BOSTON / LONDON (IT BOLTWISE) – In einer Studie in NEJM AI nutzte ein OpenAI-Modell des Typs o3 Genomdaten und klinische Informationen, um bei 18 Kindern mit seltenen Erkrankungen neue Diagnosen zu finden. Besonders bei neuroentwicklungsbedingten und neuromuskulären Störungen zeigte die KI laut Bericht einen messbaren Beitrag, während Ärztinnen und Ärzte die Ergebnisse abschließend prüften. Das Projekt macht deutlich, wie KI-gestützte Diagnoseunterstützung die Suche nach seltenen Krankheitsursachen beschleunigen kann – und welche Grenzen durch Nutzungsrichtlinien sowie Datenschutzfragen gesetzt bleiben. Für Kliniken, Forschende und Entwickler entsteht damit ein klarer Implementierungsanlass: vom Genom-Workflow bis zur sicheren Einbindung in die klinische Routine.
Seltene Krankheiten sind im Alltag der Medizin eine doppelte Herausforderung: Die Symptome sind oft unspezifisch, die Fallzahlen sind gering – und damit fehlt häufig die schnelle Evidenz, die bei häufigen Indikationen existiert. Genau an dieser Stelle setzen neue Arbeiten an, die Künstliche Intelligenz (KI) nicht als Diagnose-Ersatz, sondern als strukturierte Denk- und Suchhilfe verwenden. In einer aktuellen Veröffentlichung in NEJM AI wird beschrieben, wie das OpenAI-Modell o3 mithilfe von Genomdaten und klinischem Kontext bei Kindern am Boston Children’s Hospital Diagnosen vorgeschlagen hat, die zuvor unklar geblieben waren. Die Studie trifft damit einen wunden Punkt in der Versorgung: Zeit bis zur Einordnung, die für Familien psychisch und organisatorisch extrem belastend ist.
Technisch interessant ist dabei weniger das Schlagwort „KI“, sondern der konkrete Arbeitsablauf, der sich an realen klinischen Entscheidungen orientiert. Laut Studienbeschreibung wurden undiagnostizierte Patientendatensätze mit Genominformationen im Sinne einer genomweiten Suche nach relevanten Varianten kombiniert. Das Modell erhielt zusätzlich Informationen wie ärztliche Notizen, beobachtete Symptome und potenziell verantwortliche Gene, um die medizinische Hypothesenbildung zu unterstützen. Entscheidend ist, dass das Modell als Tool in einem Mensch-in-der-Schleife-Prozess genutzt wurde: Ärztinnen und Ärzte prüften die Vorschläge, bevor sie als endgültige Diagnose akzeptiert wurden. Diese Kopplung adressiert die bekannte Schwäche von KI-Systemen, wenn sie ohne klinische Validierung eingesetzt werden.
Die Ergebnisse der Veröffentlichung beziehen sich auf 18 Kinder, bei denen zuvor seltene Erkrankungen ärztlich „stumpf“ gegenüberstanden – also ohne belastbare Diagnose blieben. Besonders häufig ging es um seltene neuroentwicklungsbedingte Erkrankungen (zehn Fälle), daneben standen neuromuskuläre Störungen (vier Fälle). Hinzu kamen zwei Fälle mit plötzlichem Tod und zwei Fälle mit früher Psychose, womit die Studie auch die Bandbreite der klinischen Unsicherheiten abbildet, die bei seltenen genetischen Ursachen auftreten können. Die beteiligten Forschenden ordnen ein, dass der Ansatz nicht nur „einen Treffer“ liefert, sondern neue Diagnosen bei einer größeren Kohorte ermöglicht hat: In der Studie wurden 376 Genome von bislang undiagnostizierten Patientinnen und Patienten analysiert, wobei das Modell nahezu fünf Prozent neue Diagnosen identifizieren konnte – trotz bereits erfolgter Voranalysen.
Historisch betrachtet ist die Suche nach seltenen Diagnosen kein neues Problem, aber die Werkzeuge entwickeln sich. Genomsequenzierung hat über die Jahre massiv an Reichweite gewonnen, doch die Interpretation bleibt kosten- und zeitintensiv. Frühe Versuche mit wissensbasierten Expertensystemen stießen an Grenzen, weil sie stark von Kurationsqualität und festen Regeln abhängen. Spätere Ansätze aus dem Umfeld des maschinellen Lernens konzentrierten sich häufig auf einzelne Teilaufgaben wie Variantenklassifikation oder Ähnlichkeitssuche in Datenbanken. Der hier beschriebene Weg wirkt dagegen wie eine orchestrierte Hypothesenfindung: Modelle verarbeiten Text- und Strukturinformationen und helfen, die wahrscheinlichsten Verknüpfungen zwischen Genvarianten und klinischen Mustern zu priorisieren. Das ist im Vergleich zu rein datenbankbasierten „Lookups“ ein Schritt hin zu einem stärker kontextualisierten Differentialdiagnose-Workflow.
