studie würde simuliert.

Künstliche Intelligenz und maschinelles Lernen sind in den vergangenen Jahren immer mehr in Wirtschaft, Wissenschaft und Gesellschaft angekommen. Lesen Sie hier mehr über die Chancen.

Entwicklung einer KI: Warum Datenqualität für klinische Studien zählt

Bei der Entwicklung einer KI kommt es neben der Menge an Daten auch auf deren Verlässlichkeit an. Für die Konzeption einer künstlichen Intelligenz ist Datenbetrachtung und -formulierung unverzichtbar:

• Welche Informationen sind in den Daten enthalten?

• Sind diese Daten valide?

• Für welche Felder der klinischen Studie sind diese Informationen relevant?

Die Qualität von Daten weicht von Studie zu Studie ab. Manche Datensätze beinhalten falsche Informationen, zudem können Informationen fehlen. Diese müssen erkannt und ausgewertet werden. Andernfalls würde der Machine-Learning-Algorithmus das Fehlen der Informationen fälschlicherweise als Gesetzmäßigkeit identifizieren.

Ein Beispiel: Zu einer der bekanntesten und offensichtlichsten Nebenwirkungen einer Chemotherapie gehört Haarausfall. Tatsächlich gilt Haarausfall als so offensichtlich, dass Studienärzte dieses Symptom oft nicht als unerwünschtes Ereignis dokumentieren. In den anzutrainierenden Datensätzen taucht der Haarausfall daher nicht auf.

Wie Daten für den Einsatz in klinischen Studien vorbereitet werden

Fehlende oder fehlerhafte Informationen in Datensätzen müssen erkannt, ausgewertet und bearbeitet werden, bevor sie für das Training einer KI verwendet werden. Dazu gehört die Absprache mit medizinischen Experten wie Medical Writern oder Studienärzten, die mit den jeweiligen Studien vertraut sind. Sie kennen die üblichen Probleme der Datenerhebung klinischer Studien.

Warum dies wichtig ist, zeigt sich spätestens bei einem Testdurchlauf: Wird ein Studienverlauf mit Daten simuliert, bei denen der Haarausfall nicht als Symptom der Chemotherapie dokumentiert wurde, schlägt die KI auf die fehlenden Daten an und leitet Fehlermeldungen an den Datenmanager weiter. Solchen Meldungen muss im Studienzentrum nachgegangen werden. Eine zusätzliche Arbeit, die zu Verzögerungen führt.

Die Lösung des Problems: Bei onkologischen Studien mit Patienten, die sich einer Chemotherapie unterziehen, könnte der Haarausfall im Algorithmus schwächer gewichtet werden. Die KI erkennt das fehlende Ereignis zwar, reagiert aber nicht.

Dieses Beispiel zeigt, dass bei der Entwicklung einer KI ist dauerhaftes Überwachen und Anpassen der Daten essenziell ist. Nur gut ausgearbeitete Datensätzen und ständiges Feedback schaffen eine effiziente künstliche Intelligenz für den Einsatz in klinischen Studien.

„KI ist die Zukunft klinischer Studien“, sagt Jascha, Produktmanager Datenanalyse bei Alcedis. Lesen Sie hier das Interview mit ihm.

¹https://www.gesetze-im-internet.de/gcp-v/BJNR208100004.html