A Bibliometric Review of Explainable AI in Diabetes Risk Prediction: Trends, Gaps, and Knowledge Graph Opportunities

Diese bibliometrische Studie zeigt, dass trotz des starken Wachstums von maschinellem Lernen und erklärbarer KI in der Diabetes-Risikovorhersage eine kritische Lücke besteht, da strukturiertes medizinisches Wissen (Wissensgraphen) kaum integriert wird, und schlägt daher ein dreischichtiges Konzept vor, um klinische Interpretierbarkeit durch die Verbindung von ML, XAI und Wissensgraphen zu verbessern.

Das Wesentliche

🩺 Der „Blackbox"-Koch und das fehlende Kochbuch: Eine Reise durch die Diabetes-Forschung

Stellen Sie sich vor, Diabetes Typ 2 ist ein riesiges, wachsendes Ungeheuer, das weltweit immer mehr Menschen bedroht. Um es zu bekämpfen, haben Wissenschaftler mächtige Werkzeuge entwickelt: Künstliche Intelligenz (KI). Diese KI-Systeme sind wie super-schnelle Köche, die riesige Mengen an Daten (wie Gewicht, Blutdruck, Lebensstil) analysieren und vorhersagen können: „Achtung, diese Person hat ein hohes Risiko, an Diabetes zu erkranken!"

Das Problem? Diese KI-Köche arbeiten in einer Blackbox. Sie geben das Ergebnis heraus, aber sie sagen nicht, warum. Es ist, als würde ein Koch Ihnen einen Teller servieren und sagen: „Das ist lecker," ohne Ihnen die Zutatenliste zu zeigen. Ärzte und Patienten wollen aber wissen: Warum ist das Risiko hoch? Ist es das Essen? Der Sport? Oder beides?

Hier kommt Explainable AI (XAI) ins Spiel. Das sind Werkzeuge wie SHAP und LIME. Man kann sie sich wie Übersetzer vorstellen. Sie nehmen die undurchsichtige Blackbox und übersetzen die KI-Entscheidung in eine verständliche Liste: „Das Risiko ist hoch, weil der BMI 34 ist und der Blutdruck leicht erhöht."

🔍 Was hat diese Studie herausgefunden?

Der Autor dieser Studie, Thieu Anh Van, hat sich 2.048 wissenschaftliche Arbeiten angesehen (eine riesige Bibliothek an Wissen). Er wollte wissen: Wie gut funktionieren diese Übersetzer? Und fehlt da vielleicht noch etwas Wichtiges?

1. Ein riesiger Boom (Der Aufwärtstrend)
Die Forschung zu diesem Thema explodiert gerade förmlich. Vor fünf Jahren gab es nur wenige Studien, 2025 waren es bereits hunderte. Es ist, als hätte man vor kurzem den Schalter für „KI-Erklärungen" umgelegt, und jetzt rennen alle darauf zu.

2. Die beliebtesten Werkzeuge
Fast alle Forscher nutzen die gleichen zwei Übersetzer: SHAP und LIME. Und die KI-Köche nutzen fast immer die gleichen Rezepte: XGBoost und Random Forest. Das ist wie eine Welt, in der jeder nur noch Pizza und Burger isst – es funktioniert, aber die Vielfalt fehlt.

3. Das große Loch im Wissen (Die Lücke)
Hier wird es spannend. Die Studie hat ein riesiges Loch entdeckt.
Stellen Sie sich vor, die KI sagt: „Das Risiko ist hoch wegen des Gewichts." Der Übersetzer (SHAP) sagt: „Ja, das Gewicht trägt 30% bei."
Aber er sagt nicht: „Weil Übergewicht die Insulinproduktion stört, was zu Blutzucker führt, was wiederum Diabetes verursacht."

Es fehlt das Wissensnetz (Knowledge Graph).

• Die Metapher: Die aktuellen KI-Systeme sind wie ein Navigationsgerät, das Ihnen nur sagt: „Biegen Sie rechts ab." Es weiß aber nicht, warum Sie rechts abbiegen müssen (weil dort eine Baustelle ist oder ein Fluss).
• Die Studie fand heraus, dass fast niemand in der Diabetes-Forschung dieses Navigationsgerät mit einer Landkarte der Ursachen (dem Wissensnetz) verbindet. Von über 2.000 Arbeiten erwähnen nur 17 (0,83 %) dieses Wissensnetz. Das ist wie ein Ozean aus Wasser, in dem nur ein Tropfen Öl schwimmt.

🧩 Der Vorschlag: Ein neuer Dreischritt

Da die aktuelle Methode nur das „Was" (Welcher Faktor?) erklärt, aber nicht das „Warum" (Welcher medizinische Pfad?), schlägt der Autor ein neues Konzept vor: Die Drei-Ebenen-Brücke.

