{"id":36351,"date":"2026-05-13T07:46:03","date_gmt":"2026-05-13T07:46:03","guid":{"rendered":"https:\/\/lamarr-institute.org\/?post_type=blog&#038;p=36351"},"modified":"2026-05-13T08:05:24","modified_gmt":"2026-05-13T08:05:24","slug":"kuenstliche-intelligenz-in-der-parkinson-forschung","status":"publish","type":"blog","link":"https:\/\/lamarr-institute.org\/de\/blog\/kuenstliche-intelligenz-in-der-parkinson-forschung\/","title":{"rendered":"K\u00fcnstliche Intelligenz in der Parkinson-Forschung"},"content":{"rendered":"\n<p><em>Ein \u00dcberblick \u00fcber das Marie-Sk\u0142odowska-Curie Doktorandennetzwerk \u201eAI in Parkinson\u2019s Disease\u201c (AIPD)<\/em><\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Worum handelt es sich bei Parkinson?<\/h2>\n\n\n\n<p>Die Parkinson-Erkrankung ist eine nicht heilbare, chronisch fortschreitende neurodegenerative Erkrankung, welche zu den h\u00e4ufigsten neurologischen Erkrankungen weltweit z\u00e4hlt. In den westlichen L\u00e4ndern steigen die Fallzahlen stetig, m\u00f6glicherweise aufgrund der Demographie. Die Erkrankung entwickelt sich \u00fcber einen langen Zeitraum von bis zu 20 Jahren. Sie ist charakterisiert durch das Absterben von Dopamin produzierenden Zellen in der substantia nigra des Gehirns. Die Ursache der Erkrankung ist weitgehend unbekannt. Neben den bekannten motorischen Symptomen wie Tremor, Steifheit und Bewegungsverlangsamung treten h\u00e4ufig kognitive, psychiatrische und autonome Begleiterscheinungen auf. Vielfach lassen sich diese Symptome nur qualitativ beschreiben. Insgesamt entwickelt sich die Erkrankung bei verschiedenen Patienten sehr unterschiedlich. Die genaue Diagnose und Behandlung von Parkinson sind schwierig. Zentrale Herausforderungen sind daher:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Wie k\u00f6nnen wir Parkinson fr\u00fchzeitig diagnostizieren, und wie behandeln wir danach die auftretenden Symptome zum richtigen Zeitpunkt in optimaler Weise?<\/li>\n\n\n\n<li>Was geben wir den Patienten als Prognose f\u00fcr ihre pers\u00f6nliche Zukunft mit?<\/li>\n\n\n\n<li>Was machen wir, wenn Patienten nicht mehr auf g\u00e4ngige Therapien ansprechen?<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Daten und KI als Teil einer L\u00f6sung<\/h2>\n\n\n\n<p>Um die oben genannten Herausforderungen angehen zu k\u00f6nnen, werden eine Vielzahl unterschiedlicher patientenbezogener Daten ben\u00f6tigt. Diese umfassen unter anderem:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Hochdimensionale biologische Omics-Daten, also gro\u00dfe biologische Datensammlungen, wie sie etwa bei der Analyse von Genen, RNA, Proteinen oder Stoffwechselprodukten entstehen<\/li>\n\n\n\n<li>Medizinische Bildgebung, speziell MRT-Aufnahmen des Gehirns<\/li>\n\n\n\n<li>Daten aus mobilen Gangsensoren und Sprachaufnahmen<\/li>\n\n\n\n<li>Strukturierte longitudinale Daten aus unterschiedlichen klinischen Studien<\/li>\n<\/ul>\n\n\n\n<p>W\u00e4hrend klassische statistische Verfahren \u00fcblicherweise genutzt werden, um konkrete Hypothesen f\u00fcr den durchschnittlichen Patienten zu testen, sto\u00dfen diese Methoden oft an Grenzen, wenn es darum geht, Vorhersagen f\u00fcr individuelle Patienten auf Basis von einer Vielzahl unterschiedlicher Variablen und Datenmodalit\u00e4ten zu machen. Methoden der K\u00fcnstlichen Intelligenz (KI) bieten neue M\u00f6glichkeiten, da sie komplexe und heterogene Daten systematisch auswerten und Muster erkennen k\u00f6nnen, die mit klassischen Verfahren nur schwer zug\u00e4nglich sind. Hier setzt das europ\u00e4ische Marie-Sk\u0142odowska-Curie-Doktorandennetzwerk \u201eArtificial Intelligence in Parkinson\u2019s Disease\u201c (AIPD) an. Ziel ist es, moderne Methoden der K\u00fcnstlichen Intelligenz systematisch mit klinischer und biologischer Forschung zu verbinden, um neue M\u00f6glichkeiten f\u00fcr