Machine-Learning-Frameworks verbessern klinische Studien, Transplantationsrisiko-Vorhersage und Behandlungsindividualisierung

Drei neue Machine-Learning-Frameworks zielen darauf ab, die klinische Entscheidungsfindung zu verbessern: MARGO für die adaptive Randomisierung in klinischen Studien, BIOPREVENT für die Vorhersage von Komplikationen nach Stammzelltransplantation und FOCaL für die Schätzung funktionaler heterogener Behandlungseffekte.

Forschende der Sungkyunkwan University haben ein neuartiges statistisches Framework entwickelt – MARGO (Machine Learning-Assisted Adaptive Randomization for Group Sequential Trials Based on Overlap Weights) – das maschinelles Lernen in der klinischen Studiendesign praktisch anwendbar macht. Diese Arbeit liefert die erste rigorose Lösung für die grundlegenden statistischen Herausforderungen, die bei der Integration von ML/KI-gesteuerter Entscheidungsfindung in klinische Studien entstehen. MARGO integriert auf maschinellem Lernen basierende Vorhersagemodelle mit Überlappungsgewichten (OW), einem auf Propensity Scores basierenden Ansatz, der in der Kausalanalyse häufig zur Korrektur von Kovariaten-Ungleichgewicht eingesetzt wird. Es nutzt Patientenkovariaten-Informationen, um die Wahrscheinlichkeit des Behandlungserfolgs mittels maschinellem Lernen vorherzusagen, und verwendet diese Vorhersagen dann, um Patienten bevorzugt der wirksameren Behandlung zuzuweisen, während OW das Ungleichgewicht der Kovariaten zwischen den Behandlungsgruppen korrigiert. Das Framework wurde mit vier Algorithmen des maschinellen Lernens evaluiert: Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Random Forest (RF) und Multi-Layer Perceptron (MLP). In umfangreichen Simulationsstudien zeigte MARGO eine überlegene Leistung gegenüber konventioneller fester Randomisierung und bestehenden adaptiven Randomisierungsmethoden in drei Schlüsseldimensionen: Es wies einen größeren Anteil von Patienten der wirksameren Behandlung zu; es hielt die Gesamt-Typ-I-Fehlerrate unter der Zielschwelle von 0,05 – selbst in Szenarien, in denen konventionelle Methoden die Fehlerrate auf bis zu 0,08–0,18 erhöhten; und es bewahrte eine hohe statistische Power unter alternativen Szenarien, während die Anzahl der Behandlungsfehlschläge reduziert wurde. Die Studie wurde in Statistics in Medicine veröffentlicht.

Ein KI-Tool kann potenzielle Komplikationen nach einer Knochenmark- oder Stammzelltransplantation erkennen, bevor Symptome auftreten, was ein genaueres Monitoring der Patienten und eine vorbeugende Behandlung ermöglichen könnte. Der BIOPREVENT-Algorithmus kombiniert maschinelles Lernen mit Immun-Biomarkern und klinischen Daten, um eine chronische Graft-versus-Host-Erkrankung (GVHD) oder den Tod nach hämatopoetischer Stammzelltransplantation (HCT) vorherzusagen. GVHD entsteht, wenn Spenderzellen, die zur Behandlung von Blutkrankheiten infundiert werden, gegen den Empfänger reagieren, und betrifft häufig Haut, Darm oder Leber; sie ist eine der Hauptursachen für belastende Erkrankungen und Tod nach HCT-Transplantation. BIOPREVENT wurde mit Daten von 1310 Stammzell- und Knochenmarktransplantationsempfängern aus vier gut charakterisierten multizentrischen Studien entwickelt. Die Daten umfassten sieben zuvor validierte Plasma-Biomarker, die aus Blutproben gemessen wurden, die 90 bis 100 Tage nach der Transplantation gesammelt wurden und mit Entzündung, Immunaktivierung und -regulation sowie Gewebeschädigung und -umbau verbunden sind, kombiniert mit neun wichtigen klinischen Faktoren, darunter Alter des Patienten, Transplantationstyp, Grunderkrankung und frühere Komplikationen aus Transplantationsregistern. Mehrere Machine-Learning- und Deep-Learning-Modelle wurden bewertet; Bayesian Additive Regression Trees (BART) lieferten durchweg hohe Ergebnisse und wurden schließlich für das endgültige Modell ausgewählt. BIOPREVENT war das am besten abschneidende Modell unter mehreren Machine-Learning-Modellen und zeigte seine praktische Anwendbarkeit als biomarkerbasiertes Vorhersagetool in zwei Power-Berechnungen für eine hypothetische Studie unter zwei Patientenszenarien. Die Forschenden glauben, dass ihre Studie die größte Biomarker-Studie zur chronischen GVHD bisher ist und dass die kostenlose Bereitstellung ihres webbasierten Tools weitere Tests ermöglichen wird. Das Tool wird im Journal of Clinical Investigation beschrieben und ist derzeit für die Risikobewertung und klinische Forschung konzipiert.

