KI in der Transplantationsmedizin

Weltweit besteht ein erheblicher Mangel an Spenderorganen. Allein in Deutschland werden jährlich rund 2.000 Nierentransplantationen durchgeführt, dennoch sind die Wartelisten überlastet. Etwa 6.400 Patient*innen warten auf eine Nierentransplantation – mit einer durchschnittlichen Wartezeit von circa 6 Jahren.^1,2 Für viele Betroffene ein Rennen gegen die Zeit: Einige werden während der Wartezeit zu krank für den Eingriff, andere überleben die Wartezeit gar nicht erst.¹ Neue Strategien müssen her: Neben Kampagnen, um die Bereitschaft zum Spenden zu erhöhen werden auch zunehmend Organe von Spender*innen mit bestehenden Vorerkrankungen oder höherem Alter in Betracht gezogen.^3,4 Die Entscheidung, ein solches Organangebot anzunehmen oder abzulehnen, ist schwierig. Da es bis jetzt keine zuverlässigen Werkzeuge gibt, um die Konsequenzen einer Nierentransplantation vorherzusagen, verlassen sich Ärzt*innen dabei auf ihre klinische Erfahrung. Die Folge: erhebliche Variabilität in den Ablehnungsraten und Wartezeiten zwischen verschiedenen Kliniken.³ Mit Einführung eines klinischen Entscheidungsunterstützungssystems (clinical decision support (CDS) system), welches Vorhersagen über den potenziellen Verlauf einer Nierentransplantation liefert, könnte die Entscheidungsfindung harmonisiert werden.

Vorhersage von Transplantat- und Patientenergebnissen mithilfe interpretierbarer maschineller Lernmodelle

Die Studienergebnisse einer Forschungsgruppe der Universität Oxford könnten helfen, diesem Ziel ein großes Stück näherzukommen. Dafür wurden Daten des britischen Transplantationsregisters aus den letzten 20 Jahren herangezogen. Der Datensatz umfasste Informationen zu mehr als 36.000 angenommenen Nierenangeboten, einschließlich Überlebensdaten von Patient*innen und Transplantaten aus dem Vereinigten Königreich. Auf dieser Grundlage wurden verschiedene Survival-Analyse-Modelle trainiert, verglichen und ihre Interpretierbarkeit – also das Maß, in dem die Vorhersagen eines Modells für Menschen nachvollziehbar sind – bewertet.^3,5

Was sind Survival-Analyse-Modelle?

Die Survival-Analyse ist eine statistische „Time-to-Event“-Analyse, die die Wahrscheinlichkeit für das Eintreten eines bestimmten Ereignisses zu einem gegebenen Zeitpunkt modelliert und vorhersagt. In der Transplantationsmedizin wird es beispielsweise zur Vorhersage der Überlebenszeit von Transplantationspatient*innen oder zur Risikoanalyse für Organversagen nach Transplantationen eingesetzt. Häufig wird dafür das Cox-Proportional-Hazard-Modell (Cox PH) verwendet, welches die Analyse verschiedener Einflussfaktoren (wie beispielsweise Alter oder weitere Erkrankungen) auf die Survival-Analyse ermöglicht. Um die Vorhersagekraft des Cox PH-Modells zu verbessern, wurden Erweiterungen entwickelt, die Methoden des maschinellen Lernens integrieren. Dazu zählen Modelle wie DeepSurv und DeepHit, die zusätzlich mit neuronalen Netzwerken modulieren.^6,7 Neben diesen neuronalen Netzwerken kommen auch weitere Verfahren des maschinellen Lernens in der Survival-Analyse zum Einsatz, wie beispielsweise Random Survival Forests.⁸ In der Studie wurde das Cox PH-Modell, DeepHit, und Random Survival Forests hinsichtlich ihrer Vorhersageleistung und Interpretierbarkeit verglichen und bewertet.³

Die Begriffe im Überblick

Maschinelles Lernen umfasst Verfahren, die es Systemen ermöglichen, aus Daten zu lernen und Vorhersagen zu treffen.⁹
Neuronale Netzwerke sind eine spezialisierte Form des maschinellen Lernens, inspiriert vom menschlichen Gehirn. Sie zeichnen sich durch ihre Fähigkeit aus, komplexe, nichtlineare Zusammenhänge automatisch zu erlernen.⁹
Random Forests ist ein Ensemble-Algorithmus, der durch die Kombination vieler Entscheidungsbäume robuste Vorhersagen liefert.¹⁰

Warum muss eine Vorhersage nachvollziehbar sein?

