In der Welt der modernen Medizin verlassen sich Ärzte und Computersysteme oft auf eine einfache Annahme: Wenn zwei Patienten im jetzigen Moment gleich aussehen, werden sie wahrscheinlich auch einen ähnlichen Weg einschlagen. Wenn zwei Menschen denselben Blutdruck, dieselbe Tumorgröße und dieselben Symptome haben, ist die Erwartung, dass sie auf eine Behandlung ähnlich reagieren oder dass ihre Krankheiten in der gleichen Geschwindigkeit fortschreiten. Dieser Glaube bildet das Fundament dafür, wie wir gesundheitliche Ergebnisse vorhersagen und personalisierte Behandlungspläne entwerfen. Dieses Vertrauen stützt sich jedoch auf die Idee, dass die Information, die wir in einem einzigen Moment sehen und messen können, ausreicht, um die ganze Geschichte über die zukünftige Gesundheit eines Menschen zu erzählen. Es setzt voraus, dass die aktuelle Momentaufnahme alle notwendigen Hinweise enthält, um vorherzusagen, was als Nächstes geschieht. Aber was, wenn die Momentaufnahme unvollständig ist? Was, wenn zwei Menschen an exakt derselben Stelle auf einer Landkarte stehen, aber eigentlich auf völlig unterschiedliche Ziele zusteuern – nicht, weil sie orientierungslos sind, sondern weil der Maßstab selbst das Gelände nicht abbildet, das ihre Pfade voneinander trennt?

Dies ist die zentrale Frage, die in einer neuen Studie von Maurice Antony Ewing, einem Forscher an der University of Illinois at Chicago, untersucht wird. Die Arbeit stellt die Vorstellung infrage, dass bessere Computermodelle oder komplexere Algorithmen das Problem der Vorhersage von Patientenergebnissen lösen können. Stattdessen legt die Studie nahe, dass das Problem nicht in den Werkzeugen liegt, mit denen wir Daten analysieren, sondern in den Daten selbst. Die Forscher untersuchten, ob die Information, die in dem Moment zur Verfügung steht, in dem ein Arzt eine Entscheidung trifft, tatsächlich ausreicht, um zwischen verschiedenen möglichen Zukünften zu unterscheiden. Sie fanden heraus, dass dies für eine große Anzahl von Patienten nicht der Fall ist. Zwei Menschen können basierend auf jeder Messung, die ein Arzt vornehmen kann, identisch erscheinen, und doch kann einer genesen, während der andere sich verschlechtert. Die Studie argumentiert, dass dies kein Versagen der Vorhersagetechnologie ist, sondern eine fundamentale Grenze der verfügbaren Information.

Um dies zu verstehen, stellen Sie sich zwei Patienten mit einer bestimmten Krankheit vor. In dem Moment, in dem ein Arzt sie untersucht, sind ihre Vitalparameter, Laborergebnisse und Bildgebungsverfahren nahezu identisch. Ein Standard-Vorhersagemodell würde diese Zahlen betrachten und ihnen dasselbe wahrscheinliche Ergebnis zuweisen. In der Realität könnte jedoch ein Patient schnell genesen, während der andere sich verschlechtert. Die Studie fragt: Warum passiert das? Liegt es daran, dass das Computermodell nicht klug genug ist, ein verborgenes Muster zu finden? Oder liegt es daran, dass das Muster in den Zahlen, die der Arzt hat, schlichtweg nicht existiert? Die Forscher nennen dieses Phänomen „Nicht-Identifizierbarkeit“. Das bedeutet, dass der aktuelle Zustand des Patienten nicht genügend einzigartige Informationen enthält, um zu identifizieren, welcher zukünftigen Entwicklung er angehört. Die Zukunft ist nicht nur ungewiss; sie ist allein aus den gegenwärtigen Beobachtungen heraus fundamental nicht identifizierbar.

