Die onkologische Therapie hat in den letzten Jahren eine enorme Dynamik erfahren. Neue Wirkstoffe, zunehmend differenzierte molekulare Subklassifikationen und eine stetig wachsende Studienlandschaft erweitern die therapeutischen Möglichkeiten, erhöhen aber gleichzeitig die Komplexität klinischer Entscheidungen.1 Das Problem heute ist also kein Mangel an Informationen, sondern ihre strukturierte und zeitgerechte Nutzung. Vor diesem Hintergrund rücken digitale Systeme zur Entscheidungsunterstützung zunehmend in den Fokus: Können sie dabei helfen, die Therapieplanung im klinischen Alltag zu entlasten?
Clinical Decision Support Systems (CDSS) wurden entwickelt, um Ärzt:innen bei der Strukturierung klinischer Informationen und der Ableitung evidenzbasierter Therapieoptionen zu unterstützen. Künstliche Intelligenz (KI)-basierte CDSS integrieren dabei unterschiedliche Datenquellen, darunter Leitlinien, klinische Studien, medizinische Literatur und Real-World-Daten.1 CDSS treffen keine eigenständigen Therapieentscheidungen. Sie priorisieren Optionen, machen Evidenz transparent und kennzeichnen Unsicherheiten, etwa durch den expliziten Hinweis auf „unsupported cases“.1 In diesem Sinne fungieren sie als strukturierende Werkzeuge innerhalb des ärztlichen Entscheidungsprozesses.
Frühe KI-gestützte Entscheidungssysteme wie Watson for Oncology oder das chinesische CSCO AI-System verdeutlichen Potenzial und Grenzen solcher Ansätze: Sie erreichen in vielen Indikationen eine hohe Übereinstimmung mit Tumorboard-Empfehlungen, ihre Aussagekraft hängt aber stark von Datenbasis, regionalen Zulassungen und patientenindividuellen Faktoren ab.1 Untersuchungen zeigen, dass ein Teil der Fälle nicht unterstützt wird oder Diskrepanzen auftreten, meist bedingt durch Unterschiede in Populationen oder individuellen Therapiewegen.1
Praxisnahe Ansätze konzentrieren sich daher auf die Entlastung von Tumorboards durch die Identifikation von standardisierten Fällen.2 Ein aktuelles Beispiel ist die deutsche App EasyOncology.3 Sie basiert auf aktuellen Leitlinien, wird kontinuierlich mit realen Tumorboard-Entscheidungen abgeglichen und zielt explizit darauf ab, standardisierte Fälle frühzeitig zu erkennen.2 Validierungsdaten zu unterschiedlichen Tumorentitäten zeigen für diese Anwendung hohe Konkordanz mit multidisziplinären Empfehlungen.4,5
→ Mehr über die EasyOncology App erfahren
Über klassische CDSS hinaus gewinnt zunehmend das Konzept sogenannter „Digital Twins“ an Aufmerksamkeit. Dabei handelt es sich um virtuelle Abbilder einzelner Patient:innen: Ihre klinischen Daten, Laborwerte, molekularen Profile und bildgebenden Befunde werden in einem digitalen Modell zusammengeführt. Auf dieser Grundlage lassen sich mögliche Therapieverläufe simulieren, quasi ein „Testlauf“ verschiedener Behandlungsoptionen, ohne die Patient:innen real zu belasten.6
Solche virtuellen Zwillinge könnten die Möglichkeit eröffnen, personalisierte Therapieentscheidungen noch gezielter zu treffen.6,7 Beispiele reichen von industriegetriebenen Forschungsplattformen wie SOPHiA DDM™ Digital Twins, die aktuell für Forschungszwecke genutzt werden, bis hin zu europäischen Projekten wie CERTAINTY, das digitale Zwillinge für zelluläre Immuntherapien entwickelt.6,7 Diese Ansätze befinden sich derzeit überwiegend im Forschungs- und Entwicklungsstadium.
→ Überblick zur SOPHiA DDM™ Forschungsplattform
→ Details Zum CERTAINTY-Projekt
Trotz vielversprechender Anwendungen unterliegen KI-gestützte Entscheidungssysteme klaren Limitationen. Ihre Leistung hängt stark von der Verfügbarkeit, Qualität und Repräsentativität der Daten ab: Unvollständige Dokumentation, selektierte Trainingsdatensätze oder populationsspezifische Unterschiede können Empfehlungen verzerren.1,8 Ein weiterer zentraler Aspekt ist die Nachvollziehbarkeit der KI-Entscheidungen. Viele Algorithmen arbeiten wie eine Black Box: Sie liefern eine Empfehlung, ohne dass der zugrunde liegende Entscheidungsweg sofort erkennbar ist.9 Um Vertrauen zu schaffen und ethischen sowie rechtlichen Anforderungen gerecht zu werden, ist es daher entscheidend, dass KI-Systeme transparent und interpretierbar sind: Ärzt:innen müssen nachvollziehen können, warum eine Empfehlung ausgesprochen wird, um sie verantwortungsvoll in die klinische Praxis einzubeziehen.9
KI als Co-Pilot in der OnkologieKI-gestützte Systeme unterstützen heute bereits die onkologische Therapieplanung, indem sie Informationen strukturieren, Leitlinien abrufen und standardisierte Fälle identifizieren. Ihr Potenzial für die Zukunft liegt in der noch präziseren Personalisierung von Therapieentscheidungen und der Simulation komplexer Behandlungswege. Entscheidend bleibt jedoch: Diese Tools sind Ergänzungen, kein Ersatz für ärztliche Expertise.
Referenzen:
Bildquelle:iStock.com/Akarapong Chairean
NO-DE-2600016
