Information, Not AI Model Sophistication, Limits Resolution of Disease Progression in COPDGene

Seit Jahrzehnten beobachten Ärzte und Wissenschaftler ein frustrierendes Muster bei chronischen Lungenerkrankungen. Zwei Personen können mit nahezu identischen Lungenfunktionstests, ähnlicher Rauchergeschichte und derselben Diagnose beginnen, und doch klaffen ihre Zukünfte weit auseinander. Der eine könnte über zwanzig Jahre hinweg langsam abbauen, während der andere innerhalb weniger Jahre einen schnellen, schweren Zusammenbruch der Lungenfunktion erleidet. Diese Unvorhersehbarkeit ist das zentrale Rätsel der als COPD bekannten Krankheit. Forscher hofften lange Zeit, dass sie durch das Sammeln von mehr Daten – das Scannen der Lungen, das Testen von Genen und das Messen von Proteinen im Blut – die verborgenen Hinweise finden könnten, die erklären, warum eine Person schlechter wird, während eine andere stabil bleibt. Die vorherrschende Annahme war, dass wir endlich in der Lage sein würden, den genauen Verlauf der Krankheit eines Individuums vorherzusagen, wenn wir nur ein ausreichend großes Computermodell mit genügend Daten aufbauen würden.

Eine neue Studie stellt diese Annahme infrage und legt nahe, dass das Problem nicht ein Mangel an Rechenleistung ist, sondern ein Mangel an Informationen von vornherein. Die Forscher untersuchten eine große Gruppe von Menschen mit COPD, die über viele Jahre nachverfolgt worden waren, wobei sie die Lungenfunktion verfolgten und detaillierte Blutproben sammelten. Sie stellten eine einfache, aber tiefgreifende Frage: Wenn zwei Patienten bei allen ihren medizinischen Standardtests heute exakt gleich aussehen, können wir vorhersagen, wer sich morgen verschlechtert? Sie testeten, ob das Hinzufügen komplexer molekularer Daten aus Blutproben dieses Rätsel lösen könnte und ob die fortschrittlichsten Modelle der künstlichen Intelligenz Muster finden könnten, die einfachere Methoden übersehen hatten. Was sie fanden, war, dass selbst mit den besten Werkzeugen und den detailliertesten verfügbaren Daten die Informationen, die wir derzeit haben, oft nicht ausreichen, um den Unterschied zwischen zwei ähnlichen Patienten zu erkennen.

Die Studie konzentrierte sich auf 785 Teilnehmer eines großen nationalen Forschungsprojekts. Diese Personen hatten medizinische Standarduntersuchungen durchlaufen, einschließlich Tests darüber, wie viel Luft sie in einer Sekunde ausatmen konnten, was das primäre Maß für die Lungengesundheit ist. Die Forscher hatten auch Zugang zu einem detaillierten molekularen Schnappschuss des Blutes jeder Person, der die Aktivität von Tausenden von Genen zeigte. Das Ziel war es zu sehen, ob das Wissen um die Genaktivität im Blut helfen könnte, vorherzusagen, wie stark die Lungenfunktion einer Person in den nächsten fünf Jahren sinken würde. Um dies zu tun, betrachtete das Team die Gruppe nicht einfach als eine einzige Masse. Stattdessen betrachteten sie kleine „Nachbarschaften“ von Patienten. Für jede Person in der Studie fanden sie die dreißig anderen Menschen, die ihnen basierend auf ihren aktuellen Gesundheitsdaten am ähnlichsten waren. Sie prüften dann, ob diese dreißig ähnlichen Menschen fünf Jahre später eine ähnliche Veränderung der Lungenfunktion aufwiesen.

Die Ergebnisse waren überraschend bescheiden. Als die Forscher nur die klinischen Standarddaten betrachteten – Alter, Geschlecht, ethnische Zugehörigkeit und LungenTestergebnisse – stellten sie fest, dass Patienten, die zu Beginn der Studie sehr ähnlich aussahen, am Ende sehr unterschiedliche Ergebnisse hatten. Die Ähnlichkeit in ihrer aktuellen Gesundheit erklärte nur einen winzigen Bruchteil dessen, was ihnen später widerfuhr. Tatsächlich blieb die Variation der zukünftigen Lungenfunktion unter diesen ähnlichen Patienten fast so groß, als wären die Patienten zufällig ausgewählt worden. Das bedeutet, dass die Standardmedizin-Tests, obwohl sie für die Diagnose nützlich sind, nicht genug Details enthalten, um den spezifischen Weg der Krankheit für ein Individuum vorherzusagen.

