KI in der Medizin: Warum viele Versprechen noch nicht halten

Leere Versprechen statt greifbarer Erfolge

KI-Unternehmen wie Alphabet’s Isomorphic oder Lila werben mit revolutionären Durchbrüchen in der Medizin. Sie versprechen „tiefere wissenschaftliche Erkenntnisse“, „schnellere Durchbrüche“ und „lebensverändernde Medikamente“. Doch der Beweis steht aus: Wurde tatsächlich ein Medikament entwickelt, das Leben rettet?

Die Bilanz ist ernüchternd. Isomorphic und Lila haben bisher keine einzigen zugelassenen Medikamente hervorgebracht. Selbst milliardenschwere Investitionen – wie Anthropics Übernahme von Coefficient Bio für 400 Millionen Dollar – ändern daran nichts. Die harte Wahrheit: Die meisten KI-Modelle scheitern im klinischen Alltag.

Warum die Entwicklung von Medikamenten so lange dauert

Der Weg von der Idee zum zugelassenen Medikament ist extrem komplex und teuer:

• Eine Phase-3-Studie dauert im Schnitt 10 Jahre und kostet rund 2 Milliarden Dollar.
• Diagnostische KI muss klinischen Nutzen nachweisen, strenge Tests bestehen und ein vollständiges Qualitätsmanagement-System aufbauen, bevor sie überhaupt in Kliniken eingesetzt werden darf.
• Die Entdeckung und Validierung neuer biologischer Zusammenhänge kann Jahrzehnte in Anspruch nehmen.

„Marketingversprechen überleben selten den Kontakt mit der Realität“, so die nüchterne Einschätzung der Branche.

Die Lösung: KI muss im echten Leben getestet werden

Der Schlüssel zum Erfolg liegt darin, die Lücke zwischen KI-Training und medizinischer Praxis zu schließen. Einige Unternehmen gehen bereits voran:

• Insilico Medicine und Recursion bringen KI-entwickelte Wirkstoffe in klinische Studien ein.
• Owkin hat mit OKN4395, einem KI-entwickelten Krebsmedikament, die Phase-1a-Studie INVOKE gestartet.
• Das Unternehmen hat zudem MSIntuit CRC, eine KI-gestützte Diagnostik für Darmkrebs, in Europa mit dem CE-Kennzeichen zugelassen und in die klinische Praxis eingeführt.

Warum dieser Ansatz funktioniert

Der Einsatz von KI in echten klinischen Studien zwingt die Algorithmen, sich weiterzuentwickeln. Owkin berichtet von unerwarteten Herausforderungen:

„Als wir unsere diagnostische KI erstmals in Kliniken einsetzten, stellten wir fest, dass die Modelle nicht gut genug generalisierten. Sie funktionierten nicht zuverlässig bei unterschiedlichen Bevölkerungsgruppen oder verschiedenen Scannern. Wir mussten einfache, aber robuste Methoden entwickeln, um die Modelle an lokale Gegebenheiten anzupassen.“

Echtzeit-Feedback: Der Schlüssel zum Erfolg

Owkin setzt auf einen dynamischen Feedback-Mechanismus in der INVOKE-Studie. Während herkömmliche Studien nur grundlegende Erfolgsindikatoren prüfen, nutzt das Unternehmen laufend Daten der Studienteilnehmer, um die KI zu verbessern:

• Falls die KI Vorhersagen trifft, die nicht zutreffen, wird sie mit echten Patientendaten neu trainiert.
• Dies schafft einen positiven Kreislauf: Je mehr echte Daten fließen, desto besser wird die KI – und desto mehr Modelle können getestet werden.

„Dies ist die Zukunft der Branche“, betont Owkin. „Wer seine KI nicht im echten Leben testet, wird langfristig scheitern.“

Fazit: Geduld und harte Arbeit sind unverzichtbar

Die KI-Revolution in der Medizin steht noch am Anfang. Während einige Unternehmen mit leeren Versprechen werben, setzen andere auf langfristige, datengetriebene Forschung. Der Unterschied liegt im Praxistest – und der Bereitschaft, sich den Herausforderungen der Realität zu stellen.

„KI kann die Medizin verändern“, sagt ein Branchenkenner. „Aber nur, wenn sie beweist, dass sie funktioniert – nicht nur in Laboren, sondern in den Kliniken dieser Welt.“