KI im Einsatz gegen die Knowledge-Gap
Trotz einer bereits jahrelang andauernden Debatte und zeitgleichen Sensibilisierung existiert weiterhin eine geschlechtsspezifische Kluft in klinischen Studien und somit in der Versorgung von Patienten. So sind beispielsweise kardiovaskuläre Erkrankungen die häufigste Todesursache beider Geschlechter; jedoch sind bei Männern Anzeichen für und Auswirkungen von entsprechenden Erkrankungen deutlich häufiger bekannt (1). Folgen dieser Unwissenheit sind zum einen im gesundheitlichen (Geschlechter-)Ungleichgewicht, zum anderen in der Pharmabranche und entsprechender Pharmakovigilanz spürbar. So wurden speziell bis zur Jahrtausendwende bereits zugelassene Medikamente wieder vom Markt genommen, weil sie ungeahnte, negative Effekte auf Patientinnen hatten (2).
In den 90er Jahren verabschiedeten die National Institutes of Health (NIH) erstmals eine Verordnung über die zwingende Inklusion weiblicher Teilnehmerinnen in klinischen Studien, die von den Instituten selbst gefördert wurden. Grund war die Beobachtung der sehr unterschiedlichen Reaktion auf Erkrankungen, ihre Behandlung und Medikation zwischen Männern und Frauen (3). Inzwischen werden Medikamente, die sowohl für Frauen als auch für Männer bestimmt sind, prinzipiell an beiden Geschlechtern getestet. Jedoch ist der Frauenanteil, besonders in der ersten Testphase, mit etwa 20 bis 30 Prozent sehr gering (4).
Hier könnten digitale Tools relevant und sich die Frage gestellt werden: Wie kann Künstliche Intelligenz (KI) den Einfluss einer vorherrschenden Knowledge-Gap in klinischen Studien reduzieren?
Geschlechtsspezifische Reaktionen haben Folgen
Karp und Reavey verwenden die Bezeichnung der Knowledge-Gap als umfassenden Begriff in der Debatte um Geschlechter- und Gender-Unterschiede. Letztere haben gemein, dass aus ihnen generell eine Wissenslücke entsteht (2). Sowohl das biologische (sex) als auch das soziale Geschlecht (gender) beeinflussen die medizinische Versorgung samt Risikofaktoren, Prävalenzen, Symptomatik, Prognosen oder Effektivität medikamentöser Behandlung (5). Dies äußert sich beispielsweise im Verlauf von chronischen Erkrankungen wie Diabetes, kardiologischen und neurologischen Erkrankungen Krebs- oder Autoimmunerkrankungen (5). Biochemische Prozesse sind je nach Geschlecht sehr unterschiedlich, was den Abbau bestimmter Stoffe oder die Äußerung von Symptomen betrifft. Das soziale Geschlecht beeinflusst wiederum z.B. die Verfügbarkeit von Medikamenten und Behandlungen oder die Therapietreue.
Die Folgen unzureichender Studien und einer somit entstehenden Knowledge-Gap sind potenziell mangelhafte Behandlung, Fehldosierung von Medikamenten und schlussendlich eine Kostensteigerung bei Entwicklungsunternehmen bzw. Krankheitskosten im System (6). Auch deshalb existiert seit 2012 die Verpflichtung zur Post-Market-Surveillance, um Medikamente unter alltäglichen Bedingungen weiter zu evaluieren. Diese ist abhängig von Kooperationen zu medizinischen Versorgern und Patienten zur Informationsübermittlung und gestaltet sich daher zeitverzögert und kostenintensiv.
KI unterstützt in Auswahl und Selektion
Die Knowledge-Gap nimmt ihren Anfang häufig in kostenintensiven Akquise-Strukturen. Obwohl die elektronische Patientenakte schon an vielen Stellen eingesetzt wird und Möglichkeiten der Suche oder Kategorisierung bzw. Daten zur elektronischen Auswertung bereithält, findet eine Auswahl von Patienten, Erkrankungen oder Interventionen zu Studienzwecken noch immer manuell durch Versorger bzw. in Kooperation mit ihnen statt. Der Prozess dauert lange und bindet Personalressourcen, da Patientendaten im Detail mit Studienvoraussetzungen abgeglichen werden müssen (7, 8).
Mithilfe von KI, im Speziellen Natural Language Processing (NLP) zur Auswertung von Patientendokumenten, kann der Auswahlprozess hin zu einer adäquaten Geschlechterverteilung unterstützt werden. Die KI extrahiert und kategorisiert Daten – Aufgaben, die sonst Versorger oder Forscher übernehmen müssen und dabei deutlich langsamer zu Ergebnissen kommen (7, 8). Anhand mehrerer Studien konnte belegt werden, dass durch den KI-Einsatz eine Aufwandsreduktion von bis zu 85 Prozent im Auswahlprozess klinischer Studien erzielt wird. Im Detail bedeutet dies, dass assistiert durch eine KI z.B. nur noch rund 24 Minuten für die Zuordnung von 90 Patienten zu klinischen Studien gebraucht würden, anstatt klassischerweise rund 110 Minuten (7, 8) – hochgerechnet auf eine große Studienpopulation eine enorme Zeitersparnis.