Eine weitere neue Methode befasst sich mit der Herausforderung, heterogene Behandlungseffekte aus komplexen kontinuierlichen Daten zu schätzen. Der FOCaL (Functional Outcome Causal Learner) ist ein doppelt robustes Machine-Learning-Framework, das entwickelt wurde, um funktionale Ergebnisse zu analysieren – Daten, die über einen kontinuierlichen Bereich wie Zeit oder Raum beobachtet werden – und die Einschränkungen bestehender Techniken zu überwinden, die sich typischerweise auf einzelne skalare Ergebnisse konzentrieren. FOCaL verwendet funktionale Regression sowohl für die Modellierung von Ergebnissen als auch für die Rekonstruktion funktionaler Pseudowerte, was eine robuste Schätzung darüber ermöglicht, wie Behandlungseffekte zwischen Individuen variieren. Diese doppelte Robustheit ist entscheidend und gewährleistet zuverlässige Ergebnisse, selbst wenn die zugrunde liegenden Modelle unvollständig spezifiziert sind. Simulationsstudien zeigten, dass FOCaL bestehende nicht-robuste funktionale Methoden in einer Reihe von Szenarien durchweg übertraf: Es erreichte einen mittleren absoluten Fehler von 0,083 auf den simulierten funktionalen Kurven, eine Reduktion um 23,5 % gegenüber der besten nicht-robusten Baseline, die einen mittleren absoluten Fehler von 0,108 mit einer Standardabweichung von 0,021 ergab. Bei der Anwendung auf longitudinale Patientendaten identifizierte FOCaL individualisierte Genesungsverläufe mit einer Präzision von 0,92, gemessen als Anteil korrekt klassifizierter Patientengruppen auf der Grundlage des Behandlungseffekts, und übertraf damit konventionelle Methoden, die typischerweise etwa 0,78 erreichen. Die Robustheit wurde durch Sensitivitätsanalysen mit unterschiedlichem Grad an Modellmisspezifikation bewertet; FOCaL hielt eine konsistente Schätzverzerrung von weniger als 0,01 aufrecht. Die Forschung veranschaulicht das Potenzial von FOCaL, indem sie Daten aus dem SHARE-Datensatz analysiert, der untersucht, wie chronische Erkrankungen die Entwicklung von Lebensqualitätsindikatoren im Laufe der Zeit beeinflussen, sowie einen Datensatz, der die COVID-19-Epidemie in Italien verfolgt und kausale Auswirkungen der dezentralen Primärversorgung aufzeigt. Diese Arbeit liefert eine rigorose theoretische Grundlage für FOCaL, etabliert seine statistischen Eigenschaften und demonstriert seine überlegene Leistung durch umfangreiche Simulationsstudien und vielfältige reale Funktionsdatensätze.