KI in der klinischen Forschung Digitale Zwillinge: Einsatz von KI in der klinischen Krebsforschung

Anbieter zum Thema

Novartis Pharma GmbH

CADFEM Germany GmbH

xSuite Group GmbH

Esker Software Entwicklungs-und Vertrieb

Novartis und die FAU Erlangen-Nürnberg haben einen Fortschritt erzielt, digitale Zwillinge zu entwickeln. Demnach identifiziert eine KI-basierte Analyse wichtige klinische Prädiktoren und ermöglicht eine klinische Interpretation der Daten. Die Arbeit zeigt, wie das die Präzisionsmedizin voranbringen kann.

Die klinische Krebsforschung erfährt durch den Einsatz von künstlicher Intelligenz einen bedeutenden Fortschritt. Novartis Deutschland entwickelt gemeinsam mit dem Lehrstuhl von Prof. Dr. Björn Eskofier für Maschinelles Lernen und Datenanalytik der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) im Rahmen eines vierjährigen Forschungsprojekts auf Basis von KI und anonymisierten Gesundheitsdaten sogenannte digitale Zwillinge. Diese virtuellen Abbilder realer Patienten sollen in klinischen Krebsstudien als virtuelle Kontrollgruppen dienen und herkömmliche Kontrollgruppen ergänzen oder sogar ersetzen. Dadurch könnten sich potenzielle Wirkstoffe schneller und gezielter testen lassen und reale Patienten schnelleren Zugang zu neuen Therapien erhalten. In einer aktuellen Studie wurde dieses digitale Modell nun erfolgreich getestet und weiterentwickelt.

Dr. Benjamin Gmeiner, Head of Medical Data Strategy & Science bei Novartis Deutschland, erklärt: „Digitale Zwillinge und KI eröffnen völlig neue Möglichkeiten in der klinischen Forschung. Sie bieten Vorteile für teilnehmende Patienten und helfen uns, Studien effizienter zu gestalten und die Aussagekraft der Ergebnisse zu erhöhen. Die positiven Ergebnisse unserer aktuellen Studie markieren einen wichtigen ersten Meilenstein in der Umsetzung der Digital-Twin-Strategie von Novartis für die klinische Forschung.“

Zukunftsweisende Lösung: Digitale Zwillinge

Klinische Forschung ist die Voraussetzung, um Patienten mit innovativen Therapien zu versorgen. Die Rekrutierung von Studienteilnehmer ist jedoch herausfordernd, da Probanden je nach Studiendesign nicht wissen, ob sie die neue Therapie oder als Kontrollgruppe die Standardtherapie oder ein Placebo erhalten. Diese Unsicherheit kann dazu führen, dass Teilnehmende die Studie frühzeitig abbrechen. Das mindert die Aussagekraft der Daten. Im schlimmsten Fall kann es zum Abbruch von Studien kommen. Das ist ein großer Verlust für Patienten, die Gesellschaft und die Wissenschaft. Die Bildung virtueller Kontrollgruppen aus digitalen Zwillingen soll die Notwendigkeit realer Patienten in Kontrollgruppen reduzieren und dadurch die Bedingungen für die Teilnahme an klinischen Prüfungen zum Vorteil der Patienten verbessern.

Digitale Zwillinge sind virtuelle Abbilder, bei denen anonymisierte Daten realer Patienten mithilfe von KI und moderner Simulationstechnologie virtualisiert werden. So entsteht ein digitales Patientenprofil mit sämtlichen individuellen Merkmalen, von Alter, Größe und Geschlecht über genetische Informationen bis zur medizinischen Vorgeschichte. Anhand dieser Daten können KI- und ML-Methoden Studienergebnisse für Kontrollgruppen errechnen und prognostizieren. Digitale Zwillinge sollen helfen, die Rekrutierung für Studien zu verbessern. Sie können Studienabbrüche vermeiden und Datenlücken schließen. Außerdem verbessern sie die Vergleichbarkeit von Daten. Dies gilt insbesondere bei Studien zu seltenen Erkrankungen, die weniger als fünf von 10.000 Menschen betreffen, oder wenn ethische Gründe die Durchführung klassischer Studien erschweren.

