Von Baruh Polis, MD, PhD, TECH (Technion – Israel Institute of Technology)
Medizin beginnt oft mit scheinbar einfachen Fragen: Was ist das Problem? Können wir es frühzeitig erkennen? Wie können wir es lösen? Hinter diesen Fragen stehen Jahrhunderte wissenschaftlicher und menschlicher Herausforderungen.. Das VOLABIOS-Projekt führt diese Tradition in ein neues Forschungsfeld
Hinter diesen Fragen stehen Jahrhunderte wissenschaftlicher und menschlicher Herausforderungen.
Das VOLABIOS-Projekt führt diese Tradition in ein neues Forschungsfeld: Es nutzt flüchtige organische Verbindungen (Volatile Organic Compounds, VOCs) – aus Atem, Schweiß, Blut und Urin – um die Früherkennung und das Management von Schizophrenie zu unterstützen.
Im Mittelpunkt von VOLABIOS steht ein klinisches Entscheidungsunterstützungssystem (Clinical Decision Support System, CDSS). Ein solches System kann jedoch nicht allein auf Intuition aufgebaut werden. Es erfordert einen Übersetzungsprozess: Klinische Fragestellungen müssen in konkrete Aufgaben überführt werden, die mithilfe von Methoden des maschinellen Lernens bearbeitet werden können
Von der klinischen Frage zur maschinellen Lernaufgabe
Kliniker:innen formulieren drei zentrale Fragestellungen:
- Können wir Hochrisikopatient:innen identifizieren, bevor die Krankheit vollständig ausbricht?
- Können wir Schizophrenie von einer schweren depressiven Störung oder einer bipolaren Störung unterscheiden?
- Können wir Rückfälle vorhersehen und dne Krankheitsverlauf überwachen?
Für die Künstliche Intelligenz werden daraus technische Aufgabenstellungen. Die Früherkennung wird zu einer binären Klassifikationsaufgabe: „wahrscheinliche Schizophrenie“ vs. „keine Schizophrenie“. Die Unterscheidung zwischen affektiven und nicht-affektiven Psychosen wird zu einer Mehrklassenklassifikation. Die Rückfallvorhersage wird zu einem Zeit-bis-Ereignis-Modell, das die Krankengeschichte eines Patienten bzw. einer Patentin als Zeitreihe betrachtet.
Die Übersetzung ist dabei nicht lediglich sprachlicher Natur. Sie verändert die Fragestellungen der Psychiatrie und überführt sie in messbare, überprüfbare Formen, die von Algorithmen verarbeitet werden können.
Wie die Daten aussehen
In der Klinik untersucht ein:e Psychiater:in eine Person; im klinischen Entscheidungsunterstützungssystem (CDSS) erscheint diese Person als Datensatz:
- Strukturierte klinische Bewertungen mithilfe psychiatrischer Bewertungsskalen (z.B. PANSS, BPRS, MADRS).
- Omics-Daten aus Blut, Urin und Transkriptomik.
- VOC-Profile aus verschiedenen Körperflüssigkeiten.
- Lebensstilfaktoren, soziodemografische Merkmale und Umweltfaktoren.
Jeder dieser Aspekte wird zu einem Merkmal innerhalb eines Datensatzes. Doch Zahlen sind nicht die Realität selbst – sie sind Repräsentationen, ähnlich wie Wörter in einer Sprache. Hinter jedem einzelnen Wert stehen Entscheidungen: Was soll gemessen werden? Wie wird es codiert? Wie wird der Schutz der Privatsphäre gewährleistet?
Einige Indikatoren dienen dabei als Surrogatparameter: Eine Änderung der Medikation kann beispielsweise auf eine Verschlechterung der Symptome hinweisen, eine erneute Krankenhauseinweisung auf einen Rückfall.
Das CDSS muss daher mit Bedacht eingesetzt werden und sicherstellen, dass solche Stellvertretermerkmale niemals das klinische Urteilsvermögen ersetzen.
Wie Modelle funktionieren
Sobald die Daten aufbereitet sind, entstehen daraus die Modelle:
- Logistische Regression für interpretierbare Klassifikationen.
- Random-Forest-Modelle oder Gradient-Boosting-Verfahren, wenn komplexe Wechselwirkungen zwischen Merkmalen auftreten.
