KI im Gesundheitswesen steht vor dem Realitätscheck am Menschen
Unternehmen im Bereich Healthcare AI treten mit großen Versprechen auf, doch viele haben bislang keine wirksamen Therapien auf den Markt gebracht. Ein Artikel betont, dass der entscheidende Maßstab weiterhin der Nachweis am Menschen ist – vor dem Hintergrund langer Studienzeiten, hoher Kosten und laufender Programme.
Healthcare-AI-Unternehmen machen weiterhin weitreichende Versprechungen, doch die meisten Unternehmen haben noch kein Arzneimittel hervorgebracht, das beim Menschen wirksam war. Isomorphic hat bislang keine Behandlungen auf den Markt gebracht, Lila ebenfalls nicht, und Anthropic hat kürzlich das im Verborgenen agierende Start-up Coefficient Bio für $400 million übernommen.
Der Artikel argumentiert, dass es nur einen wirklichen Test für jede Healthcare AI gibt: Hat sie beim Menschen funktioniert? Um eine neue Behandlung zu prüfen, muss man sie durch eine klinische Phase-3-Studie (Phase 3 clinical trial) bringen. Das dauert in der Regel 10 Jahre und $2 billion. Um ein Diagnostikum zu testen, muss ein klinischer Nutzen nachgewiesen, ein strenger Test durch Dritte bestanden und ein vollständiges Qualitätsmanagementsystem aufgebaut werden, noch bevor das Produkt überhaupt in der Klinik eingesetzt werden darf. Neue menschliche Biologie zu entschlüsseln und zu belegen, könnte Jahrzehnte wissenschaftlicher Experimente erfordern.
Unternehmen wie Insilico Medicine und Recursion bringen mithilfe von KI entdeckte Wirkstoffkandidaten in klinischen Studien voran. Bei Owkin ist OKN4395 in die klinische Phase-1a-Studie INVOKE (Phase 1a clinical INVOKE trial) eingetreten. Das Unternehmen erklärte außerdem, es habe seine KI über Jahre mit realen Patientendaten trainiert und MSIntuit CRC über die CE-Kennzeichnung in Europa in die pathologische Praxis gebracht.
Dem Artikel zufolge werden laufend Daten von Patiententeilnehmern der INVOKE-Studie genutzt, um die KI zu verbessern. Dort, wo Vorhersagen über das Ansprechen von Patienten unzutreffend waren, wurde die KI mit realen Daten neu trainiert, um ihre Leistung zu verbessern. Weiter hieß es, dass Modelle, die mit umfangreichen Patientendaten, von Patienten abgeleiteten Organoiden und routinemäßiger klinischer Anwendung trainiert wurden, Modellvorhersagen näher an die Realität heranführen können. Doch weder eine KI für die Arzneimittelentwicklung, das Studiendesign, die Diagnostik noch die klinische Anwendung kann erfolgreich sein, ohne zu zeigen, dass ihre Ergebnisse beim Menschen funktionieren.