gesponsertKI in der Krebsforschung Maschinen ersetzen keine Onkologen. Sie geben ihnen Zeit, Arzt zu sein

Gesponsert von

Dell GmbH

KI revolutioniert die Krebsforschung und -therapie – aber nicht so, wie es die meisten Schlagzeilen vermuten lassen. Ein Einblick aus der Perspektive der klinischen Infrastruktur.

Ich habe viel Zeit in Krankenhausfluren verbracht, in denen ich eigentlich nichts zu suchen hatte – nicht als Kliniker, sondern als Technologe, der versucht zu verstehen, womit Onkologen ihre Tage tatsächlich verbringen. Was einem schnell auffällt, ist, wie wenig Zeit sie tatsächlich mit Medizin verbringen. Es geht um Dokumentation, das Nachverfolgen von Ergebnissen, das Überprüfen von Scans, die drei Tage zu spät eintreffen, oder das Schreiben von Überweisungsschreiben, die in Sekunden erstellt werden könnten. Die kognitive Belastung ist enorm. Und Krebs wartet nicht, bis der Papierkram erledigt ist.

Arshad Farhad, CTO & Practice Lead, Healthcare & Life Sciences EMEA · Dell Technologies

Hier, denke ich, liegt der Fehler in der KI-Diskussion. Wir sprechen davon, dass KI den Krebs besiegt, als ob es einen einzigen algorithmischen Moment geben wird – ein Modell, das eine Biopsie analysiert und mit übermenschlicher Präzision ein Urteil fällt. Das mag irgendwann kommen. Aber die Transformation, die gerade stattfindet, ist leiser und möglicherweise wirkungsvoller: KI übernimmt die analytische und administrative Last, die einige der am besten ausgebildeten Köpfe der Medizin beansprucht, und gibt diese Zeit dem Patienten zurück, der vor ihnen sitzt.

Tausend stille Verbesserungen mit KI in der Krebs-Bilddiagnostik

In der Arzneimittelentwicklung sind die Zahlen ernüchternd. Die Entwicklung eines Krebstherapeutikums dauert typischerweise über ein Jahrzehnt und kostet mehr als eine Milliarde Euro, mit Ausfallraten, die in fast jeder anderen Branche inakzeptabel wären. Foundation-Modelle, die auf Proteinstrukturen und Genomdaten trainiert sind, leiten nun, welche Moleküle überhaupt synthetisiert werden sollten – und komprimieren Jahre der Hypothesenprüfung auf Wochen. Unternehmen betreiben sogenannte selbstfahrende Labore, in denen KI das Experiment vorschlägt, Roboter es durchführen und die Ergebnisse innerhalb von Stunden in das Modell zurückfließen.

In der Pathologie bringt die KI-Analyse von Ganzbildaufnahmen Muster ans Licht, die menschliche Überprüfungen fast sicher übersehen würden – nicht, weil Pathologen nicht qualifiziert wären, sondern weil der kombinatorische Raum einfach zu groß ist. Ich denke an eine Patientin in einem regionalen Krankenhaus, wo der nächste Spezialist zweihundert Kilometer entfernt ist. KI-gestützte Analysen ermöglichen ihr eine schnellere, besser informierte Erstbewertung, während die Überweisung noch läuft. Diese Reduzierung der Latenzzeit, gemessen in Tagen oder Wochen, kann den Unterschied zwischen Stadium zwei und Stadium drei ausmachen. „Der Durchbruch wird kein einzelnes Modell sein, das den Krebs besiegt. Es werden tausend stille Verbesserungen sein, die sich summieren – im Labor, in der Klinik, bei der Visite.“

Und dann gibt es die therapeutische Grenze. Personalisierte mRNA-Krebsimpfstoffe – bei denen der Tumor eines Patienten sequenziert, die Neoantigene identifiziert und eine maßgeschneiderte Konstruktion für diese Person entworfen wird – befinden sich derzeit in klinischen Studien. Die Sequenzierung, die Priorisierung, die logistische Herstellung: alles KI-gestützt. Es ist ein Workflow, der vor fünf Jahren noch operativ unmöglich gewesen wäre. Biologische Foundation-Modelle leisten für Proteine das, was große Sprachmodelle für Texte getan haben – sie bauen generalisierbare Schlussfolgerungen über molekulare Strukturen auf, die auf verschiedene Krankheitsarten angewendet werden können.

Governance ist entscheidend

Am interessantesten finde ich jedoch die darunterliegende Schicht – die Infrastruktur. Wenn ich mit Technologieverantwortlichen in Krankenhäusern in der EMEA-Region spreche, fragen sie mich nicht nach Spitzenforschung. Sie fragen, ob diese Workloads laufen können, ohne dass Patientendaten das Gebäude verlassen. Sie fragen nach Governance, der Integration in Altsysteme, die installiert wurden, bevor einige ihrer Assistenzärzte geboren wurden, und nach Verantwortlichkeit, wenn ein Modell einen Fehler macht. Das sind genau die richtigen Fragen. Klinische Transformation geschieht nicht, weil ein Modell in einer Studie brillant abgeschnitten hat. Sie geschieht, wenn die Infrastruktur vertrauenswürdig genug und die Governance klar genug ist, dass ein Kliniker sich an einem geschäftigen Dienstagnachmittag darauf verlassen kann.

Das ist unspektakuläre Arbeit. Aber es ist die Arbeit, die bestimmt, ob all das tatsächlich bei den Patienten ankommt. Die Maschinen sind nicht hier, um Onkologen zu ersetzen. Sie sind hier, um ihnen ihre Zeit zurückzugeben – und was ein guter Arzt mit dieser Zeit macht, bleibt völlig und unwiderruflich menschlich.

Text aus dem Englischen übersetzt, das Original finden Sie hier.

(ID:50808892)