1. Ebene 1: Der Vorhersage-Koch (ML)
   Er kocht das Gericht (die Vorhersage) und sagt: „Hier ist das Risiko."
2. Ebene 2: Der Übersetzer (XAI)
   Er sagt: „Das Risiko kommt vom Gewicht."
3. Ebene 3: Das medizinische Kochbuch (Wissensnetz/KG)
   Das ist das fehlende Puzzleteil. Es verbindet die Punkte: „Übergewicht führt zu Insulin-Resistenz, was zu hohem Blutzucker führt, was Diabetes auslöst."

Warum ist das wichtig?
Wenn ein Arzt nur die Statistik sieht („Gewicht ist schlecht"), ist das okay. Aber wenn er die medizinische Geschichte dahinter sieht („Weil das Fett die Insulin-Aufnahme blockiert"), kann er dem Patienten viel besser erklären, was zu tun ist. Es macht die KI nicht nur zu einem Rechenknecht, sondern zu einem verständlichen Gesprächspartner.

🌍 Wer macht mit? (Und wer fehlt?)

Die Studie zeigt auch ein geografisches Ungleichgewicht.

• China, USA und Indien produzieren die meisten dieser Studien.
• Länder in Afrika, Südamerika und Südostasien sind fast unsichtbar.
  Das ist wie ein Fußballturnier, bei dem nur die reichen Länder spielen, obwohl die Krankheit (Diabetes) gerade in den ärmeren Ländern am schnellsten wächst. Das ist unfair und gefährlich, denn KI-Modelle, die nur mit Daten aus reichen Ländern trainiert wurden, funktionieren vielleicht nicht für Menschen in anderen Teilen der Welt.

💡 Fazit in einem Satz

Die KI kann heute sehr gut vorhersagen, wer an Diabetes erkranken könnte, und sie kann uns sagen, welche Faktoren schuld sind – aber sie kann uns noch nicht die medizinische Geschichte dahinter erzählen. Diese Studie ruft die Forscher dazu auf, endlich das fehlende „Kochbuch" (das Wissensnetz) hinzuzufügen, damit die KI nicht nur rechnet, sondern wirklich versteht und erklärt.

Technische Zusammenfassung

Titel: Eine bibliometrische Überprüfung von erklärbarer KI (XAI) bei der Vorhersage des Diabetes-Risikos: Trends, Lücken und Chancen für Wissensgraphen

1. Problemstellung und Motivation

Der Typ-2-Diabetes (T2DM) stellt eine globale Gesundheitskrise dar, deren Früherkennung und Risikovorhersage dringend benötigt werden. Zwar werden Machine-Learning-Modelle (ML) wie XGBoost und Random Forest erfolgreich zur Risikoprognose eingesetzt, doch agieren diese oft als „Black Boxes". Die klinische Implementierung wird dadurch behindert, dass Ärzte nicht nur eine Vorhersage, sondern auch eine transparente Begründung (Warum ist ein Patient hochriskant?) benötigen.

Obwohl Methoden der Erklärbaren Künstlichen Intelligenz (XAI) wie SHAP und LIME existieren, um Feature-Beiträge zu erklären, weisen diese eine fundamentale Lücke auf: Sie liefern statistische Erklärungen („BMI trägt 0,32 Punkte bei"), können aber keine klinischen Pfadphysiologie-Ketten (z. B. Fettleibigkeit → Insulinresistenz → Hyperglykämie → T2DM) abbilden. Bisher fehlt es an einer quantitativen Übersicht, die den Mangel an Integration von Wissensgraphen (Knowledge Graphs, KG) und Graph Neural Networks (GNN) in diesem spezifischen Forschungsfeld aufzeigt.

2. Methodik

Die Studie kombiniert eine quantitative bibliometrische Analyse mit einer qualitativen selektiven Überprüfung:

• Datenkorpus: Eine umfassende Suche in zwei unabhängigen Datenbanken (Scopus und PubMed/MEDLINE) ergang nach Deduplizierung (über drei Stufen: PMID/DOI, Titel-Fuzzy-Matching) ein Korpus von 2.048 Dokumenten.
• Suchstrategie: Kombination von Keywords für Diabetes (z. B. „T2DM", „diabetes risk") und XAI (z. B. „SHAP", „LIME", „explainable AI"). Studien zu diabetischen Augenkomplikationen (Retinopathie) und Wundheilung wurden ausgeschlossen, um sich auf Risikovorhersage aus strukturierten klinischen Daten zu konzentrieren.
• Analyseverfahren:
  • Quantitative Analyse von Publikationstrends, geografischer Verteilung, Quellen und Keyword-Häufigkeiten (unter Verwendung von Python-Bibliotheken wie pandas und matplotlib).
  • Regelbasiertes Clustering von Themen (XAI-Methoden, ML-Modelle, Diabetes-Typen, klinische Ergebnisse, KG/Graph).
  • Selektive Überprüfung: Eine tiefgehende qualitative Analyse der 15 meistzitierten Papiere im Korpus, um methodische Lücken zu validieren.
• Rahmen: Die Studie folgt den PRISMA-2020-Richtlinien (angepasst für metadatenbasierte Synthese).

