AIR_PTE - abgeschlossen

KI-basierte Risikoprognose zur Behandlungseffektabschätzung

Technologiebereich: Machine Learning

AIR_PTE entwickelt Methoden der künstlichen Intelligenz (KI), um die Wirkung von Behandlungsoptionen unter Berücksichtigung individueller Gesundheitsrisiken zu prognostizieren. Die Grundlage bilden Krankenversicherungsdaten in Kanada und Deutschland.

Herausforderung
Durch die Fortschritte in der medizinischen Forschung gibt es immer mehr innovative und spezialisierte Behandlungsmethoden. Diese positive Entwicklung stellt Medizinerinnen und Mediziner in der Praxis jedoch vor die schwierige Entscheidung, in jedem individuellen Fall die beste Option auszuwählen. Denn die Wirkung einer Behandlung ist abhängig von verschiedenen Faktoren wie Vorerkrankungen und demografischen Daten, daher können die Folgen einer Behandlung individuell sehr unterschiedlich ausfallen. Heute werden Therapieentscheidungen in der Regel auf Grundlage von eigenen Erfahrungen, publizierten Studienergebnissen und Leitlinien getroffen. Diese treffen in der Praxis jedoch nicht immer auf die konkret zu behandelnden Patientinnen und Patienten zu.

Umsetzung
Die Abrechnungsdaten der gesetzlichen Krankenversicherungen aus den vergangenen zehn Jahren bieten die Möglichkeit, große Fallzahlen, darunter auch seltene Konstellationen, auf Zusammenhänge zwischen Krankheitsverläufen, Behandlungspfaden und Behandlungsergebnissen zu untersuchen. Ziel ist es, innovative KI-Methoden auf diese pseudonymisierten Daten anzuwenden, um die Wirkung von Behandlungsoptionen statistisch signifikant nachweisen zu können. Durch maschinelles Lernen lassen sich dabei auch zeitliche Musterfolgen erkennen, aus denen neue Merkmale und spezifische Prognosemodelle gewonnen werden können. Diese dienen als Grundlage der risikoadjustierten Effektbewertung von Behandlungsoptionen in retrospektiven Real-World-Studien. Die KI-basierte Risikoprognose soll jedoch nicht nur bei der Therapieentscheidung unterstützen, sondern auch dazu beitragen, Zielgruppen für innovative Versorgungsmodelle zu identifizieren, um kostenintensive Behandlungsoptionen gezielt einzusetzen.

Als Pilotindikation wurde zunächst die venöse Thromboembolie (VTE) mit ihren vielfältigen Behandlungsoptionen genutzt. Eine erste Effektstudie zur Behandlung von VTE wurde in 2021 durch die Projektpartner McGill und ingef auf kanadischen bzw. auf deutschen Abrechnungsdaten umgesetzt. Dabei wurde der Rapid Evidence Generator (REG) entwickelt, mit dem sich Behandlungseffekte auf Basis von deutschen und kanadischen Gesundheitsdaten prognostizieren lassen. Der kanadische Klinikbetreiber Cortico Health und das Ontario Brain Science Institute prüfen derzeit Optionen für die Anwendbarkeit der REG-Methodik im Praxisalltag. Im weiteren Verlauf des Projekts werden nun die am Beispiel von VTE entwickelten Methoden auch für den Einsatz bei der Behandlung, anderen Indikationen und der Optimierung von Versorgungsprogrammen generalisiert. Erste Tests zur Anwendung im Rahmen von geriatrischen Coaching-Programmen der Medical Contact AG für die VIACTIV Krankenkasse sind bereits gestartet.

Anwendung und Nutzen
Ergebnisse des Projekts sind der Rapid Evidence Generator (REG) für die Nutzung durch Forscher und Kostenträger sowie das Rapid Evidence Repository (RER) für den datenschutzkonformen Einsatz am Point-of-Care: Der Arzt oder die Ärztin geben im RER die Merkmale und Behandlungsziele des konkreten Patienten anonym ein und erhalten sofort Hinweise auf REG-Studienergebnisse zur potenziellen Wirkung der zur Auswahl stehenden Behandlungsoptionen. Damit die individuelle Risikoprognose nachvollziehbar wird, werden alle Merkmale angezeigt, die wesentlichen Einfluss auf das ermittelte Risiko hatten. Das RER-Verfahren wird nur mit Einwilligung der Patienten zum Einsatz kommen.

Konsortium: DCC Risikoanalytik GmbH (Konsortialführer), Ingef- Institut für Angewandte Gesundheitsforschung, McGill University Montreal, Dep. of Medicine (Kanada), Macadamian HealthConnect (Kanada)