die Vorhersage von Krankheitsrisiko, -subtyp und -verlauf zu schaffen sowie langfristig Therapieentscheidungen auf Basis von Daten und KI-Modellen zu personalisieren und zu optimieren. All dies soll auf einer transparenten, ethischen und rechtlich abgesicherten Basis im Sinne einer vertrauensw\u00fcrdigen KI erfolgen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Zentrale Fragestellungen der KI-Forschung bei Parkinson<\/h2>\n\n\n\n<p>AIPD versucht im Wesentlichen drei zentrale wissenschaftliche Kernfragen zu adressieren:<\/p>\n\n\n\n<p><br><strong>Wie kann KI helfen, Parkinson fr\u00fcher und individueller zu behandeln?<\/strong> Hierzu werden klinische Scores, Bildgebung, Omics-Daten, Sprachaufzeichnungen und digitale Gangsensorik genutzt. Auf Basis dieser Daten werden individuelle Risikoprofile erstellt, Parkinson gegen\u00fcber anderen Krankheitsbildern abgegrenzt (Differenzialdiagnose), Krankheitssubtypen identifiziert, Prognosemodelle entwickelt und das Ansprechen auf medikament\u00f6se Behandlungen bewertet. Ziel ist es, datenbasierte Modelle zu entwickeln, die langfristig in der Lage sind, Therapieentscheidungen zu unterst\u00fctzen und zu personalisieren. Au\u00dferdem sollen k\u00fcnftige klinische Studien so unterst\u00fctzt werden, dass die Chance f\u00fcr neue Medikamente f\u00fcr Parkinsonpatienten verbessert wird.<\/p>\n\n\n\n<p><br><strong>Wie kann KI helfen, die Symptome der Parkinsonerkrankung mittels innovativer digitaler Technologien objektiver in ihrem Verlauf zu erfassen?<\/strong> Hierzu werden Algorithmen entwickelt, welche Muster aus Sprachaufzeichnungen und digitaler Gangsensorik erkennen. Auf Basis der Genauigkeit, die diese Modelle erzielen, lassen sich Aussagen \u00fcber den klinischen Nutzen der entsprechenden digitalen Technologien ableiten.<\/p>\n\n\n\n<p><br><strong>Wie lassen sich vertrauensw\u00fcrdige, erkl\u00e4rbare KI-Modelle entwickeln, die klinisch nachvollziehbar sowie rechtlich und ethisch verantwortbar sind?<\/strong> Hierbei wird insbesondere Wert auf die Erkl\u00e4rbarkeit und klinische Interpretierbarkeit von KI-basierten Modellvorhersagen gelegt. Au\u00dferdem wird die Generalisierbarkeit von Modellen kritisch beleuchtet. Aus rechtlicher Sicht ist au\u00dferdem das Zusammenspiel mit datenschutzrechtlichen Bestimmungen, der KI-Verordnung und der Medizinproduktverordnung essenziell. Zu guter Letzt erfolgt eine ethische Gesamtbewertung des Projektes.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Herausforderungen und L\u00f6sungsans\u00e4tze aus datenwissenschaftlicher Sicht<\/h2>\n\n\n\n<p>Die Entwicklung von KI-Verfahren zur Beantwortung der oben genannten Fragestellungen ist mit einer ganzen Reihe von Herausforderungen konfrontiert:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Datenzugang<\/strong>: Der Zugang zu patientenbezogenen Daten ist in Europa sehr streng reguliert. Ein signifikanter Aufwand geht daher in die Beantragung von Datenzug\u00e4ngen und das Abschlie\u00dfen rechtlicher Vereinbarungen zur Datennutzung.<\/li>\n\n\n\n<li><strong>Datenharmonisierung:<\/strong> Medizinische Daten aus einer speziellen Studie sind in der Regel nicht repr\u00e4sentativ f\u00fcr die Gesamtbev\u00f6lkerung. Daher ist es unerl\u00e4sslich, Modelle aus unterschiedlichen Studien zu evaluieren, um die Generalisierbarkeit abzusch\u00e4tzen. Allerdings sind Daten aus verschiedenen Studien in der Regel strukturell nicht kompatibel miteinander. Daher m\u00fcssen sie erst anhand eines gemeinsamen Datenmodells harmonisiert werden. Hierzu werden im Rahmen von AIPD unter anderem auch Agentensysteme entwickelt und getestet.<\/li>\n\n\n\n<li><strong>Begrenzte Fallzahlen<\/strong>: Verglichen mit anderen Anwendungsbereichen sind Daten in der Medizin immer noch von \u00fcberschaubarer Gr\u00f6\u00dfe, vor allem in Bezug auf typische Fallzahlen in klinischen Studien. Dies stellt besondere Herausforderungen f\u00fcr KI-Verfahren dar.