Eine internationale Studie in Nature Communications zeigt: Maschinelles Lernen kann gefährliche Leukämie-Subtypen allein auf Basis von Routinelabordaten zuverlässig erkennen – und das über Ländergrenzen und Kliniksysteme hinweg. Das könnte die Diagnostik grundlegend beschleunigen.
KI-Algorithmen erkennen Leukämie-Subtypen zuverlässig – internationale Validierungsstudie veröffentlicht
Eine in Nature Communications veröffentlichte Studie belegt, dass Machine-Learning-Algorithmen akute Leukämie-Subtypen anhand routinemäßig erhobener Labordaten präzise klassifizieren können. Das internationale Forscherteam aus mehr als 35 Wissenschaftlern validierte die Modelle an Patientendaten aus mehreren Ländern – ein bedeutender Schritt hin zur klinischen Anwendbarkeit.
Hintergrund und Methodik
Akute Leukämien lassen sich in verschiedene biologische Subtypen unterteilen, deren genaue Klassifikation für Therapieentscheidungen ausschlaggebend ist. Bislang erfordert dies aufwendige molekulargenetische Untersuchungen, die Zeit und Ressourcen binden.
Die Studie, an der Einrichtungen aus Europa, den USA, dem Nahen Osten und Lateinamerika beteiligt waren, untersuchte, ob etablierte Machine-Learning-Verfahren diese Klassifikation bereits auf Basis von Standardlaborwerten – etwa Blutbild und klinischen Basisdaten – zuverlässig leisten können.
Das Autorenteam um Amin T. Turki umfasst Kliniker und Datenwissenschaftler aus Zentren wie dem Newcastle Upon Tyne NHS Foundation Trust, dem King Faisal Specialist Hospital in Riad sowie mehreren europäischen Universitätskliniken. Diese breite institutionelle Basis war methodisch gewollt:
Nur eine externe Validierung an unterschiedlichen Patientenpopulationen und Laborsystemen erlaubt eine belastbare Einschätzung der Modellgüte.
Ergebnisse der internationalen Validierung
Die Algorithmen zeigten in der internen Entwicklungskohorte zunächst hohe Klassifikationsleistungen. Entscheidend ist jedoch, dass die Modelle auch in den externen Validierungskohorten – also an Daten, die nicht für das Training verwendet wurden – stabile Vorhersagegüte behielten. Dabei wurden die Modelle iterativ verfeinert, um Overfitting und populationsspezifische Verzerrungen zu reduzieren.
Die Studie adressiert damit ein zentrales Problem vieler medizinischer KI-Projekte:
Algorithmen, die in einer Klinik gut funktionieren, versagen häufig in anderen institutionellen Umgebungen – aufgrund abweichender Messverfahren, Patientendemografien oder Dokumentationsstandards.
Die internationale Ausrichtung dieser Validierung soll genau diesen Übertragbarkeitsproblemen entgegenwirken.
Klinische und methodische Einordnung
Die Studie wurde unter Open-Access-Bedingungen (CC BY 4.0) in Nature Communications veröffentlicht und ist damit vollständig öffentlich zugänglich. Aus methodischer Sicht ist bemerkenswert, dass ausschließlich Routinelabordaten genutzt wurden – also Daten, die in nahezu jeder hämatologischen Notaufnahme ohnehin vorliegen.
Eine frühzeitige Einschätzung des Leukämie-Subtyps könnte die Zeit bis zum Therapiebeginn verkürzen, da spezialisierte molekulargenetische Befunde in der Regel mehrere Tage benötigen. Die Arbeit ordnet sich in eine wachsende Zahl klinischer KI-Studien ein, die auf diagnostische Unterstützung im Labor- und Bildgebungsbereich abzielen – ein Bereich, in dem regulatorische Rahmenbedingungen in der EU durch den AI Act und die In-vitro-Diagnostika-Verordnung (IVDR) zunehmend definiert werden.
Relevanz für den deutschen Gesundheitsmarkt
Für deutsche Kliniken, Diagnostikunternehmen und Health-IT-Anbieter verdeutlicht die Studie mehrere strategische Punkte:
- Internationale Validierungsdatensätze gewinnen als Qualitätsmerkmal für medizinische KI-Produkte an Bedeutung – auch gegenüber Zulassungsbehörden.
- Der Ansatz zeigt, wie vorhandene Routinedaten aus Krankenhausinformationssystemen als Grundlage für diagnostische Entscheidungsunterstützung genutzt werden können, ohne kostenintensive neue Infrastruktur aufzubauen.
- Unternehmen im Bereich Computational Pathology oder klinische Entscheidungsunterstützung dürften die methodischen Anforderungen dieser Publikation als Referenzrahmen für eigene Produktentwicklungen nutzen.