KI-basierte Prognosemodelle entwickelt und getestet

Zur Entwicklung des digitalen Zwillingsmodells und zur Überprüfung seiner Genauigkeit wurden in einer aktuellen Forschungsarbeit verschiedene Machine-Learning (ML)-basierte Modelle zur Prognose der Überlebenszeit untersucht. Die Studie entstand in Zusammenarbeit von Novartis, der FAU und dem „Institute of AI for Health“ des Helmholtz Zentrums, München. Die Ergebnisse wurden unter dem Titel „Machine Learning Predictions of Overall and Progression-Free Survival in Advanced Breast Cancer” in Springer Nature („Lecture Notes in Computer Science“) veröffentlicht und auf der 23. International Conference on Artificial Intelligence in Medicine (AIME 2025) präsentiert.

Ziel der Studie war die Bewertung der Prognosesicherheit für das Gesamtüberleben (Overall Survival, OS) und die progressionsfreien Überlebenszeit (Progression-Free Survival, PFS) über einen Zeitraum von sechs bis 36 Monaten bei Patientinnen mit fortgeschrittenem Brustkrebs, die mit einem neuartigen Krebsmedikament behandelt werden. Gemäß der Studienergebnisse erzielten die eingesetzten ML- und KI-Modelle eine hohe Prognosesicherheit bei den untersuchten Überlebensdaten und identifizierten wichtige klinische Prädiktoren.

Digitale Zwillinge bringt Präzisionsmedizin voran

„Die Studie hat gezeigt wie KI-Modelle auf Basis von klinischen Studien- und Real-World-Daten präzise Vorhersagen zum Gesamtüberleben (OS) und progressionsfreien Überleben (PFS) bei Patientinnen ermöglichen können“, erklärt Prof. Dr. Björn Eskofier, Leiter des Lehrstuhls für Maschinelles Lernen und Datenanalytik an der FAU. „Die im Rahmen der Studie entwickelten Prognosemodelle bilden essenzielle Bausteine des Modelles, das digitale Zwillinge beinhaltet. Die Arbeit besitzt daher hohe strategische Relevanz und demonstriert, wie harmonisierte Daten und KI die Präzisionsmedizin voranbringen können.“

Zum Vergleich der Vorhersageleistung kamen verschiedene Überlebensanalysemodelle zum Einsatz, die unterschiedliche Methoden repräsentieren. Dazu gehörten Cox Proportional Hazards (CoxPH), Coxnet, Random Survival Forest (RSF), Extra Survival Trees (EST), Gradient Boosting Survival Analysis (GBSA) und Survival Support Vector Machines (SSVM). Die Modelle basierten auf zwei harmonisierten Datensätzen aus deutschen interventionellen Phase III und nicht-interventionellen Studien: RIBECCA und RIBANNA. Die genauesten Ergebnisse zum Gesamtüberleben wurden bei 12 Monaten mit dem Cox Proportional Hazards Modell (C-Index 0,720) und die besten PFS-Ergebnisse bei sechs Monaten mit dem GMSA-Modell (C-Index 0,728) erzielt.

Identifizierung zehn einflussreicher Vorhersagevariable

Für die Modelle mit der besten Prognoseleistung wurde zusätzlich das Verfahren „SHapley Additive exPlanations“ (SHAP), genutzt, um die zehn einflussreichsten Vorhersagevariable, sogenannte Prädiktoren, zu identifizieren und die Modellvorhersagen nachvollziehbar zu machen. Prädiktoren sind Werte, die eine Vorhersage über ein bestimmtes Ereignis ermöglichen, zum Beispiel das Eintreten einer Erkrankung. In der Studie wurden einige wichtige Prädiktoren gefunden. Dazu gehören Lebermetastasen, frühere Behandlungen, Behandlungsschemata und Lebensqualitäts-Scores.

Zukünftige Forschungsarbeiten sollen sich nun darauf konzentrieren, zusätzliche zeitabhängige Einflussfaktoren in die Modelle zu integrieren und externe Validierungen durchzuführen, um die Übertragbarkeit auf andere Indikationen zu prüfen. Ziel ist es, klinische Prüfungen mit digitalen Zwillingen von den zuständigen Behörden zunächst auf Einzelfallbasis prüfen zu lassen.

Klinische Entscheidungsfindung

KI-Agenten unterstützen Entscheidungen in der Krebsmedizin