<\/li>\n\n\n\n<li><strong>Kurze Verl\u00e4ufe mit hoher Heterogenit\u00e4t<\/strong>: Klinische Studien laufen zwar h\u00e4ufig \u00fcber mehrere Jahre, aber die Zahl der Besuche im Krankenhaus, bei denen Daten entstehen, ist sehr begrenzt. Zudem brechen viele Teilnehmer*innen eine Studie irgendwann ab, was zu systematisch fehlenden Werten in den Daten f\u00fchrt. Gleichzeitig ist die Heterogenit\u00e4t in den klinischen Verl\u00e4ufen hoch. Die Entwicklung von KI-Modellen f\u00fcr klinische Studien ist daher sehr komplex.<\/li>\n\n\n\n<li><strong>Multimodale Daten<\/strong>: Viele der oben genannten Fragestellungen lassen sich nur durch eine Kombination unterschiedlicher Datenmodalit\u00e4ten beantworten. Beispielsweise ist das Risiko der Erkrankung ableitbar aus einer Kombination aus genetischer Pr\u00e4disposition, Alter, Umwelteinfl\u00fcssen und Lebensstil. Dieser Sachverhalt macht die Entwicklung und Evaluation geeigneter KI-Modelle aufwendig und schwierig.<\/li>\n\n\n\n<li><strong>Hochdimensionale Daten<\/strong>: Viele Daten in der Medizin sind sehr hochdimensional \u2013 das hei\u00dft mit sehr vielen Merkmalen pro Fall \u2013 bei gleichzeitig begrenzter Zahl von Patienten. Beispiele hierf\u00fcr umfassen Omics-Daten und medizinische Bilddaten. Hochdimensionale Daten k\u00f6nnen sehr leicht zur \u00dcberanpassung von KI-Modellen und damit zu schlechter Vorhersagegenauigkeit f\u00fchren.<\/li>\n\n\n\n<li><strong>Mangelnde Interpretierbarkeit von Sensordaten<\/strong>: Daten aus digitalen Ger\u00e4ten, wie beispielsweise Smartphones oder tragbare Gangsensoren, stellen eine neue und sehr interessante Datenquelle f\u00fcr die Medizin dar. Jedoch sind die Rohdaten h\u00e4ufig zun\u00e4chst nur schwer interpretierbar.<\/li>\n<\/ul>\n\n\n\n<p>Um den oben genannten Herausforderungen zu begegnen, werden im Rahmen von AIPD eine ganze Reihe datenwissenschaftlicher Ans\u00e4tze angepasst, anwendungsbezogen weiterentwickelt und teilweise auch kombiniert:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>KI-Agenten<\/strong>: Sprachmodelle (Large Language Models) und darauf aufbauende Agentensysteme sollen bei der Harmonisierung von Studiendaten unterst\u00fctzen.<\/li>\n\n\n\n<li><strong>Multimodale Datenfusion<\/strong>: Daten unterschiedlicher Modalit\u00e4ten (z. B. Genetische Varianten, Frageb\u00f6gen zu Lebensstil oder Schlafst\u00f6rungen) sollen geeignet kombiniert werden, um optimale Vorhersagegenauigkeit zu erzielen.<\/li>\n\n\n\n<li><strong>Dom\u00e4nenadaption<\/strong>: Modelle sollen auf Basis harmonisierter Daten \u00fcbertragbar zwischen verschiedenen Studien gemacht werden.<\/li>\n\n\n\n<li><strong>KI-Grundlagenmodelle<\/strong>: Die in den letzten Jahren f\u00fcr viele Datenmodalit\u00e4ten (bspw. gesprochene Sprache) entwickelten Grundlagenmodelle sollen gegen etablierte Alternativen hinsichtlich ihrer Vorhersagegenauigkeit, aber auch ihrer Erkl\u00e4rbarkeit verglichen werden.<\/li>\n\n\n\n<li><strong>Zeitreihenmodelle<\/strong>: Viele oben skizzierte Fragestellungen sind nur durch unterschiedliche Modellierungsans\u00e4tze f\u00fcr Zeitreihen adressierbar. Diese umfassen auch generative Ans\u00e4tze, welche zur Simulation m\u00f6glicher k\u00fcnftiger Krankheitsverl\u00e4ufe auf individueller Ebene verwendet werden sollen.<\/li>\n\n\n\n<li><strong>Hybride KI<\/strong>: Einige der Herausforderungen auf der Datenseite lassen sich nur durch die Kombination verschiedener Modellierungstechniken angehen. Beispielsweise werden k\u00fcnstliche neuronale Netze mit Differentialgleichungen kombiniert.