Die Forscher fügten die Blut-Gen-Daten hinzu, in der Hoffnung, dass diese tiefere Ebene biologischer Information das Bild klären würde. Sie fanden heraus, dass dies zwar half, aber nur geringfügig. Die Blutdaten ermöglichten es ihnen, einen kleinen zusätzlichen Unterschied zwischen den Patienten zu unterscheiden. Obwohl dies ein realer und reproduzierbarer Befund war, war es kein Allheilmittel. Selbst mit den Gen-Daten blieb der Großteil der Variation der zukünftigen Lungenfunktion ungeklärt. Die Patienten, die gleich aussahen, endeten dennoch mit sehr unterschiedlichen Zukünften. Die Studie testete explizit, ob dieses Scheitern darauf zurückzuführen war, dass die Computermodelle zu einfach waren. Sie ließen die Daten durch zehn verschiedene Arten mathematischer Modelle laufen, die von einfachen statistischen Werkzeugen bis hin zu komplexen Systemen der künstlichen Intelligenz reichten. Keines von ihnen konnte den Mangel an Informationen überwinden. Die Modelle waren nicht der Engpass; die Daten selbst waren die Grenze.

Der vielleicht praktischste Befund der Studie betrifft die Frage, wie wir teure medizinische Tests verwenden sollten. Da die Blut-Gen-Daten im Durchschnitt nur wenig halfen, fragten sich die Forscher, ob sie einigen Menschen mehr halfen als anderen. Sie simulierten ein Szenario, in dem sie entscheiden könnten, nur einen Teil der Patienten zu testen, anstatt alle zu testen. Sie fanden heraus, dass sie durch die Verwendung der klinischen Standarddaten, um zu identifizieren, welche Patienten am ehesten von dem zusätzlichen Bluttest profitieren würden, den Großteil des Wertes dieser teuren Information zurückgewinnen könnten, indem sie nur einen Bruchteil der Gruppe testeten. Beispielsweise könnten sie durch das Testen von nur dreißig Prozent der Patienten fast zwei Drittel der nützlichen Informationen erfassen, die durch das Testen aller Teilnehmer gewonnen worden wäre. Dies deutet darauf hin, dass ein „Einheitsansatz“ für tiefe molekulare Tests ineffizient ist. Stattdessen könnten Ärzte die Ergebnisse der Routineuntersuchungen nutzen, um zu entscheiden, welche spezifischen Patienten die detailliertere Untersuchung benötigen, um ein klareres Bild ihrer zukünftigen Gesundheit zu erhalten.

Die Studie verglich auch verschiedene Wege, die Daten zu organisieren. Die Forscher untersuchten eine veröffentlichte Methode, die klinische und genetische Daten in einem einzigen Profil kombinierte, in der Hoffnung, dass dies besser als die Betrachtung der Gene allein funktionieren würde. Sie fanden heraus, dass dieses kombinierte Profil tatsächlich schlechter bei der Vorhersage der spezifischen zukünftigen Veränderungen der Lungenfunktion abschnitt als die Roh-Gen-Daten. Dies unterstreicht einen entscheidenden Punkt: Die Art und Weise, wie wir Informationen organisieren und komprimieren, spielt eine Rolle. Eine Methode, die hervorragend darin ist, Patienten in breite Kategorien einzuteilen, könnte versehentlich die subtilen Details auslöschen, die für die Vorhersage individueller Ergebnisse benötigt werden. Die Information war im Blut vorhanden, aber die Art und Weise, wie sie für das kombinierte Profil verpackt wurde, verschleierte sie.

Letztlich sagt diese Forschung nicht, dass wir den Verlauf der Lungenerkrankung nicht vorhersagen können. Sie besagt, dass wir mit den spezifischen Daten, die in dieser großen Studie verfügbar waren, nicht in der Lage sind, die Zukünfte von Patienten zu unterscheiden, die derzeit identisch aussehen. Die Studie legt nahe, dass die Antwort darauf, warum ähnliche Patienten unterschiedliche Verläufe haben, in Informationen liegt, die wir noch nicht gemessen oder erfasst haben. Es könnte sein, dass die Standardtests subtile Unterschiede im Verhalten der Krankheit übersehen oder dass die Blutproben die richtigen molekularen Signale zum richtigen Zeitpunkt nicht eingefangen haben. Der Autor argumentt, dass wir, bevor wir komplexere Modelle der künstlichen Intelligenz bauen, zuerst sicherstellen müssen, dass die Daten, die wir sie füttern, auch die Unterscheidungen enthalten, die wir zu finden versuchen.

Die Implikationen für die medizinische Forschung sind klar. Große Studien, die tiefe biologische Daten sammeln, sind unglaublich wertvoll, nicht nur für die Entdeckung neuer Krankheiten, sondern auch, um uns zu lehren, welche Informationen tatsächlich nützlich sind. Durch die Analyse dessen, wer von zusätzlichen Tests profitiert und wer nicht, können diese Studien das Design zukünftiger Forschung leiten. Anstatt alles bei jedem zu messen, können Wissenschaftler lernen, ihre teuersten und detailliertesten Messungen auf die spezifischen Patienten auszurichten, die sie am dringendsten benötigen. Dieser Ansatz bewegt die Medizin weg von einer Strategie der Sammlung möglichst vieler Daten hin zu einer Strategie der Erhebung der richtigen Daten für die richtige Person. Die Studie kommt zu dem Schluss, dass der Schlüssel zur Lösung des Rätsels des Krankheitsverlaufs nicht nur bessere Computer sind, sondern ein besseres Verständnis dessen, welche Informationen in unserer aktuellen Sicht auf den Patienten fehlen.