Die Darstellung verbindet zwei zentrale Denkmodelle der Wissenschaft mit modernen KI-Ansätzen zur Personalisierung.

Im oberen Teil steht das klassische, stichprobenbasierte Vorgehen, das auf dem inferenzbezogenen Falsifikationismus à la Sir Karl Popper basiert. Hierbei wird die Population durch eine Normalverteilung beschrieben, wie sie beispielhaft anhand des Polygenic Risk Score dargestellt ist. Individuen werden auf einer Verteilungsskala (z. B. genetisches Risiko) eingeordnet – etwa von „Low Risk“ (–2σ) bis „High Risk“ (+2σ). Die Zuordnung zu Risikogruppen erfolgt dabei über statistische Schwellenwerte. Dieses Vorgehen eignet sich gut zur Hypothesentestung und zur Entwicklung generalisierbarer Aussagen, vernachlässigt jedoch häufig die individuellen Unterschiede jenseits des Mittelwerts (μ).

Demgegenüber steht das KI-gestützte personalisierende Modell, das in dem unteren Teil der Abbildung illustriert wird. Ausgangspunkt ist auch hier eine Basisstichprobe, aus der mittels maschineller Lernverfahren zunächst relevante Cluster gebildet werden. Diese Selektion erlaubt eine gezieltere Differenzierung von Subgruppen. Im letzten Schritt werden auf individueller Ebene durch adaptive, personalisierte Agenten Empfehlungen ausgesprochen, die weit über generelle Gruppenmittel hinausgehen. Solche Modelle können dynamisch auf neue Informationen reagieren und bieten damit einen vielversprechenden Ansatz für eine präzisionsorientierte Gesundheitsversorgung.

Insgesamt zeigt die Abbildung den Paradigmenwechsel von statistischen Durchschnittsmodellen hin zu KI-basierten, dynamischen und individualisierten Verfahren.

Ausgewählte Literatur

• Amrhein, Valentin; Greenland, Sander; McShane, Blake (2019): Scientists rise up against statistical significance. Nature, 567(7748), 305–307.
• Ciapponi, Agustín; Belizán, José M.; Piaggio, Gilda; Yaya, Sanni (2021): There is life beyond the statistical significance. Reproductive Health, 18(1), 80.
• Kale, Mayur; Wankhede, Nitu; Pawar, Rupali; Ballal, Suhas; Kumawat, Rohit; Goswami, Manish et al. (2024): AI-driven innovations in Alzheimer's disease: Integrating early diagnosis, personalized treatment, and prognostic modelling. Ageing Research Reviews, 101, 102497.
• Singh, Sonal; Stocco, Gabriele; Theken, Katherine N.; Dickson, Alyson; Feng, QiPing; Karnes, Jason H. et al. (2024): Pharmacogenomics polygenic risk score: Ready or not for prime time? Clinical and Translational Science, 17(8), e13893.
• Truong, Buu; Hull, Leland E.; Ruan, Yunfeng; Huang, Qin Qin; Hornsby, Whitney; Martin, Hilary et al. (2024): Integrative polygenic risk score improves the prediction accuracy of complex traits and diseases. Cell Genomics, 4(4), 100523.