Datenwiederverwendung senkt Kosten für KI-Studien in der Medizin

Randomisierte kontrollierte Studien (RCTs) sind unverzichtbar, um den klinischen Nutzen medizinischer KI-Tools nachzuweisen. Ihre hohen Kosten und langen Zeiträume hindern jedoch die schnelle Validierung neuer Modelle, die ständig weiterentwickelt werden. Eine neue Studie präsentiert BRIDGE – ein RCT-Design, das vorhandene Teilnehmerdaten aus abgeschlossenen KI-Studien wiederverwendet, wenn alte und neue Modelle ähnliche Vorhersagen liefern. Dadurch kann die benötigte Stichprobengröße für Folgeversuche drastisch reduziert werden.

Die Autoren stellen einen praktischen Checkliste bereit, mit der Forscher prüfen können, ob die Wiederverwendung von Daten zu gültigen kausalen Schlussfolgerungen führt und den Typ-I-Fehler nicht erhöht. Anhand von realen Datensätzen aus Brustkrebs, Herz-Kreislauf-Erkrankungen und Sepsis zeigen sie, dass bis zu 64,8 % der Top‑5 %‑Risiko‑Kohorten bei aufeinanderfolgenden KI-Modellen übereinstimmen.

In simulierten Brustkrebs‑Screening‑Studien senkte BRIDGE die erforderliche Einschreibung um 46,6 % – was mehr als 2,8 Millionen US-Dollar einspart – und behielt gleichzeitig eine 80 %ige Power bei. Durch die Umwandlung von Studien in adaptive, modulare Untersuchungen wird die Erzeugung von Level‑I‑Beweisen für jede Modelliteration möglich, was die kosteneffiziente Integration von KI in die Routineversorgung beschleunigt.