Maschinelles Lernen erkennt frühzeitig Dosierungsfehler in klinischen Studien

In einer wegweisenden Studie wurde ein Machine‑Learning‑Framework entwickelt, das klinische Studien bereits vor ihrem Start auf das Risiko hoher Dosierungsfehler hin bewertet. Ziel war es, anhand von vorab verfügbaren Daten die Wahrscheinlichkeit für Fehler bei der Dosierung frühzeitig zu erkennen.

Die Forscher sammelten 42.112 Studien aus ClinicalTrials.gov und extrahierten strukturierte, semi‑strukturierte sowie unstrukturierte Textdaten aus den Protokollen. Jede Studie erhielt ein binäres Label, das angab, ob ein erhöhter Dosierungsfehler‑Raten vorlag. Diese Labels wurden aus Adverse‑Event‑Berichten, MedDRA‑Terminologie und Wilson‑Konfidenzintervallen abgeleitet.

Zur Vorhersage wurden drei Modelle getestet: ein XGBoost‑Modell auf strukturierten Merkmalen, ein ClinicalModernBERT‑Modell auf Textdaten und ein Late‑Fusion‑Modell, das beide Modalitäten kombiniert. Das Late‑Fusion‑Modell erzielte den höchsten AUC‑ROC von 0,862 und zeigte damit eine starke Unterscheidungsfähigkeit.

Durch eine nachträgliche Probabilitätskalibrierung konnten die Modelloutputs in leicht interpretierbare Risikokategorien übersetzt werden. Die Häufigkeit von Studien mit sehr hohen Dosierungsfehler‑Raten stieg monoton mit den vorhergesagten Risikogruppen, was die Zuverlässigkeit der Kalibrierung unterstreicht.

Die Ergebnisse zeigen, dass das Risiko von Dosierungsfehlern bereits vor Studienbeginn vorhergesagt werden kann. Eine sorgfältige Kalibrierung ist dabei entscheidend, um die Modellvorhersagen in handhabbare und verständliche Risikokategorien zu überführen. Diese Erkenntnisse könnten die Planung und Durchführung klinischer Studien erheblich verbessern und die Patientensicherheit erhöhen.