Neben der Vorhersageleistung ist auch die Interpretierbarkeit eines Modells ein zentrales Kriterium, das bei der Entwicklung eines geeigneten CDS-Systems berücksichtigt werden muss. Eine gute Interpretierbarkeit ermöglicht es den Nutzern, Vertrauen in die Modellvorhersagen zu entwickeln und die Kontrolle über die damit verbundenen Entscheidungen zu behalten.³ Während Modelle wie das Cox PH-Modell von Natur aus interpretierbar sind, sind Black-Box-Modelle wie neuronale Netzwerke und Random Survival Forests oft schwer nachvollziehbar. Dennoch können solche Black-Box-Modelle nachträglich mit Interpretierbarkeitsmethoden verständlich gemacht werden.³ Die Autoren der Studie verwendeten Shapley Additive Explanations (SHAP) – den Goldstandard unter den Interpretierbarkeitsmethoden, um die Entscheidungslogik der verschiedenen Survival-Analyse-Modelle nachvollziehbar zu machen.¹¹

So schnitten die verschiedenen Survival-Analyse Modelle in der Studie ab

Das Cox PH-Modell bestätigte sich als eine robuste und einfach zu verwendende Lösung, die zuverlässige Vorhersagen ermöglicht und für Ärzt*innen gut verständlich ist.³
Neuronale Netzwerke zeigten eine vergleichbare Leistung zu den herkömmlich genutzten Methoden bei der Vorhersage von Nierentransplantationsergebnissen. Besonders gut schnitten sie bei der Vorhersage eines Organversagens nach Transplantation ab, was bei der Entscheidung über die Annahme eines Organangebots vorteilhaft ist. Bei der Vorhersage des Patient*innensterbens nach 5 bzw. 10 Jahren schnitt jedoch das Cox PH-Modell etwas besser ab als das neuronale Netzwerk.Trotz ihrer Black-Box-Natur boten neuronale Netzwerke durch den Einsatz von SHAP eine präzisere und individuellere Interpretierbarkeit als das Cox PH-Modell. SHAP ermöglichte detaillierte, in Echtzeit berechnete Erklärungen einzelner Vorhersagen und erleichterte somit die klinische Validierung, wodurch das Modell für Ärzt*innen und Patient*innen vertrauenswürdiger wird.³
Random Survival Forests zeigten eine vergleichbare Leistung und Interpretierbarkeit wie neuronale Netzwerke, sind jedoch deutlich langsamer im Training und in der Anwendung.³

Neuronale Netzwerke: Grundbaustein für CDS-Systeme der Zukunft

Die Ergebnisse der Studie stellen neuronale Netzwerke als vielversprechende Grundlage für zukünftige CDS-Systeme dar.3 Durch eine geplante Erweiterung um die Vorhersage von Patientenergebnissen bei einer abgelehnten Organspende sowie einer Unsicherheitsquantifizierung könnte schon bald ein leistungsstarkes CDS-System entstehen, das Transplantationsentscheidungen optimiert und gleichzeitig sowohl für Ärzt*innen als auch Patient*innen nachvollziehbar ist.

Wenn Sie mehr über den Studienaufbau oder die Ergebnisse erfahren möchten, finden Sie hier die Studie.

Referenzen

Deutsche Stiftung Organtransplantation. Jahresbericht Organspende und Transplantation in Deutschland 2024. URL: https://dso.de/SiteCollectionDocuments/DSO-Jahresbericht%202024.pdf (zuletzt abgerufen am: 15.05.2025).
Bundesärztekammer (Arbeitsgemeinschaft der deutschen Ärztekammern) und Kassenärztliche Bundesvereinigung. Allokationsregeln und altersabhängige Wartezeit bei Nierentransplantationen. URL: https://www.aerzteblatt.de/archiv/allokationsregeln-und-altersabhaengige-wartezeit-bei-nierentransplantationen (zuletzt aufgerufen 24.02.2025).
Salaün A et al. Sci Rep. 2024;14(1):17356.
Die Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V.Organspende: Widerspruchslösung erhöht die Spendenrate nicht. URL: https://www.mpg.de/23725156/1113-bild-organspende-widerspruchsloesung-erhoeht-die-spendenrate-nicht (zuletzt aufgerufen 19.02.2025).
Lundberg SM et al. Adv Neural Inf Process Syst. 2017;30.
Katzman JL et al. BMC Med Res Methodol. 2018;18:1–12.
Lee C et al. In: AAAI Conf. Artif. Intell. 2018.
Ishwaran H et al. Ann Appl Stat. 2008;2:841–860.
Bayrisches Forschungsinstitut für digitale Transformation. Maschinelles Lernen. URL: https://www.bidt.digital/glossar/maschinelles-lernen/ (zuletzt aufgerufen 24.03.2025).
Breiman L. Mach Learn. 2001;45:5-32.
Molnar C et al. In: Koprinska I et al., editors. ECML PKDD 2020 Workshops. ECML PKDD 2020. Commun Comput Inf Sci. Cham: Springer; 2020.