Nicht nur die richtige Therapie ist entscheidend, sondern auch der richtige Zeitpunkt, die richtige Dosis und die richtige Dauer. Ein Forschungsteam der Universität Koblenz arbeitet an einer KI, die Ärzt*innen künftig dabei unterstützen soll, diese Entscheidungen individuell für jeden Patienten zu treffen.

Die im renommierten „IEEE Journal of Biomedical and Health Informatics” veröffentlichte Methode geht dabei einen entscheidenden Schritt weiter als bisherige KI-Systeme: Sie berechnet nicht nur, welche Therapie sinnvoll sein könnte, sondern simuliert auch die wahrscheinlichen Folgen verschiedener Behandlungen und kann diese Vorhersagen fortlaufend an neue Patientendaten anpassen.

Wer schwer erkrankt ist, steht oft vor einem medizinischen Balanceakt. Eine Chemotherapie kann den Tumor verkleinern, belastet den Körper aber gleichzeitig stark. Antibiotika müssen hoch genug dosiert sein, um eine Infektion zu bekämpfen, dürfen aber Nieren oder Leber nicht schädigen. Bislang beruhen solche Entscheidungen vor allem auf Leitlinien, klinischer Erfahrung und Durchschnittswerten. Doch jeder Mensch reagiert anders.

Genau hier setzt die Forschung von Prof. Dr. Maik Kschischo vom Institut für Informatik der Universität Koblenz an. Sein Team entwickelt KI-Modelle, die aus großen Mengen medizinischer Daten lernen und für jeden einzelnen Patienten verschiedene Therapieverläufe „durchspielen” können. Das Herzstück ist ein System namens DoseAI.

Ein digitaler Blick in die Zukunft

Die Idee klingt wie Science-Fiction: Ein Modell erhält sämtliche verfügbaren Informationen eines Patienten, zum Beispiel Laborwerte, Alter, Gewicht oder den bisherigen Krankheitsverlauf, und berechnet anschließend, wie sich unterschiedliche Behandlungen wahrscheinlich auswirken werden. Wie entwickelt sich das Tumorvolumen bei einer höheren Dosis? Welche Nebenwirkungen sind zu erwarten? Wie verändern sich die Laborwerte oder das Körpergewicht? Für verschiedene Therapieoptionen kann das Modell eine Prognose erstellen.

Ärzt*innen erhalten dadurch eine zusätzliche Entscheidungsgrundlage. Anstatt sich nur auf Erfahrungen vergleichbarer Fälle zu stützen, können sie verschiedene Behandlungsoptionen virtuell vergleichen, bevor sie sich für eine Therapie entscheiden.

Nicht nur vorhersagen – Ursachen verstehen

Der wissenschaftliche Kern der Forschung liegt in einem Gebiet, das als „Causal Machine Learning” bezeichnet wird. Während sich die klassische KI vor allem darauf konzentriert, Muster zu erkennen und Vorhersagen zu treffen, versucht dieser Ansatz zu lernen, welche Auswirkungen eine konkrete Handlung tatsächlich hat.

„Uns interessiert nicht nur die Frage: ‚Was wird passieren?‘, sondern vor allem: ‚Was passiert, wenn wir genau diese Therapie wählen statt einer anderen?‘“, beschreibt Kschischo den Forschungsansatz.

Eine besondere Herausforderung dabei ist das sogenannte zeitabhängige Confounding: Ärztliche Entscheidungen über Dosis und Therapie werden durch den aktuellen Gesundheitszustand des Patienten beeinflusst, beispielsweise durch aktuelle Laborwerte oder Bildgebungsbefunde. Das verzerrt statistische Auswertungen. Ein Modell, das nur Muster lernt, könnte fälschlicherweise eine hohe Dosis mit schlechten Verläufen assoziieren, schlicht weil sie häufig bei bereits schwer erkrankten Patienten eingesetzt wird. Um diesen Effekt zu korrigieren, lernt DoseAI einen Krankheitszustand, der vergangene Behandlungen berücksichtigt, zukünftige Therapieentscheidungen jedoch nicht vorwegnimmt.

Von der Krebstherapie bis zur Antibiotikadosierung

In der veröffentlichten Arbeit wird ein besonders schwieriges Problem behandelt: die optimale Dosierung von Medikamenten und Strahlentherapien. Am Beispiel der Krebsbehandlung zeigt das Modell, wie sich unterschiedliche Dosierungen einer Chemotherapie oder Strahlentherapie auf den Krankheitsverlauf und gleichzeitig auf mögliche Nebenwirkungen auswirken könnten. Das Ziel besteht darin, den Tumor möglichst effektiv zu bekämpfen, ohne den Patienten unnötig zu belasten.

In Simulationen mit einem mathematischen Modell des Lungenkrebswachstums, bei denen der tatsächliche Krankheitsverlauf bekannt ist konnte DoseAI realistische Dosierungsstrategien entwickeln. Diese minimierten das Tumorvolumen und hielten gleichzeitig die vorgegebenen Grenzen für den therapiebedingten Gewichtsverlust ein. Dabei erlaubt das Modell sowohl vordefinierte Dosiskategorien als auch vollständig frei wählbare, kontinuierliche Dosierungen.

Das Prinzip lässt sich auf viele andere medizinische Fragestellungen übertragen, beispielsweise auf die Dosierung von Antibiotika bei schweren Infektionen oder auf Hormonersatztherapien. Wie gut solche Modelle künftig sein werden, hängt allerdings entscheidend von den verfügbaren Daten ab. Je vollständiger und hochwertiger die Patientendaten sind, desto zuverlässiger lassen sich individuelle Therapieverläufe berechnen.

Aufbauend auf früheren Erfolgen

Die neue Methode knüpft an frühere Arbeiten des Teams an. Mit dem KI-System OptAB entwickelte die Forschungsgruppe bereits ein Verfahren, das Antibiotika für Sepsis-Patientinnen und -Patienten individuell auswählen konnte. Das Modell sagte den Krankheitsverlauf sowie die möglichen Nebenwirkungen verschiedener Antibiotika voraus und unterstützte so die Auswahl einer möglichst wirksamen und zugleich schonenden Behandlung.

Mit DoseAI geht die Forschung nun einen entscheidenden Schritt weiter: Anstatt lediglich zwischen verschiedenen Medikamenten zu wählen, kann die KI auch kontinuierliche Dosierungen optimieren – adaptiv und über die gesamte Behandlungsdauer hinweg, Schritt für Schritt mit jedem neu vorliegenden Messwert.

Perspektiven weit über die Medizin hinaus

Obwohl der Schwerpunkt auf medizinischen Anwendungen liegt, reichen die Möglichkeiten der entwickelten Methoden weit darüber hinaus. Ähnliche Modelle könnten künftig überall dort eingesetzt werden, wo Entscheidungen langfristige Folgen haben und große Datenmengen vorliegen – etwa in der Unternehmenssteuerung oder in anderen komplexen Planungssituationen.

Langfristig könnte die Forschung dazu beitragen, Therapien präziser auf einzelne Menschen zuzuschneiden und Behandlungen wirksamer sowie nebenwirkungsärmer zu gestalten. So könnte aus einer datengetriebenen Entscheidungshilfe ein digitales Werkzeug entstehen, das Ärzt*innen bei den schwierigsten Therapieentscheidungen unterstützt – individuell, nachvollziehbar und auf Basis der Erfahrungen vieler tausend früherer Behandlungen.