Internationale Prüfung und Verfeinerung von KI‑Algorithmen zur Vorhersage von akuten Leukämie‑Subtypen anhand routinemäßiger Labordaten

Warum das für Patientinnen und Patienten weltweit wichtig ist

Bei vielen Menschen mit akuter Leukämie beginnt die Uhr lange bevor sie einen Spezialisten sehen. In Regionen der Welt, in denen fortgeschrittene Tests selten oder langsam verfügbar sind, kann allein die Bestimmung des Leukämietyps Tage dauern – Zeit, die möglicherweise nicht vorhanden ist. Diese Studie untersucht, ob ein Programm der künstlichen Intelligenz (KI), das nur die routinemäßigen Blutuntersuchungen verwendet, die nahezu jedes Krankenhaus ohnehin durchführt, schnell den wahrscheinlichen Leukämie‑Subtyp vorschlagen und Ärztinnen und Ärzten helfen kann, besonders in ressourcenarmen Umgebungen schneller zu handeln.

Alltägliche Blutwerte als Frühwarnsystem

Die Forschenden bündelten Daten von 6206 Patientinnen und Patienten mit akuter Leukämie, die an 20 Zentren in 16 Ländern behandelt wurden, und deckten damit alle bewohnten Kontinente sowie ein breites Spektrum an Einkommensniveaus ab. Anstatt auf spezialisierte Bildgebung oder Gentests zu setzen, fütterten sie ein vorhandenes KI‑Modell mit Standardlaborwerten, die bei der Diagnose erhoben wurden, wie Blutbild, Gerinnungsparameter und einfache klinisch‑chemische Werte. Ziel war zu prüfen, ob ein ursprünglich auf französischen Daten aufgebautes Werkzeug drei große Leukämieformen – akute myeloische Leukämie (AML), akute promyelozytäre Leukämie (APL) und akute lymphoblastische Leukämie (ALL) – in sehr unterschiedlichen Krankenhäusern, Populationen und Altersgruppen erkennen kann.

Starke Signale, aber Lücken beim Nutzen für Patientengruppen

Wendet man das Modell breit auf Erwachsene an, zeigte die KI insgesamt gute Leistungen: Besonders genau war sie für AML und APL, zwei Formen, bei denen eine schnelle Erkennung den Überlebensverlauf stark beeinflussen kann. Die ursprüngliche Version hatte jedoch eine strenge interne „Konfidenz“-Regel, die nur dann ein Ergebnis ausgab, wenn sie sich sehr sicher war. Das ließ die Kennzahlen auf dem Papier hervorragend erscheinen, bedeutete in der Praxis aber, dass bis zu mehr als 90 % der Patientinnen und Patienten gar keinen KI‑Vorschlag erhielten. Selbst ohne diese Regel variierte die Leistung stark zwischen Zentren und Leukämieformen, was Unterschiede in Altersverteilungen, lokalen Krankheitsmustern und sogar den eingesetzten Laborgeräten widerspiegelt.

Das System für unordentliche Realwelt‑Daten trainieren

Um das Werkzeug im Alltag nützlicher zu machen, untersuchten die Forschenden, warum es in einzelnen Fällen versagte. Sie verglichen die zugrunde liegenden Blutwertmuster korrekt und fälschlich klassifizierter Patientinnen und Patienten und nutzten statistische Erklärmethoden, um zu identifizieren, welche Messgrößen am wichtigsten waren. Bestimmte Gerinnungsmarker und Eigenschaften der roten Blutkörperchen erwiesen sich als besonders relevant, um APL von anderen Typen zu unterscheiden, während Muster der weißen Blutkörperchen halfen, AML von ALL zu trennen. Anschließend fügten die Forschungsgruppe einen neuen Vorverarbeitungsschritt hinzu, der „Ausreißer“-Patienten aussiebt, deren Laborwerte deutlich von dem abweichen, was die KI zuvor gesehen hatte. Durch die Kombination von zwei solchen Filtern und das Entfernen nur eines moderaten Anteils an Fällen steigerten sie die Genauigkeit für schwierige Gruppen – insbesondere für Patientinnen und Patienten, die zuvor unter der Konfidenzschwelle des Modells lagen – und hielten zugleich Vorhersagen für die meisten Personen verfügbar.

KI an Kinder anpassen, nicht nur an Erwachsene

Kinder mit Leukämie zeigen häufig andere Laborprofile als Erwachsene, und das erwies sich als sehr bedeutsam. Wurde die auf Erwachsene trainierte KI auf 1746 pädiatrische Patientinnen und Patienten angewendet, sank ihre Leistung, insbesondere für AML. Das Team zeigte, dass Schlüsselwerte im Blut, etwa Gerinnungsfaktoren und Zellzahlen, bei jüngeren Patientinnen und Patienten in anderen Bereichen lagen. Anstatt die geringere Leistung hinzunehmen, trainierten sie die KI speziell mit pädiatrischen Daten nach, was die Erkennungsfähigkeit für kindliche ALL und AML deutlich verbesserte und gleichzeitig starke Ergebnisse für die selteneren pädiatrischen APL‑Fälle beibehielt. Das macht eine wichtige Lehre deutlich: KI‑Systeme zur Unterstützung diagnostischer Entscheidungen müssen auf die Bevölkerungsgruppen zugeschnitten sein, denen sie dienen sollen.

Auf dem Weg zu schnellerer und gerechterer Leukämieversorgung

Die Autorinnen und Autoren betonen, dass dieses KI‑Werkzeug die Goldstandard‑Verfahren – mikroskopische Untersuchung, Durchflusszytometrie und genetische Tests – nicht ersetzt, auf die Ärztinnen und Ärzte zur Bestätigung des Leukämietyps und zur Wahl präziser Therapien angewiesen sind. Vielmehr bietet es eine Möglichkeit, wahrscheinliche Leukämie‑Subtypen schnell anhand von Laborwerten zu markieren, die bereits weit verbreitet sind, auch in vielen Ländern mit niedrigem und mittlerem Einkommen. Indem das Modell so verfeinert wurde, dass es mit unterschiedlichen Krankenhäusern umgehen kann, unzuverlässige Vorhersagen herausfiltert und eine pädiatrische Version geschaffen wurde, zeigt die Studie, wie KI helfen könnte, die Zeit bis zur spezialisierten Versorgung und lebensrettenden Behandlung zu verkürzen. Die Arbeit legt die Grundlage für zukünftige Studien, die prüfen sollen, ob solche Entscheidungsunterstützung tatsächlich frühe Sterblichkeitsraten senken kann und so die Vorteile moderner Leukämiebehandlung für Patientinnen und Patienten näher bringt – unabhängig davon, wo sie leben.

Zitation: Turki, A.T., Fan, Y., Hernández-Sánchez, A. et al. International testing and refinement of AI algorithms predicting acute leukemia subtypes from routine laboratory data. Nat Commun 17, 2649 (2026). https://doi.org/10.1038/s41467-026-70584-z

Schlüsselwörter: akute Leukämie, künstliche Intelligenz, diagnostische Unterstützung, Gesundheitsgerechtigkeit, Laboruntersuchungen