<\/li>\n\n\n\n<li><strong>Kausales Maschinelles Lernen<\/strong>: Viele Fragestellungen in der Medizin lassen sich nicht nur durch blo\u00dfe Vorhersagen l\u00f6sen. So ist beispielsweise die Frage nach dem m\u00f6glichen Nutzen einer Ver\u00e4nderung des Lebensstils nicht durch \u00fcbliche Methoden des maschinellen Lernens zu beantworten. Hier kommen moderne Verfahren aus dem Schnittbereich von KI und Statistik ins Spiel.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Vertrauensw\u00fcrdigkeit von KI-Verfahren als zentraler Aspekt<\/h2>\n\n\n\n<p>Ein zentraler Aspekt bei der weitergehenden Nutzung von KI in der Medizin ist deren Vertrauensw\u00fcrdigkeit. Diese umfasst mehrere in AIPD behandelte Aspekte wie Generalisierbarkeit, Erkl\u00e4rbarkeit, Ethik sowie Datenschutz und Regulierung:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Die <strong>mangelnde Generalisierbarkeit<\/strong> von KI-Modellen ist auf Grund der oben erw\u00e4hnten Limitationen von Studiendaten ein Hauptproblem der Forschung insgesamt. AIPD widmet sich daher auf Basis harmonisierter Daten umfassend der externen Validierung von Modellen sowie deren dom\u00e4nenspezifischer Anpassung.<\/li>\n\n\n\n<li>KI-Modelle in der Medizin bed\u00fcrfen einer sorgf\u00e4ltigen Interpretation, um sinnlose Ergebnisse zu vermeiden und bei einer m\u00f6glichen sp\u00e4teren Nutzung erl\u00e4utern zu k\u00f6nnen, <strong>wie ein bestimmtes Ergebnis zustande gekommen ist<\/strong>.<\/li>\n\n\n\n<li>Die Nutzung sehr sensitiver Daten, wie zum Beispiel Sprachaufnahmen, wirft ethische Fragen auf. Hier muss eine sorgf\u00e4ltige Abw\u00e4gung gegen\u00fcber dem m\u00f6glichen medizinischen Nutzen getroffen werden. KI-Verfahren fallen unter eine ganze Reihe relevanter <strong>Gesetzgebungen und Regulierungen<\/strong>, die beachtet und verstanden werden m\u00fcssen. Au\u00dferdem m\u00fcssen bei der Anwendung von KI-Algorithmen die existierenden <strong>Datenschutzbestimmungen<\/strong> eingehalten werden.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Bedeutung f\u00fcr die KI-Forschung bei Lamarr<\/h2>\n\n\n\n<p>Die interdisziplin\u00e4re Forschung von AIPD tr\u00e4gt unmittelbar zu den Kernzielen des Life Sciences &amp; Health Bereiches von Lamarr bei und verdeutlicht, wie datengetriebene KI-Ans\u00e4tze in der medizinischen Forschung eingesetzt werden k\u00f6nnen: AIPD entwickelt theoretisch fundierte KI-Algorithmen, die kausales Denken nutzbar machen und KI-Grundlagenmodelle kritisch nutzt und bewertet. Dar\u00fcber hinaus ist die Erkl\u00e4rbarkeit von KI-Modellen ein zentraler Bestandteil der Forschungsstrategie von AIPD. Durch die Nutzung von Studiendaten mehrerer Zentren k\u00f6nnen KI-Ans\u00e4tze kritisch hinsichtlich ihrer Generalisierbarkeit bewertet werden. Insgesamt ist das Ziel von AIPD, die k\u00fcnftige Patientenversorgung durch robuste Entscheidungsunterst\u00fctzung zu unterst\u00fctzen.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Kann K\u00fcnstliche Intelligenz die Zukunft der Parkinson-Versorgung ver\u00e4ndern? Dieser Beitrag zeigt, wie vertrauensw\u00fcrdige KI-Methoden eine fr\u00fchere Diagnose, personalisierte Behandlungen und bessere Vorhersagen des Krankheitsverlaufs erm\u00f6glichen k\u00f6nnten.<\/p>\n","protected":false},"author":14,"featured_media":36349,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,390,1664],"blog-tag":[1477,1526],"class_list":["post-36351","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-grundlagen","blog-category-ki-in-gesundheit-medizin","blog-tag-data-science-de","blog-tag-ki-in-der-medizin"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/36351","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/14"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/36351\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/36349"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=36351"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=36351"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=36351"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}