Um dies zu testen, sammelten die Forscher eine massive Menge an medizinischen Echtweltdaten. Sie betrachteten 13 verschiedene klinische Datensätze des Menschen, die ein breites Spektrum an Erkrankungen abdeckten, darunter neurodegenerative Erkrankungen wie Alzheimer, kritische Szenarien auf Intensivstationen, Krebs und Herzerkrankungen. Insgesamt untersuchten sie fast 700.000 einzelne Gesundheitsbeobachtungen, die im Zeitverlauf aufgezeichnet wurden. Sie konzentrierten sich auf fünf große Patientengruppen, die über einen langen Zeitraum nachverfolgt wurden und mehr als 56.000 Individuen sowie über 400.000 spezifische Momente in ihren Gesundheitsverläufen umfassten. Für jeden Moment in der Geschichte eines Patienten stellten die Forscher eine einfache Frage: Wenn wir andere Patienten finden, die in diesem spezifischen Moment exakt so aussehen wie dieser eine, folgen sie dann alle demselben Weg in die Zukunft?

Die Ergebnisse waren verblüffend. In den fünf untersuchten Hauptgruppen fanden die Forscher, dass in fast jedem Fall Patienten, die in einem bestimmten Moment gleich aussahnen, sehr unterschiedliche Zukünfte hatten. Konkret waren zwischen 65 % und 99 % der von den Forschern untersuchten Patientenzustände „nicht identifizierbar“. Das bedeutet, dass die verfügbare Information in der großen Mehrheit dieser Momente nicht zwischen einer Zukunft der Besserung und einer Zukunft der Verschlechterung unterschied. In einigen Gruppen, wie etwa bei Parkinson oder Amyotropher Lateralsklerose, lag die Zahl bei bis zu 98,7 %. Noch aussagekräftiger war, dass die Forscher nach Fällen suchten, in denen Patienten mit ähnlichen Zuständen in entgegengesetzte Richtungen gingen – der eine wurde besser und der andere schlechter. Sie fanden heraus, dass in zwischen 5s9 % und 82 % dieser abgeglichenen Gruppen sowohl positive als auch negative Ausgänge eintraten. Dies beweist, dass die Mehrdeutigkeit nicht nur darin besteht, ob ein Patient gleich bleibt oder sich verändert; es geht darum, dass ähnliche Patienten sich aktiv in entgegengesetzte Richtungen bewegen.

Die Studie adressierte auch ein häufiges Gegenargument: Vielleicht sind die Daten vorhanden, aber die Computermodelle sind einfach nicht anspruchsvoll genug, um sie zu finden. Um dies zu testen, verließen sich die Forscher nicht auf eine einzige Art von künstlicher Intelligenz. Stattdessen nutzten sie einen „Zoo“ verschiedener Modelle, die von einfachen statistischen Werkzeugen bis hin zu komplexen Deep-Learning-Systemen reichten. Sie testeten diese Modelle über verschiedene Arten von Daten und unterschiedliche Krankheitsszenarien hinweg. Das Ergebnis war konsistent: Unabhängig davon, wie fortschrittlich das Modell war, konnte es die zukünftige Richtung dieser Patienten nicht besser vorhersagen als die anderen. Wenn die Modelle scheiterten, scheiterten sie alle auf die gleiche Weise. Dies deutet darauf hin, dass die Einschränkung nicht in der Architektur des Computerprogramms liegt, sondern in der Information, die hineingefüttert wird. Ein Modell kann keine Unterscheidung erfinden, die in den Daten nicht vorhanden ist. Wenn der beobachtete Zustand nicht den Hinweis enthält, der einen genesenden Patienten von einem sich verschlechternden unterscheidet, kann keine noch so große mathematische Komplexität diesen Hinweis erschaffen.

