Ein internationales Team um Stefan Feuerriegel, Leiter des Instituts für AI in Management an der LMU, hat das Potenzial eines vergleichsweise neuen Zweigs von KI für Diagnostik und Therapie aus.
Lassen sich mit sogenanntem Kausalen Maschinellen Lernen (ML) Behandlungsergebnisse abschätzen – besser als mit bisher gängigen Machine-Learning-Verfahren?
Ja, heißt es in einer programmatischen Arbeit der Gruppe im angesehenen Fachblatt Nature Medicine, es werde Wirksamkeit und Sicherheit von Behandlungen verbessern können.
Insbesondere biete die neue Machine-Learning-Variante „eine Fülle von Möglichkeiten, Behandlungsstrategien zu personalisieren und damit die Gesundheit der Patienten individuell zu verbessern“, schreiben die Forscherinnen und Forscher aus München, Cambridge (Großbritannien) und Boston (USA), zu denen auch Stefan Bauer und Niki Kilbertus, Informatikprofessoren an der Technischen Universität München (TUM) und Arbeitsgruppenleiter bei Helmholtz AI, gehören.
Die Autoren führen dafür das Beispiel Diabetes an: Klassisches ML würde darauf abzielen vorherzusagen, wie wahrscheinlich eine Erkrankung ist, wenn der Patient eine Reihe von Risikofaktoren mitbringt. Mit Kausalem ML könnte man im Idealfall beantworten, wie sich das Risiko verändert, wenn der Patient ein Anti-Diabetes-Mittel bekommt, eine Ursache (Medikamentengabe) also eine Wirkung hat. Es wäre auch möglich abzuschätzen, ob ein anderer Behandlungsplan besser wäre als etwa das häufig verabreichte Medikament Metformin.
Stefan Feuerriegel, Dennis Frauen, Valentyn Melnychuk, Jonas Schweisthal, Konstantin Hess, Alicia Curth, Stefan Bauer, Niki Kilbertus, Isaac S. Kohane und Mihaela van der Schaar: Causal machine learning for predicting treatment outcomes. Nature Medicine, 2024
