KI‑gestütztes Co‑Design revolutioniert klinische Vorhersagemodelle

Die Entwicklung sicherer, wirksamer und praktisch nutzbarer klinischer Vorhersagemodelle (CPMs) erfordert bislang eine aufwendige, iterative Zusammenarbeit zwischen Ärzten, Datenwissenschaftlern und Informatikern. Dieser Prozess ist extrem ressourcenintensiv, sodass nur ein Bruchteil der Modelle tatsächlich in die klinische Praxis gelangt. Das Problem verschärft sich, wenn unstrukturierte klinische Notizen einbezogen werden, die eine enorme Menge an Konzepten enthalten.

Um diese Herausforderung zu meistern, wurde HACHI – ein iteratives Human‑in‑the‑Loop‑Framework – vorgestellt. HACHI nutzt KI‑Agenten, um die Entwicklung vollständig interpretierbarer CPMs zu beschleunigen, indem sie Konzepte aus klinischen Notizen systematisch erkunden und bewerten.

Der Ansatz funktioniert in zwei Schritten: Erstellt werden durch die KI schnell Kandidatenkonzepte, die als einfache Ja‑Nein‑Fragen formuliert sind und in linearen Modellen verwendet werden. Anschließend geben klinische und domänenspezifische Experten Feedback, um den Lernprozess des Modells zu verfeinern. Dieser Zyklus ermöglicht es dem Team, die Modelle transparent zu überprüfen, zu optimieren und zu validieren.

In zwei realen Vorhersageaufgaben – akutes Nierenversagen und traumatischer Hirnverletzung – übertraf HACHI bestehende Methoden, brachte neue klinisch relevante Konzepte ans Licht und steigerte die Generalisierbarkeit der Modelle über verschiedene klinische Settings hinweg.