KI & Kausalität

Bei der Untersuchung von großen Mengen unterschiedlicher medizinischer Daten für die klinische Entscheidungsfindung ist es nicht nur wichtig, statistische Zusammenhänge zwischen Faktoren zu verstehen, sondern vor allem auch die Ursachen und Zusammenhänge, die etwas über biologische Prozesse verraten. Die Nutzung von Modellen, die sowohl auf Daten als auch auf Ursache-Wirkungs-Beziehungen basieren, kann dazu beitragen, diese Modelle besser, repräsentativer und verständlicher zu machen.

Solche Modelle ermöglichen es, nicht nur statistische, sondern auch kausale Zusammenhänge zwischen verschiedenen Faktoren zu zeigen, zu lernen und in der klinischen Entscheidungsfindung zu verwenden. Das betrifft alle möglichen Arten von klinischen Daten sowie umfassende biologische Daten. Im Unterschied zu rein datengetriebenen Methoden bieten diese Modelle klare Einblicke in die Abhängigkeiten der beobachteten Faktoren. Zum Beispiel können sie in einem Vorhersagemodell erklären, warum bestimmte Ereignisse eintreten und somit besser nachvollziehbar machen.

Durch die Zusammenarbeit mit Experten können diese Zusammenhänge überprüft und verbessert werden. Besonders wichtig ist dies im medizinischen Bereich, um Daten aus verschiedenen Quellen und Populationen sinnvoll zu integrieren. Dabei geht es um unterschiedliche Arten von Beobachtungen, Experimenten, Therapien und Messungen. Die Forschung konzentriert sich auch darauf, wie man solche Modelle skalierbar macht und wie man eventuelle Verzerrungen in den Daten korrigieren kann. Eine weitere spannende Entwicklung ist die Verbindung dieser kausalen Modelle mit modernen Ansätzen des Maschinellen Lernens und Wissensgraphen, was derzeit im Exzellenzcluster SciKnow vorangetrieben wird.