Ein neuer Bericht im Journal of Medical Internet Research beleuchtet, wie maschinelles Lernen entscheidend dazu beitragen kann, gefährliche Lücken in der Arzneimittelstudienlage für schwangere Frauen zu schließen. Die Studie konzentriert sich auf zwei innovative Forschungsprojekte, die große Datensätze zur Medikamentenexposition und daraus resultierenden Ergebnissen analysieren, um mögliche Zusammenhänge zwischen Einnahme und Sicherheit zu identifizieren. Das zugrundeliegende Problem ist seit langem bekannt und gravierend. Gesundheitsjournalistin Michelle Falci hebt hervor, dass Frauen in der Schwangerschaft seit Jahrzehnten in klinischen Studien unterrepräsentiert sind. Nur vier Prozent der klinischen Studien in den letzten zehn Jahren nahmen schwangere Frauen als Teilnehmerinnen auf. Diese Entwicklung geht auf eine Empfehlung der US-Gesundheitsbehörde FDA aus dem Jahr 1977 zurück, die vorschrieb, schwangere Frauen oder Frauen im gebärfähigen Alter von den ersten beiden Phasen klinischer Studien auszuschließen. Diese Maßnahme schuf eine evidenzbasierte Lücke bezüglich der Arzneimittelsicherheit für schwangere Frauen und trug zur breiteren Unterrepräsentation weiblicher Personen in der medizinischen Forschung bei. Trotz bestehender Versuche, die Sicherheit von Medikamenten für schwangere und stillende Frauen zu bewerten, blieben diese praktischen Anstrengungen oft unzureichend. Die im Bericht vorgestellten Projekte, BOOST-HP und BIONIC, stellen neue Ansätze dar, um diese Lücke zu schließen. Das BOOST-HP-Projekt verwendet einen baumbasierten Ansatz zum Datamining, während die BIONIC-Studie kausale Inferenzmethoden mit maschinellem Lernen kombiniert. Beide Ansätze nutzen Künstliche Intelligenz, um große Datenmengen auszuwerten und potenzielle kausale Verbindungen zwischen Medikamenten und Gesundheits outcomes abzuschätzen. Dies ermöglicht eine Überwachung, die traditionelle Methoden allein nicht leisten können. Dennoch betonen die führenden Forscher die Notwendigkeit weiterer Daten und eines verantwortungsvollen Umgangs mit der Technologie. Cristina Longo, die die BIONIC-Studie leitet, weist darauf hin, dass solche KI-gestützte Forschung von umfassenderen Datensätzen profitieren würde, gleichzeitig aber eine gesunde Vorsicht walten lassen muss. Ein zentrales Anliegen ist dabei die Transparenz der verwendeten Modelle. Almut G. Winterstein, Hauptforscherin am BOOST-HP-Projekt, erklärt, dass ihre Teams KI-Modelle einsetzen, die es ermöglichen, die Entscheidungspfade nachzuvollziehen, die zu den jeweiligen Bewertungen führen. Die Wissenschaftler warnen eindringlich vor der Nutzung von sogenannten „Black-Box"-Modellen, bei denen die internen Abläufe undenkbar oder undurchsichtig sind. Der Einsatz solcher Systeme birgt die Gefahr, wichtige epidemiologische Fehler zu übersehen, da die Entscheidungslogik nicht überprüft werden kann. Dennoch zeugt die sorgfältige Gestaltung der Algorithmen sowie der wachsende Umfang der verfügbaren Daten von einem großen Potenzial. Durch die Kombination aus fortschrittlichen Analysemethoden und strengen Qualitätsstandards lässt sich die wissenschaftliche Grundlage für die Arzneimittelsicherheit in der Schwangerschaft erheblich verbessern. Dies könnte dazu beitragen, dass schwangere Frauen zukünftig besser mit evidenzbasierten Informationen versorgt werden und die Sicherheitslücke, die seit den 1970er Jahren besteht, endlich geschlossen wird. Die Technologie bietet somit nicht nur eine Lösung für Datenengpässe, sondern auch eine Chance für eine gerechtere medizinische Forschung.