Praxis­beispiel [#5]: 
KI-Unter­stützung in For­schung und Inno­vation

Universitätskliniken beteiligen sich regelmäßig an nationalen und internationalen klinischen Studien, insbesondere in den Bereichen Kardiologie und Onkologie. Die Rekrutierung passender Studienteilnehmer ist jedoch ein Engpass, häufig dauert sie Monate länger als geplant. Gleichzeitig bleibt ein großer Teil der verfügbaren Daten ungenutzt, weil ihre manuelle Auswertung extrem zeitaufwendig wäre.

Die Prüfung, ob eine Patient*in für eine Studie geeignet ist (sog. "Eligibility Screening"), erfolgt heute meist noch manuell: Ärzt*innen durchforsten Dokumentationen, Laborwerte, Diagnosen und Bildbefunde. Dadurch werden potenziell geeignete Patient*innen manchmal zu spät oder gar nicht identifiziert. In der Folge starten Studie verspätet oder erreichen ihre Zielzahl nicht. Die Auswertung gesammelter Studiendaten bindet wissenschaftliches Personal über Monate.

Wie kann eine KI-basierte Lösung helfen?

Mal angenommen, eine Uniklinik führt ein KI-Tool ein, um gestützte Patientenselektion und Datenanalyse in klinischen Studien zu beschleunigen. Die Software ist direkt mit dem klinischen Informationssystem sowie dem Studien- und Dokumentationssystem verknüpft. Zwei Funktionen stehen im Mittelpunkt:

1. Automatisierte Identifikation geeigneter Studienteilnehmer
   Ein KI-System könnte laufend strukturiert und unstrukturiert vorliegende klinische Daten (z.B. Diagnosen, Laborwerte, Befunde, Medikation) durchsuchen. Es könnte diese Daten transparent gegen die Inklusions- und Exklusionskriterien einer Studie prüfen. Das System könnte dann eine priorisierte Liste potenziell geeigneter Kandidaten erstellen und zeigen, warum eine Patient*in passt oder nicht passt. Die finale Auswahl trifft natürlich weiterhin das Studienteam. Die Rekrutierungsphase könnte sich in mehreren Studien um 30 bis 50% verkürzen, Studien könnten früher und verlässlicher starten. 
    
2. Beschleunigte Auswertung klinischer Studiendaten
   Die KI könnte helfen, große Mengen heterogener Studiendaten zu strukturieren, Muster zu erkennen und relevante Subgruppen zu identifizieren. Für Bilddaten (z.B. Echokardiografie, CT, MRT) können automatisierte Voranalysen durchgeführt werden, die das wissenschaftliche Team anschließend prüft und final bewertet. Statistische Modelle könnten schneller vorbereitet werden, sodass das Team sich auf Interpretation statt Datenaufbereitung konzentrieren kann. Dadurch würden sich Analysezyklen deutlich verkürzen, Publikationen und Zwischenauswertungen könnten früher erstellt werden.
    
3. Erweiterter Einsatz: Unterstützung der frühen Medikamentenentwicklung
   Ein angeschlossenes Forschungsinstitut könnte KI zusätzlich für Wirkstoff-Screenings einsetzen: KI-Modelle könnten simulieren, wie potenzielle Moleküle an Zielstrukturen binden könnten – ein Prozess, der klassische Labortests ergänzt und beschleunigt. Weiters könnte die Analyse genetischer Daten erfolgen: KI könnte Mutationsmuster identifizieren, die auf bestimmte Therapieansprechraten hinweisen. Frühe Kandidaten für neue Therapien würden schneller erkannt, wodurch vielversprechende Projekte früher in präklinische oder klinische Phasen gelangen.

Möglicher Nutzen für Forschung und Klinik:

• Schnellere und gezieltere Studienrekrutierung..
• Effiziente Auswertung großer Datenmengen.
• Höhere Qualität der Studienergebnisse.
• Beschleunigung präklinischer Forschungsphasen.
• Geringere Kosten durch kürzere Entwicklungszyklen.
• Patient*innen profitieren früher von innovativen Therapieoptionen.