02 / Medizin
Was bleibt belastbar,
wenn sich Bedingungen ändern?
Computergestützte Modelle können biologische Hypothesen präzisieren. Ob ihre Aussagen tragen, entscheidet sich an geeigneten Daten, Annahmen und unabhängiger Validierung.
Forschungsrichtung geplant
01 / Forschungsfragen
Modelle an ihren Voraussetzungen messen.
Wann verliert eine Vorhersage ihre Übertragbarkeit?
Möglicher Einstieg: Kalibrierung und Fehlerraten eines veröffentlichten Modells bei vorab definierten Veränderungen einer Referenzumgebung untersuchen.
Welche Annahmen bestimmen Aussagen über einen biologischen Prozess?
Kleine Prozessmodelle könnten anhand von Sensitivität und Identifizierbarkeit nachgerechnet und mit konkurrierenden Erklärungen verglichen werden.
Wie zuverlässig werden Befunde aus der Literatur erschlossen?
Extraktionen und Bewertungen müssten an Originaltexten und einem vorab festgelegten Referenzkorpus fachlich gegengeprüft werden.
02 / Grenzen & geplanter Ansatz
Fachliche Prüfung vor einem Programmstart.
Ein medizinisches Forschungsprogramm ist noch nicht gestartet. Die Auswahl einer begrenzten Frage, geeignete Expertise und ein tragfähiges Prüfdesign sind Voraussetzungen. Ein erster Ansatz wäre methodische Arbeit an synthetischen oder offen dokumentierten, nicht personenbezogenen Referenzdaten und Modellen.
Retrospektive Modellgüte ist kein Beleg für klinischen Nutzen. Ein Zellmodell ist kein Modell eines ganzen Menschen. Automatisierte Literaturbewertungen ersetzen keine fachliche Prüfung.
Keine medizinische Beratung. Keine Patientendaten.
Coherence Labs bietet keine Diagnostik, Behandlung oder medizinische Beratung an. Hier werden keine Patientendaten erhoben, verarbeitet oder zur Kontaktaufnahme angefordert. Bitte keine Gesundheits- oder Patientendaten per E-Mail senden.
03 / Quellen
Literatur zur methodischen Einordnung.
Ausgewählte externe Literatur. Eigene Kurzzusammenfassungen zur Einordnung der geplanten Fragen; keine systematische Übersicht und keine Forschungsergebnisse von Coherence Labs.
John R. Zech; Marcus A. Badgeley; Manway Liu; Anthony B. Costa; Joseph J. Titano; Eric Karl Oermann (2018). Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study. PLOS Medicine 15(11), e1002683. DOI: 10.1371/journal.pmed.1002683.
Die retrospektive Untersuchung von Pneumonie-Modellen zeigt, dass eine Leistung innerhalb eines Datensatzes nicht ohne Weiteres auf andere Versorgungskontexte übertragbar ist. Sie begründet den Bedarf externer Prüfungen; eine klinische Freigabe folgt daraus nicht.
Jonathan R. Karr; Jayodita C. Sanghvi; Derek N. Macklin et al. (2012). A Whole-Cell Computational Model Predicts Phenotype from Genotype. Cell 150(2), 389–401. DOI: 10.1016/j.cell.2012.05.044.
Die Arbeit verbindet Teilmodelle biologischer Prozesse zu einem Modell eines Bakteriums und vergleicht Vorhersagen mit experimentellen Daten. Sie illustriert die Verbindung expliziter Annahmen und experimenteller Kontrolle, ohne eine Übertragung auf Menschen zu belegen.
Iain J. Marshall; Joël Kuiper; Byron C. Wallace (2016). RobotReviewer: evaluation of a system for automatically assessing bias in clinical trials. Journal of the American Medical Informatics Association 23(1), 193–201. DOI: 10.1093/jamia/ocv044.
Die Evaluation untersucht automatische Unterstützung bei der Bewertung klinischer Studien. Hilfreiche Textstellen zu finden und ein belastbares Biasurteil zu treffen bleiben unterschiedliche Aufgaben; menschliche Gegenprüfung bleibt erforderlich.