Generative KI hat in einer frühen Anwendung im Gesundheitsforschungsbereich die Fähigkeit bewiesen, medizinische Daten erheblich schneller als menschliche Forschungsteams zu analysieren – und in einigen Fällen sogar bessere Ergebnisse zu liefern. Wissenschaftler von der University of California San Francisco (UCSF) und der Wayne State University testeten, ob KI-Systeme komplexe Datensätze aus über 1.000 Schwangerschaften nutzen können, um Frühgeburten vorherzusagen. Während menschliche Teams Monate benötigten, um vergleichbare Modelle zu entwickeln, generierten einige KI-Chatbots innerhalb von Minuten funktionsfähigen Analysecode – eine Aufgabe, die normalerweise erfahrenen Programmierern mehrere Stunden oder Tage in Anspruch nimmt. Ein Junior-Team aus einem Masterstudenten von UCSF, Reuben Sarwal, und einem High-School-Schüler, Victor Tarca, entwickelte mit KI-Unterstützung erfolgreich Vorhersagemodelle und schaffte es, die Ergebnisse innerhalb weniger Monate zu verifizieren und einer Fachzeitschrift einzureichen. Die Studie, die am 17. Februar in Cell Reports Medicine veröffentlicht wurde, war Teil eines globalen Crowdsourcing-Wettbewerbs namens DREAM (Dialogue on Reverse Engineering Assessment and Methods), bei dem mehr als 100 Forschungsteams weltweit an der Analyse von Mikrobiomdaten aus Schwangerschaften arbeiteten. Die Forscher um Marina Sirota (UCSF) und Adi L. Tarca (Wayne State University) gaben acht verschiedenen KI-Systemen identische Aufgaben: Sie sollten Algorithmen basierend auf natürlicher Sprache erstellen, ohne direkte Programmierung. Nur vier der acht KI-Tools lieferten Modelle, die den Leistungen menschlicher Teams entsprachen – in einigen Fällen sogar übertrafen sie diese. Die gesamte KI-gestützte Forschung, von der Planung bis zur Veröffentlichung, dauerte nur sechs Monate, im Vergleich zu fast zwei Jahren bei der früheren Analyse. Die Bedeutung der Frühgeburtsforschung liegt darin, dass sie die weltweit führende Ursache für Neugeborenensterblichkeit ist und langfristig zu motorischen und kognitiven Beeinträchtigungen bei Kindern führen kann. Die Daten stammten aus neun Studien und wurden durch Open-Data-Initiativen wie den Preterm Birth Data Repository von March of Dimes zusammengetragen. Die Forscher betonen, dass KI zwar die Entwicklung von Analysepipelines beschleunigt, aber keine Ersatz für menschliche Expertise ist. KI kann fehlerhafte oder irreführende Ergebnisse liefern, weshalb sorgfältige Überwachung unerlässlich bleibt. Industrieexperten sehen in der Studie einen Meilenstein: „KI könnte den größten Engpass in der Datenwissenschaft beseitigen – die mühsame Codierung von Analyseprozessen“, sagt Sirota. „Das könnte Patienten in dringenden Fällen schneller helfen.“ Auch Tarca betont, dass Forscher ohne tiefgehende Programmierkenntnisse nun auf KI zurückgreifen können, um sich auf wissenschaftliche Fragen zu konzentrieren, statt auf technische Fehler zu debuggen. Die Ergebnisse unterstreichen das Potenzial von generativer KI, Forschung zugänglicher und effizienter zu machen – besonders in komplexen, datenintensiven Bereichen wie der präklinischen und klinischen Medizin. Die Studie wurde durch die March of Dimes Prematurity Research Center, ImmPort und die Pregnancy Research Branch des NICHD finanziert. Beteiligt waren zudem Forscher von NYU, Wayne State University und dem NICHD.