KI-Tools sollen Früherkennung von Krebs und Prognosen für klinische Studien verbessern
Künstliche Intelligenz treibt die Krebsversorgung voran – mit Tools zur Früherkennung und verbesserten Prognosen für klinische Studien. Ein Carnegie-Mellon-Spinout entwickelt KI zur Identifikation von Hochrisikopatienten, während Predictive Analytics Pharmaunternehmen helfen, aussichtsreiche Onkologie-Wirkstoffkandidaten gezielter zu priorisieren.
Ein Spinout-Unternehmen der Carnegie Mellon University nutzt künstliche Intelligenz, um Patientinnen und Patienten mit hohem Risiko für Lungen-, Leber- und Bauchspeicheldrüsenkrebs zu identifizieren, indem es sein Vorhersagetool mit Millionen medizinischer Patientendatensätze trainiert. Xlue Inc. erreichte eine Vorhersagegenauigkeit von 50% bei Personen ohne Krebsanamnese, während die Genauigkeit des Tools bei Patientinnen und Patienten, die bereits an Krebs erkrankt waren, 70% betrug.
Die beste Chance, Krebs zu heilen, besteht Ärzten zufolge darin, ihn früh zu erkennen – doch das gelingt nicht immer. Zwischen 80% und 85% der Fälle von Bauchspeicheldrüsenkrebs werden erst diagnostiziert, wenn die aggressive und tödliche Erkrankung bereits ein fortgeschrittenes Stadium erreicht hat, so eine Studie aus dem Jahr 2023 in der Open-Access-Fachzeitschrift Cureus. Auch Lungen- und Leberkrebs haben oft unspezifische oder milde Symptome, die die Erkrankung bis zu spät verschleiern können.
Das CATCH-FM-Tool von Xlue identifiziert Signale, die mit einer künftigen Krebsentwicklung assoziiert sind, indem es den Krankheitsverlauf der Patientinnen und Patienten nachbildet. So können behandelnde Ärztinnen und Ärzte Nachuntersuchungen und Screening zur frühen Diagnose empfehlen. Das Unternehmen trainierte sein Vorhersagetool anhand elektronischer Krankenakten von Millionen Patientinnen und Patienten über einen Zeitraum von zwei Jahrzehnten; diese stammten aus einer groß angelegten taiwanischen nationalen Datenbank für Gesundheitsabrechnungen. Zudem laufen Gespräche, um offline vorliegende und de-identifizierte Krankenakten zu durchsuchen, die vom Krankenhauskonzern UPMC, dem größten Gesundheitssystem Pennsylvanias, gespeichert werden.
Das in Shadyside ansässige Unternehmen, das sechs Mitarbeitende beschäftigt, wurde 2025 aus der CMU ausgegründet. Das Unternehmen ist noch nicht profitabel und hat in einer frühen Friends-and-Family-Runde 1,5 Millionen US-Dollar eingeworben. Die Technologie von Xlue könnte angepasst werden, um Patientinnen und Patienten mit einem hohen Risiko für einen Schlaganfall oder Herzinfarkt zu identifizieren.
Der Ansatz von Xlue könnte auch Kosten sparen: Die durchschnittlichen Kosten für Versicherer zur Behandlung einer kommerziell versicherten Person mit metastasiertem Bauchspeicheldrüsenkrebs liegen zwischen 95.000 und 116.000 US-Dollar, so eine Studie aus dem Jahr 2021 in der Fachzeitschrift American Health & Drug Benefit. Screening auf die drei Krebsarten könnte letztlich die öffentliche Gesundheit verbessern. Eine flächendeckende Mammographie-Screening-Strategie hat beispielsweise dazu beigetragen, die Brustkrebssterblichkeit um 8% bis 40% zu senken, wie die Centers for Disease Control and Prevention berichten.
In den USA nahmen 2022 nur 18,2% der Anspruchsberechtigten an einem Lungenkrebs-Screening teil. Lungenkrebs ist laut den GLOBOCAN-2022-Daten der World Health Organization weltweit die häufigste krebsbedingte Todesursache.
Auch in der Arzneimittelentwicklung schreiten Predictive Analytics voran, insbesondere in onkologischen klinischen Studien. Aktuelle Vorhersagemodelle werden besser, vor allem bei der Prognose des Erfolgs vom Phase-I- in Phase-II- oder Phase-III-Studien. Viele Tools zeigen in diesem Bereich bereits eine relativ hohe Genauigkeit, was Unternehmen hilft, die vielversprechendsten Wirkstoffkandidaten zu priorisieren.
Die Vorhersage des Erfolgs von präklinischen Stadien bis hin zu klinischen Ergebnissen ist jedoch deutlich schwieriger. First-in-class-Wirkstoffe verfügen häufig nicht über ausreichende historische Daten, was eine präzise Modellierung erschwert. Zwar gibt es eine wissenschaftliche Begründung und Einblicke in den Wirkmechanismus, doch deren Übersetzung in verlässliche klinische Vorhersagen bleibt komplex.
Der größte ungedeckte Bedarf besteht darin, vorherzusagen, welche Wirkstoffe sich in der Klinik durchsetzen werden. Künftig könnten Predictive-Analytics-Modelle so leistungsfähig werden, dass sie die Abhängigkeit von Tiermodellen verringern – insbesondere in der Onkologie, wo diese Modelle oft keine zuverlässigen Vorhersagen für Patientenergebnisse liefern.