3. Schlüsselbeiträge

1. Quantifizierung der KG/GNN-Lücke: Erstmals wurde der massive Mangel an Integration von Wissensgraphen in der XAI-Forschung für T2DM numerisch belegt.
2. Konzeptuelles Framework: Entwicklung eines dreischichtigen Frameworks (Prädiktiv → Erklärbarkeit → Wissen), das ML, XAI und KG integriert, um statistische Erklärungen durch strukturierte medizinisches Wissen zu ergänzen.
3. Methodische Transparenz: Bereitstellung eines reproduzierbaren Codes und einer klaren Definition der Forschungslücken, die über reine statistische Korrelationen hinausgehen.
4. Vergleichende Einordnung: Abgrenzung zu bestehenden Übersichten durch die Kombination aus bibliometrischer Analyse, spezifischem Fokus auf T2DM-Risiko und der Quantifizierung der KG-Lücke.

4. Wichtige Ergebnisse

• Wachstumstrend: Das Feld wächst exponentiell von 36 Dokumenten (2020) auf 866 (2025). Es befindet sich in einer Wachstumsphase, nicht in einer Sättigung.
• Dominante Methoden:
  • XAI: SHAP (152 Vorkommen) und LIME dominieren deutlich.
  • ML: XGBoost und Random Forest sind die bevorzugten Modelle.
  • Geografie: China (2.287 Vorkommen), USA (793) und Indien (578) führen an; Länder in Südostasien und Afrika sind unterrepräsentiert.
• Die KG/GNN-Lücke (Kernbefund):
  • XAI-Methoden tauchen 906-mal als Keywords auf.
  • KG/GNN-Methoden tauchen nur 17-mal auf (~0,83 % des Korpus).
  • Dies entspricht einem Verhältnis von 53,3 : 1.
  • Diese Diskrepanz ist konsistent in beiden Datenbanken (33,2 % Überlappung der Datensätze) und wurde durch die Überprüfung der 15 meistzitierten Papiere bestätigt: Keines der 15 Papiere kombiniert ML, systematische XAI und einen Wissensgraphen.
• Methodische Mängel: Viele Studien nutzen veraltete Datensätze (z. B. PIMA-Datensatz von 1988) statt großer populationsbasierter Surveys (wie BRFSS). Zudem fehlt oft die Bewertung der Konsistenz zwischen verschiedenen XAI-Methoden.

5. Signifikanz und Implikationen

Die Studie identifiziert eine kritische Lücke zwischen statistischer Erklärbarkeit und klinisch sinnvoller Begründung.

• Klinische Relevanz: Reine Feature-Importanz-Erklärungen (z. B. SHAP) reichen für klinische Entscheidungen oft nicht aus, da sie keine kausalen Pfade aufzeigen. Ein Wissensgraph kann diese Lücke schließen, indem er Erklärungen in den Kontext etablierter pathophysiologischer Modelle (z. B. UMLS, ICD-10) stellt.
• Zukünftige Richtung: Die Autoren schlagen ein dreischichtiges Framework vor:
  1. Prädiktive Schicht: ML-Modelle (XGBoost/RF) für die Risikovorhersage.
  2. Erklärbarkeits-Schicht: XAI (SHAP) für die Bestimmung der Feature-Beiträge („Was" ist wichtig).
  3. Wissens-Schicht: Wissensgraphen (KG), um die statistischen Ergebnisse in klinische Pfadphysiologie-Ketten zu übersetzen („Warum" und „Wie").
• Herausforderungen: Die Integration von KGs ist technisch anspruchsvoll (Datenstrukturierung, Ontologie-Alignment) und erfordert neue Benchmarks, da aktuelle T2DM-Datensätze meist tabellarisch und nicht graphbasiert sind.

Fazit: Die Forschung zu XAI für Diabetes-Risikovorhersage ist technisch reif, aber konzeptionell unvollständig. Die Integration von Wissensgraphen ist der nächste logische Schritt, um von rein statistischen Vorhersagen hin zu klinisch interpretierbaren, wissensbasierten Entscheidungsunterstützungssystemen (CDSS) zu gelangen.