Der Einsatz von KI könnte darüber hinaus ausgeweitet und bei der Begleitung klinischer Studien angewendet werden. Hier bestünde Potenzial anhand der Auswertung von (durch digitale Tools erhobene) Studienbeobachtungen bereits früh im Entwicklungsprozess Symptommuster zu erkennen oder die Dosierung von Medikamenten geschlechterspezifisch anzupassen. In der Berücksichtigung von Geschlechterunterschieden durch die KI und somit besserem Verständnis der Arzneimittelwirkung liegen erhebliche wirtschaftliche Potenziale, da im Studienverlauf Analysen erforderlich werden, um unterschiedliche Wirkfaktoren zu identifizieren und zu kategorisieren (5).
Aber: Auch hinter KI stecken Menschen
Ein Großteil der Patienteninformation besteht immer noch aus freiem Text, nicht in kodierten Zeilen der elektronischen Patientenakte. Dieser Freitext muss vorhanden und durch die Methode des NLP interpretierbar sein (7). So viel KI-Methoden zur Prozessgestaltung und -verbesserung darüber hinaus im Bereich klinischer Studien beitragen können, sie sind nicht automatisch fehlerfrei. Bisher vernachlässigen viele KIs fast gänzlich Geschlechterunterschiede, die Gesundheit und Krankheit beeinflussen können (5). Daher ist es umso wichtiger, diese Unterschiede bei der Konstruktion digitaler Unterstützung von vornherein zu adressieren und getrennte Trainingsdatensätze anzulegen, um eine Knowledge-Gap zu vermeiden.
Sensibilisierung als Schlüssel
Die Genauigkeit von KI-Anwendungen hängt letztlich von der Programmierung und dem Training durch den Menschen ab. Hier liegt auch der Schlüssel zur adäquaten Berücksichtigung beider Geschlechter in Studien (7). Pro Studie wird wiederum jeweils eine potenziell veränderte, manuell zu leistende, Programmierung notwendig, da neue Auswahlkriterien für Studienteilnehmer festgelegt werden (7). Dieses Training der KI auf neue Daten könnte z.B. durch wissenschaftlichen Nachwuchs erfolgen. Darüber hinaus müssen Technikkompetenzen für einen geeigneten Umgang mit KI-Methoden ebenso im Unternehmen sichergestellt werden, wie eine Schnittstelle zu weiteren, patientenrelevanten Daten, die im Studienverlauf erhoben werden können.
Fazit
Der Einsatz von KI-Methoden zur geschlechtersensiblen Berücksichtigung in klinischen Studien und somit Vermeidung von Folgekosten könnte eine adäquate Methode zur Unterstützung von Versorgern und Pharmaforschenden darstellen. Technisches Wissen ist hier ebenso relevant wie eine thematische Sensibilisierung aller Beteiligten.
Quellen
- Reusch JEB, Kumar TR, Regensteiner JG, Zeitler PS, Conference P. Identifying the Critical Gaps in Research on Sex Differences in Metabolism Across the Life Span. Endocrinology. 2018;159(1):9-19. zum Original
- Karp NA, Reavey N. Sex bias in preclinical research and an exploration of how to change the status quo. Br J Pharmacol. 2019;176(21):4107-18. zum Original
- Clayton JA. Applying the new SABV (sex as a biological variable) policy to research and clinical care. Physiol Behav. 2018;187:2-5. zum Original
- vfa, Pharma-Unternehmen Df. vfa-Positionspapier Berücksichtigung von Frauen und Männern bei der Arzneimittelforschung. 2020. zum Original
- Cirillo D, Catuara-Solarz S, Morey C, Guney E, Subirats L, Mellino S, et al. Sex and gender differences and biases in artificial intelligence for biomedicine and healthcare. NPJ Digit Med. 2020;3:81. zum Original
- Stark RG, John J, Leidl R. Health care use and costs of adverse drug events emerging from outpatient treatment in Germany: a modelling approach. BMC Health Serv Res. 2011;11:9. zum Original
- Ni Y, Wright J, Perentesis J, Lingren T, Deleger L, Kaiser M, et al. Increasing the efficiency of trial-patient matching: automated clinical trial eligibility pre-screening for pediatric oncology patients. BMC Med Inform Decis Mak. 2015;15:28. zum Original
- Beck JT, Rammage M, Jackson GP, Preininger AM, Dankwa-Mullan I, Roebuck C, et al. Artificial Intelligence Tool for Optimizing Eligibility Screening for Clinical Trials in a Large Community Cancer Centre. JCO Clin Cancer Inform. 2020(4):50-9. zum Original
