Schlaganfallversorgung folgt klaren Abläufen: Diagnostik, Leitlinien, standardisierte Entscheidungswege. Gleichzeitig ist sie geprägt von individuellen Unterschieden, beispielsweise dem Alter und dem gesundheitlichen Vorzustand, die das Therapieansprechen, die Rehabilitation und die langfristige Selbstständigkeit maßgeblich mitbestimmen. Patient:innen mit ähnlicher klinischer Ausgangslage entwickeln zum Teil sehr unterschiedliche funktionelle Outcomes, abhängig von diesen individuellen Unterschieden. Regelmäßig muss die ärztliche Entscheidungsfindung deshalb mit Unsicherheiten umgehen und hierbei die Entscheidung mit dem mutmaßlichen Patienten:innenwillen abstimmen. Hier setzt das Verbundforschungsprojekt LiberateAI an: Es erforscht KI-basierte Prognosemodelle für die Schlaganfallversorgung, die Ärzt:innen in Zukunft bei der Einschätzung von Therapieergebnissen unterstützen können, um Unsicherheiten zu minimieren und die Therapieentscheidung besser auf den mutmaßlichen Patienten:innenwillen abzustimmen. Hierbei wird Swarm Learning angewendet, ein dezentraler Ansatz, bei dem KI-Modelle auf multizentrischen Daten trainiert werden können, ohne dass patientenbezogene Daten zwischen den beteiligten Zentren übertragen werden müssen. Auf diese Weise kann das Modell Informationen aus verschiedenen Zentren nutzen, was den Datenschutz gewährleistet und zugleich die Robustheit der KI erhöht.
Geschlechteraspekte als Wirkungsebene für die Verwertung von KI-Modellen
Für eine breite Anwendbarkeit in der klinischen Praxis ist nicht nur die technische Leistungsfähigkeit interessant, sondern auch die Frage, für welche Patient:innengruppen diese Prognosen tragfähig sind und wie sie in der Versorgungspraxis wirksam werden können. Zu diesem Zweck erforscht das Team von LiberateAI, ob die KI-Modelle in speziellen Subgruppen an Patient:innen schlechter funktionieren und aus dem Grund angepasst werden müssen. Ein Fokus wird hierbei auch auf das Geschlecht gelegt. Frauen erleiden Schlaganfälle im Durchschnitt später im Leben und haben unterschiedliche funktionelle Verläufe. Solche Unterschiede müssen in Datengrundlagen, Modelltraining und Validierung systematisch berücksichtigt werden.
Daneben beeinflussen Lebensrealitäten der Patient:innen – wie etwa Care-Verantwortung oder ihr Gesundheitsbewusstsein – zwar nicht direkt die medizinische Therapieentscheidung, können jedoch relevant sein für die Bewertung erwarteter funktioneller Outcomes und für die anschließende Versorgungs- und Rehabilitationsplanung. Da solche Faktoren geschlechtsspezifisch verteilt sind, erhöhen geschlechtersensible Prognosen die Anschlussfähigkeit der Projektergebnisse entlang des gesamten Versorgungspfads – ein zentraler Aspekt wirksamer Valorisierung.
Valorisierungsperspektiven über die klinische Anwendung hinaus
Am Beispiel des Projektes LiberateAI lässt sich ein breites Verständnis von Wissensverwertung verdeutlichen: Neben der Vorbereitung einer zukünftigen klinischen Nutzung der KI-Modelle ergeben sich weitere Wirkungspfade, die von Beiträgen zu Qualitäts- und Transparenzstandards für medizinische KI reichen, Impulsen für Leitlinien und gesundheitspolitische Diskussionen, bis hin zu Qualifizierungsformaten für medizinisches Personal im Umgang mit wahrscheinlichkeitsbasierten KI-Systemen. Als Verbundprojekt stärkt LiberateAI institutionelle Netzwerke zwischen Klinik, Informatik, weiteren interdisziplinären Forschungsfeldern und außeruniversitärer Forschung.
Das Projekt zeigt exemplarisch, wie KI-Forschung gesellschaftlich wirksam werden kann, wenn Valorisierung und Geschlechteraspekte als Teil von Qualität, Robustheit und Anschlussfähigkeit mitgedacht werden. Mehr Infos zum spannenden Projekt, zur Umsetzung und zu Ansprechpartner:innen finden Sie hier. Einen ausführlichen LinkedIn-Beitrag zum Projekt lesen Sie hier.
