Forschende der University of California, San Francisco, haben ein neues KI-Framework namens HACHI entwickelt, das die Erstellung klinischer Vorhersagemodelle erheblich beschleunigen und transparenter gestalten soll. Die Ergebnisse wurden im Fachjournal npj Digital Medicine im Jahr 2026 veröffentlicht. Das Framework steht für Human+Agent Co-design for Healthcare Instruments und kombiniert die schnelle Datenanalyse von Large Language Models mit der klinischen Urteilskraft von Ärztinnen und Ärzten. Projektleiterin ist Dr. Jean Feng, Professorin für Epidemiologie und Biostatistik an der UCSF. HACHI adressiert ein verbreitetes Problem im Gesundheitswesen: Viele KI-gestützte Prognosen gelten als undurchsichtig und werden in der Praxis nur zögerlich übernommen. Der neue Ansatz ersetzt komplexe Black-Box-Systeme durch einen menschenzentrierten, iterativen Lernzyklus. Benannt nach dem japanischen Hund Hachikō, nutzt das Framework wiederholte Feedbackschleifen zur kontinuierlichen Verfeinerung. Algorithmen durchsuchen große Mengen medizinischer Unterlagen nach potenziellen Risikofaktoren, während klinisches Personal die Ergebnisse bewertet, Verzerrungen erkennt und die praktische Plausibilität sicherstellt. Dieses symbiotische Modell gewährleistet, dass die entwickelten Instrumente nicht nur rechnerisch präzise, sondern auch klinisch nachvollziehbar und vertrauenswürdig sind. In zwei realen Anwendungsfällen übertraf HACHI etablierte Standardverfahren. Bei der Vorhersage von Schädel-Hirn-Traumen bei Kindern nach Unfällen eliminierte das System irreführende Signale und konzentrierte sich auf fünf wesentliche Symptome, was die diagnostische Trefferquote steigerte. Im zweiten Test zur Prognose akuter Nierenverletzungen bei erwachsenen chirurgischen Patientinnen und Patienten identifizierte HACHI sowohl etablierte als auch zuvor übersehene Risikoparameter und verbesserte die Vorhersagegenauigkeit über verschiedene Zeitfenster hinweg. Ein entscheidender Vorteil liegt in der Effizienz: Bereits nach drei bis vier Iterationen, was weniger als acht Stunden entspricht, standen robuste Modelle bereit. Dieser Prozess reduziert Entwicklungszeiten von mehreren Monaten auf wenige Stunden und entlastet Forschungsteams erheblich. Die UCSF-Gruppe plant nun, die HACHI-generierten Modelle in realen klinischen Umgebungen zu validieren und den Ansatz auf weitere Krankheitsbilder wie Sepsis, Herz-Kreislauf-Erkrankungen und Krebs zu erweitern. Durch die gezielte Kopplung von automatisierter Datenextraktion und menschlicher Expertise schafft das Framework eine skalierbare Basis für praxistaugliche KI-Tools im medizinischen Alltag. HACHI markiert damit einen signifikanten Schritt hin zu einer kooperativen KI-Entwicklung, die Transparenz, Genauigkeit und klinische Anwendbarkeit gleichermaßen priorisiert und die Brücke zwischen algorithmischer Leistungsfähigkeit und ärztlicher Intuition schlägt.