Die Forscher untersuchten auch, ob das Hinzufügen von mehr Historie das Problem lösen würde. Intuitiv könnte man denken, dass das Wissen um die bisherige Trajektorie eines Patienten – wie er zu seinem aktuellen Zustand gekommen ist – helfen würde, vorherzusagen, wohin er als Nächstes geht. Die Studie fand heraus, dass die Historie zwar manchmal hilft, aber oft nicht. In vielen Fällen war selbst die vollständige Historie eines Patienten mit mehreren, gegensätzlichen Zukünften vereinbar. Zwei Patienten könnten sehr unterschiedliche Wege gegangen sein, um denselben Punkt zu erreichen, und dennoch könnten sich ihre darauffolgenden Pfade auf eine Weise divergiert haben, die ihre Historie nicht vorhergesagt hat. Das bedeutet, dass das bloße Sammeln von mehr Datenzeilen oder das Zurückblicken in der Zeit das Problem nicht automatisch löst. Der Schlüssel liegt nicht in der Quantität der Beobachtungen, sondern darin, ob diese Beobachtungen die spezifische Information enthalten, die notwendig ist, um die verschiedenen möglichen Zukünfte voneinander zu trennen.

Diese Erkenntnis hat tiefgreifende Auswirkungen darauf, wie wir der medizinischen Vorhersage begegnen. Jahrelang lag der Fokus in der medizinischen künstlichen Intelligenz darauf, bessere Modelle zu bauen, mehr Daten zu finden und Algorithmen zu verbessern. Die Studie legt nahe, dass dieser Ansatz an eine harte Decke stößt. Wenn die Information, die nötig ist, um zwei Patienten zu unterscheiden, in der klinischen Akte fehlt, dann kann kein Modell diese Lücke schließen. Das Problem ist nicht, dass wir die falschen Fragen an die Daten stellen; es ist, dass die Daten selbst unzureichend sind, um die Frage zu beantworten. Die Forscher betonen, dass dies keine Behauptung ist, dass Patienten in einem mystischen Sinne inhärent unvorhersehbar sind, sondern dass die spezifischen Informationen, die wir messen und aufzeichnen, oft nicht ausreichen, um die Geschichte ihrer Zukunft zu erzählen.

Die Studie behauptet nicht, dass wir aufhören sollten, Vorhersagen über Ergebnisse zu treffen oder dass wir die Versorgung nicht verbessern können. Stattdessen weist sie auf einen anderen Weg hin. Wenn die aktuellen Messungen nicht ausreichen, dann liegt die Lösung darin, neue Arten von Informationen zu finden. Dies könnte bedeuten, andere biologische Marker zu messen, andere Arten von Bildgebung zu verwenden oder Faktoren einzubeziehen, die derzeit ignoriert werden. Es könnte auch bedeuten, zu akzeptieren, dass für einige Patienten in bestimmten Momenten die verfügbaren Informationen schlichtweg keine präzise Vorhersage zulassen und dass die beste Vorgehensweise darin bestehen könnte, vor einer Entscheidung spezifischere Daten zu erheben. Die Studie kommt zu dem Schluss, dass wir, bevor wir mehr Ressourcen in den Bau smarterer Modelle investieren, zuerst fragen müssen, ob die Information, die wir haben, tatsächlich ausreicht, um die Zukünfte zu unterscheiden, die wir vorherzusagen versuchen.

Am Ende bietet die Forschung eine ernüchternde, aber notwendige Realitätsprüfung für das Feld der Präzisionsmedizin. Sie zeigt, dass die Kluft zwischen dem, was wir sehen können, und dem, was passieren wird, oft größer ist, als wir dachten. Zwei Patienten können nebeneinander stehen und in jeder Hinsicht identisch aussehen, und dennoch auf völlig unterschiedlichen Trajektorien sich befinden. Die Werkzeuge, mit denen wir ihre Zukunft vorhersagen, sind nicht kaputt; sie arbeiten lediglich mit unvollständigen Landkarten. Der Weg nach vorn erfordert von uns, über den aktuellen Stand der Technik der Modellierung hinauszublicken und uns auf die fundamentale Frage zu konzentrieren, welche Informationen tatsächlich benötigt werden, um die Geschichte des einen Patienten von der des anderen zu unterscheiden. Bis wir diese fehlende Information finden, werden die Grenzen der Vorhersage bestehen bleiben – nicht aufgrund eines Mangels an Rechenleistung, sondern aufgrund eines Mangels an unterscheidenden Details in den Daten selbst.