Synthetische Patientendaten könnten die Medizin-KI revolutionieren – wenn die zugrunde liegenden Modelle halten, was sie versprechen. Das US-Startup Mantis Biotech setzt auf digitale Menschenkopien, um einen der größten Engpässe im KI-Gesundheitsbereich zu überwinden.
Mantis Biotech erzeugt digitale Menschenkopien, um Datenlücken in der Medizin-KI zu schließen
Das US-amerikanische Biotech-Unternehmen Mantis Biotech verfolgt einen ungewöhnlichen Ansatz, um eines der drängendsten Probleme bei der Entwicklung medizinischer KI-Systeme zu lösen: den chronischen Mangel an hochwertigen Patientendaten. Das Startup erstellt sogenannte Digital Twins – digitale Abbilder menschlicher Physiologie – und generiert damit synthetische Datensätze, die echte klinische Daten ergänzen oder ersetzen sollen.
Das strukturelle Datenproblem in der Medizin-KI
Large Language Models und andere KI-Systeme im Gesundheitsbereich stoßen regelmäßig an eine harte Grenze: Patientendaten sind aus rechtlichen und ethischen Gründen schwer zugänglich, oft fragmentiert und selten in maschinenlesbarer Form vorhanden. Klinische Studien liefern zwar belastbare Ergebnisse, sind jedoch teuer, zeitaufwendig und decken häufig nur begrenzte Populationen ab.
Seltene Erkrankungen oder spezifische Subgruppen sind in verfügbaren Datensätzen strukturell unterrepräsentiert – ein Problem, das die Leistungsfähigkeit medizinischer KI-Modelle direkt limitiert.
Mantis Biotech setzt hier mit einem modellbasierten Ansatz an. Das Unternehmen baut physiologische Simulationen, die biologische Prozesse auf individueller Ebene abbilden. Auf Basis realer Messdaten – etwa aus Wearables, Labortests oder klinischen Parametern – wird ein digitales Pendant eines Patienten erzeugt, das anschließend virtuelle Experimente und Datengenerierung ermöglicht.
Synthetische Daten als Trainingsgrundlage
Der Kerngedanke: Wenn ein Digital Twin das physiologische Verhalten eines Menschen hinreichend genau modelliert, können aus ihm beliebig viele synthetische Datenpunkte abgeleitet werden – ohne Datenschutzkonflikte und ohne die ethischen Hürden echter klinischer Datenerhebung. Diese synthetischen Daten sollen dann als Trainingsmaterial für KI-Modelle dienen, die Diagnosen unterstützen, Medikamentenwirkungen vorhersagen oder Therapieverläufe optimieren.
Mantis Biotech hat nach eigenen Angaben bereits Finanzierung von Decibel VC erhalten. Der genaue Investitionsbetrag wurde nicht öffentlich kommuniziert. Das Team kombiniert Expertise aus den Bereichen Computational Biology, maschinelles Lernen und klinische Forschung.
Chancen und offene Fragen
Der Ansatz ist nicht ohne Vorbilder: Digitale Zwillinge werden bereits in der Luft- und Raumfahrt sowie im Maschinenbau zur Simulation und Fehlervorhersage eingesetzt. Die Übertragung auf biologische Systeme ist jedoch deutlich komplexer.
Der menschliche Körper ist hochvariabel – die Frage, wie genau ein Digital Twin tatsächlich das Verhalten eines realen Patienten abbilden kann, bleibt eine zentrale wissenschaftliche Herausforderung.
Kritiker weisen darauf hin, dass synthetische Daten zwar Lücken füllen können, aber nur so gut sind wie die Modelle, auf denen sie basieren. Fehler oder Vereinfachungen im zugrunde liegenden physiologischen Modell würden sich direkt in den generierten Daten fortpflanzen – und potenziell in die darauf trainierten KI-Systeme.
Regulatorische Behörden wie die FDA in den USA oder die EMA in Europa haben bislang keine einheitlichen Standards für den Einsatz synthetischer Daten in der Zulassung medizinischer KI etabliert.
Einordnung für deutsche Unternehmen
Für Unternehmen im deutschsprachigen Raum, die im Digital-Health-Bereich aktiv sind oder KI-gestützte Medizinprodukte entwickeln, ist der Ansatz von Mantis Biotech ein relevantes Signal. Deutschland leidet unter denselben strukturellen Datenproblemen: Die Digitalisierung des Gesundheitswesens schreitet langsam voran, und die Nutzung von Patientendaten für KI-Training ist durch die DSGVO sowie sektorspezifische Regulierung stark eingeschränkt.
Synthetische Daten auf Basis physiologischer Modelle könnten mittelfristig einen regulatorisch akzeptablen Weg bieten, um Entwicklungszyklen zu beschleunigen – vorausgesetzt, die wissenschaftliche Validierung dieser Methodik hält dem Prüfdruck stand.
Entsprechende Entwicklungen auf europäischer Regulierungsebene sollten dabei eng beobachtet werden.
Quelle: TechCrunch AI
