Eine klinisch informierte künstliche Intelligenz (KI) übertrifft sogenannte Foundation-Modelle bei der Vorhersage von Zervikaler Spondylotische Myelopathie (CSM), der häufigsten Ursache für Rückenmarksfunktionsstörungen bei älteren Erwachsenen. CSM entsteht durch Arthrose im Halswirbelsäulenbereich, die das Rückenmark komprimiert, und verläuft chronisch fortschreitend – oft ohne frühzeitige Symptome, sodass die Diagnose bis zu Jahren verzögert werden kann. Zu diesem Zeitpunkt sind therapeutische Optionen jedoch eingeschränkt. Forschende der Washington University in St. Louis (WashU) entwickelten nun ein KI-basiertes Verfahren, das die Erkennung von CSM bis zu 30 Monate früher ermöglicht, was entscheidende Chancen für frühzeitige Interventionen eröffnet. Die Ergebnisse wurden in npj Digital Medicine veröffentlicht. Salim Yakdan, Postdoktorand am Taylor Family Department of Neurosurgery, und Ben Warner, Doktorand am McKelvey School of Engineering, waren gemeinsame Erstautoren der Studie. Sie analysierten Daten aus mehr als zwei Millionen Patienten mit und ohne CSM mithilfe von sieben verschiedenen KI-Modellen. Diese untersuchten Muster in elektronischen Gesundheitsakten – wie wiederholte Untersuchungen, Diagnosen und Arztbesuche –, um Patienten mit hohem Risiko zu identifizieren, deren medizinische Geschichte bereits typische Merkmale einer CSM aufweist. Jacob Greenberg, Assistenzprofessor für Neurochirurgie und neurologischer Wirbelsäulenchirurg, betont die Schwierigkeit, CSM früh zu erkennen: „Wir wollten herausfinden, ob wir aus den Daten der elektronischen Gesundheitsakten vorhersagen können, wann Patienten in einem klinisch relevanten Zeitfenster erkranken – früh genug, um therapeutisch eingreifen zu können.“ Die Forscher trainierten ihre Modelle an einem großen externen Datensatz sowie an einem kleineren, regionalen Datensatz aus St. Louis. Dabei zeigte sich, dass kleinere, klinisch geprägte Modelle, die nur auf relevanten klinischen Variablen basieren, eine bessere Verallgemeinerbarkeit über verschiedene Gesundheitssysteme hinweg aufwiesen – im Gegensatz zu großen Foundation-Modellen, die zwar in der internen Validierung auf großen, heterogenen Datensätzen gut abschnitten, aber in externen Systemen deutlich schlechter abschnitten. Die mittelgroßen Modelle unterperformten in allen Zeitfenstern. „Wir erreichten mit einem deutlich einfacheren Modell mindestens vergleichbare, oft sogar bessere Leistung, indem wir bestehendes klinisches Wissen einbrachten – trotz der Nutzung eines tiefen Lernansatzes“, sagt Greenberg. Chenyang Lu, Fullgraf-Professor und Leiter des AI for Health Institute, unterstreicht die Bedeutung klinischer Einsicht: „Ein zentrales Problem bei KI-Modellen in der Medizin ist ihre Verallgemeinerbarkeit. Für komplexe Erkrankungen wie CSM zeigen unsere Ergebnisse, dass große, datengetriebene Modelle nicht immer besser sind. Kleine, klinisch fundierte Modelle sind robuster und vertrauenswürdiger.“ Die Studie zeigt, dass klinische Expertise nicht nur ergänzend, sondern entscheidend für die Entwicklung zuverlässiger KI-Tools in der Medizin ist. Während datengetriebene Ansätze in bestimmten Bereichen brillieren, bleibt klinisches Wissen unverzichtbar, um Modelle für den realen klinischen Einsatz tauglich zu machen. Dieser Ansatz könnte zukünftig in der Früherkennung anderer chronischer Erkrankungen Anwendung finden.