- Neuronale Netze zur Erkennung subtiler Muster in Omics-Daten.
- Zeitreihenmodelle zur Vorhersage von für Rückfallprognosen.
Die Wahl spiegelt verschiene Zielkonflikte wider: Transparenz vs. Genauigkeit, Interpretierbarkeit vs. Komplexität. Ärzt:innen müssen den Ergebnissen vertrauen können. Das bedeutet, dass Ergebnisse keine „Black Boxes“ bleiben dürfen. Stattdessen müssen Vorhersagen durch Risikobewertungen, Konfidenzintervalle und nachvollziehbare Erklärungenergänzt werden.
Dabei geht es nicht nur um Mathematik. Ähnlich wie ein Assistenzarzt bzw. eine Assistenzärztin muss das CDSS nicht nur Ergebnisse liefern, sondern auch die zugrunde liegenden Begründungen erläuterten – und entsprechende Empfehlungen auf eine wissenschaftliche Evidenzbasis stützen, die von klinischen Fachpersonen bewertet werden kann.
In der Praxis
Stellen Sie sich eine:n Psychiater:in in Aachen oder Haifa, die oder der mit einem jungen Patienten oder einer jugendn Patentin in einer ersten psychotischen Episode arbeitet. Der Patient oder die Patentin atmet in ein VOC-Gerät aus. Innerhalb weniger Minuten zeigt das CDSS-Dashboard Folgendes an:
- Risikobewertung: 0,72 Wahrscheinlichkeit für Schizophrenie.
- Wesentliche Einflussfaktoren: erhöhte Konzentrationen von Pentan und Trimethylamin sowie eine familiäre Vorbelastung.
- Unsicherheit: ±0,08 Konfidenzbereich.
Dies ersetzt nicht die klinische Expertise. Vielmehr unterstützt und schärft es diese – indem es Unsicherheiten strukturiert, verborgene Signale sichtbar macht und die Diskussion über mögliche Differenzialdiagnosen anregt. Die Dinge beeinflussen sich gegenseitig: Klinische Fragen haben den Algorithmus geprägt, und jetzt verändert der Algorithmus wiederum die klinische Entscheidungsfindung.
Zukünftige Herausforderungen
Mehrere Aspekte erfordern besondere Aufmerksamkeit:
- Heterogenität der Daten:. VOC-Ergebnisse variieren je nach Gerät und Standort. Eine Standardisierung ist daher unerlässlich.
- Verzerrungen (Bias). Wenn Trainingsdatensätze überwiegend aus einer Bevölkerungsgruppe stammen, kann die Zuverlässigkeit der Vorhersagen für andere Bevölkerungsgruppen eingeschränkt sein.
- Ethik. Die informierte Einwilligung muss auch die Nutzung personenbezogener Daten durch algorithmische Systeme umfassen.
- Regulierung: Gemäß der EU-Medizinprodukteverordnung (MDR) und der In-vitro-Diagnostika-Verordnung (IVDR) sind belastbare klinische Nachweise Belege erforderlich, bevor solche Systeme eingesetzt werden können.
Eine neue diagnostische Perspektive
Die Neuformulierung psychiatrischer Fragestellungen als Aufgaben des maschinellen Lernens verändert das Selbstverständnis des Fachgebiets. Sobald wir fragen, ob ein Rückfall mithilfe eines Überlebensmodells vorhergesagt werden kann oder ob sich Patientengruppen mithilfe eines Klassifikators unterscheiden lassen, verändern wir auch die Art und Weise, wie Wissen in der Psychiatrie verstanden wird.
VOLABIOS erhebt nicht den Ansprucht, dass VOCs oder Algorithmen Schizophrenie besiegen können. Aber sie können die diagnostische Perspektive der Psychiatrie erweitern.
Künstliche Intelligenz wird kein Ersatz für das klinische Urteilsvermögen sein, sondern bietet eine zusätzliche Perspektive – eine Perspektive, die verborgene Muster sichtar machen und Ärzt:innen dabei helfen kann, früher zu handeln. Durch die Verbindung von Psychiatrie und Informatik schafft VOLABIOS nicht nur ein technisches Werkzeug, sondern eine neue Form der Zusammenarbeit zwischen menschlicher Expertise und maschinellem Lernen.