Erstmals kombinieren Forscher kausale Machine-Learning-Methoden mit Realdaten aus der Rheumatologie – und zeigen, wie künstliche Intelligenz Dosierungsentscheidungen bei Psoriasis-Arthritis individueller und präziser gestalten kann als klassische klinische Studien.
Kausales Machine Learning verbessert Dosierungsentscheidungen bei Psoriasis-Arthritis
Ein Forschungsteam hat erstmals kausale Machine-Learning-Methoden mit Realdaten kombiniert, um die Dosierungsentscheidungen für den Wirkstoff Secukinumab bei Psoriasis-Arthritis zu optimieren. Die im Fachjournal Scientific Reports veröffentlichte Studie zeigt, wie datengestützte Modelle klinische Entscheidungen präziser gestalten können als klassische Studiendesigns.
Methodischer Ansatz: Kausalität statt Korrelation
Der zentrale Unterschied zur herkömmlichen prädiktiven Analytik liegt im kausalen Ansatz: Während klassische Machine-Learning-Modelle Muster und Korrelationen in Daten erkennen, zielt das kausale Machine Learning darauf ab, tatsächliche Ursache-Wirkungs-Beziehungen zu identifizieren. In der klinischen Praxis ist das entscheidend – denn nicht jede statistisch auffällige Beziehung zwischen einer Dosierung und einem Behandlungsergebnis ist kausal belastbar.
Das Autorenteam um Uta Kiltz und Kollegen nutzte Realweltdaten (Real World Data) aus der Rheumatologie, um individuelle Dosierungs-Wirkungs-Kurven für Secukinumab zu modellieren. Secukinumab ist ein zugelassener Biologika-Wirkstoff, der in zwei Dosierungsvarianten – 150 mg und 300 mg – eingesetzt wird.
In der klinischen Praxis fehlen bislang verlässliche Kriterien, welche Patienten von welcher Dosierung stärker profitieren.
Personalisierte Therapieentscheidungen auf Datenbasis
Das Modell erlaubt es, auf Basis individueller Patientenmerkmale vorherzusagen, welche Dosierung bei einem konkreten Patienten mit größerer Wahrscheinlichkeit zu einem besseren Therapieergebnis führt. Dieser Ansatz geht über die populationsbasierte Evidenz klinischer Studien hinaus und adressiert eine bekannte Schwäche randomisierter kontrollierter Studien:
Klassische RCTs liefern Durchschnittswerte – keine patientenspezifischen Handlungsempfehlungen.
Die Verwendung von Realweltdaten statt Studiendaten ist dabei ein bewusster Schritt: Sie spiegeln die Heterogenität tatsächlicher Patientenpopulationen wider, die in kontrollierten Studienumgebungen häufig unterrepräsentiert ist – etwa ältere Patienten, Personen mit Komorbiditäten oder solche mit atypischem Krankheitsverlauf.
Grenzen und offene Fragen
Die Studie ist methodisch anspruchsvoll, weist aber auch Einschränkungen auf. Realweltdaten unterliegen systematischen Verzerrungen, etwa durch selektive Verschreibungsmuster (Confounding by Indication): Ärzte tendieren dazu, bestimmten Patientengruppen höhere Dosierungen zu verschreiben – ein Muster, das auch das Trainingsmodell beeinflussen kann.
Noch offene Punkte
- Externe Validierung: Die Überprüfung des Modells in unabhängigen Patientenkohorten steht noch aus.
- Systemintegration: Für den klinischen Routineeinsatz wäre die Einbindung in Krankenhausinformationssysteme notwendig.
- Regulatorik & Datenschutz: Beide Bereiche stellen erhebliche Anforderungen an einen Praxiseinsatz.
Einordnung für deutsche Unternehmen und Gesundheitsversorger
Für Unternehmen im Health-Tech-Segment und für Krankenhausträger in Deutschland ist dieser Ansatz aus mehreren Gründen relevant:
- Der Gemeinsame Bundesausschuss (G-BA) fordert zunehmend Nachweise über den individuellen Zusatznutzen von Therapien – ein Bereich, in dem kausale ML-Modelle auf Basis von Versorgungsdaten künftig eine tragende Rolle spielen könnten.
- Das Konzept bietet Ansatzpunkte für Digital-Health-Anwendungen (DiGA) sowie für die Nutzung des wachsenden Datenpools aus dem Elektronischen Patientendossier.
Wer heute in die methodische Kompetenz für kausale Inferenz investiert, positioniert sich für eine Versorgungslandschaft, in der datengestützte Personalisierung zum Standard wird.
Quelle: Scientific Reports – Nature