Für den Markt ist das Signal eindeutig: Unternehmen und Forschungseinrichtungen ringen um „klinische Nützlichkeit“ statt nur um technische Modellleistung. In der Praxis konkurrieren dabei mehrere Richtungen. Während sich etwa Microsoft und zahlreiche Partner im Bereich KI-gestützter Gesundheitsplattformen positionieren, verfolgt Google DeepMind seit Jahren translational orientierte Ansätze – etwa mit Fokus auf medizinische Bildanalyse oder wissenschaftsnahe KI-Entwicklung. IBM adressierte in der Vergangenheit mit Watson Health ebenfalls Diagnose- und Entscheidungsunterstützung, jedoch mit teils wechselnder Marktdurchdringung. Der Unterschied in der aktuellen Studie liegt weniger in der reinen Modellmarke, sondern im Nachweis, dass KI in den Alltagspraxisfluss integriert werden kann: mit dokumentierbarer Wirkung, definierter Datengrundlage und menschlicher Endprüfung. Branchenberichten zufolge steigt genau deshalb das Interesse von Kliniken an „KI-assistierten“ statt „KI-automatisierten“ Workflows.
Die Expertenperspektive aus der Studie unterstreicht diesen Punkt: Forschende am Boston Children’s Hospital beschreiben, dass genetische Screens im klinischen Alltag gegen neu identifizierte Gene abgeglichen werden, um seltene Erkrankungen zuordnen zu können. Wenn Diagnosen Zeit brauchen, ist die Ressourcenfrage zentral: Ein einzelner Fall bindet Forschende und Ärztinnen, und damit sinkt die Menge an Hypothesen, die in vertretbarer Zeit geprüft werden können. Wie aus Aussagen der Studienautorin Catherine Brownstein hervorgeht, kann die KI in so einem Engpass „enorme“ Beschleunigung liefern, weil sie neue Kandidaten systematisch priorisiert. Ergänzend nennt ein OpenAI-Forscher die Realität, dass ein menschlicher Bearbeitungszeitraum begrenzt ist und sich neue wissenschaftliche Erkenntnisse erst nachträglich in die Interpretation einarbeiten lassen.
Gleichzeitig bleibt die rechtliche und datenschutzbezogene Einordnung zwingend. Genomdaten zählen zu besonders sensiblen personenbezogenen Daten, und der Umgang mit ihnen unterliegt in Europa strengen Anforderungen an Zweckbindung, Zugriffsschutz, Protokollierung und Governance. Selbst wenn KI-Systeme als Assistenztool eingesetzt werden, muss die Organisation sicherstellen, dass die Datenverarbeitung den medizinischen Sicherheitsanforderungen entspricht und die Nachvollziehbarkeit im klinischen Entscheidungsprozess gegeben ist. Zusätzlich verweisen die Studien- und Anwendungsbeschreibungen darauf, dass die Technologie nicht für die Selbstdiagnose gedacht ist. Das ist weniger ein PR-Satz als ein Risiko-Management: Bei seltenen Erkrankungen können Fehlinterpretationen schnell zu falschen Wegen in Therapie und Diagnostik führen – und KI muss daher in klar definierte klinische Freigabe- und Verantwortungsmodelle eingebettet werden.
Als konkretes Fallbeispiel dient der Bericht über eine Patientin namens Kyra Benton, die über Jahre mit zunehmenden Symptomen auffällig wurde, bevor ihre Erkrankung schließlich identifiziert werden konnte. Der Verlauf illustriert, was für Unternehmen und Entwickler entscheidend ist: KI liefert selten nur „eine Zahl“, sondern sie verändert die Reihenfolge, in der Hypothesen untersucht werden. Wenn die Diagnose etwa eine progressive genetische neuromuskuläre Erkrankung wie myofibrilläre Myopathie betrifft, wird die Bedeutung einer frühen Zuordnung klar – nicht, weil es sofort eine einfache Therapie gibt, sondern weil sich Prognose, Begleitung und genetische Beratung verbessern lassen. Genau hier liegen die möglichen Effekte in der Versorgung: kürzere diagnostische Odyssee, bessere Betreuungsentscheidungen und mehr Planungssicherheit für Familien.
Der Ausblick für die nächsten Monate und Jahre ergibt sich aus drei Entwicklungssträngen. Erstens wird der Bedarf an integrierten Workflows steigen: KI muss in Labor- und klinische Systeme eingebunden werden, sodass Genom-Reporting, Dokumentation und die strukturierte Übernahme von Symptommustern konsistent funktionieren. Zweitens wird die Marktseite stärker auf Validierungs- und Evidenzfragen schauen: Welche Effekte zeigen sich in größeren Kohorten, wie stabil sind die Ergebnisse über Zeit, und wie verändert sich der Aufwand für das medizinische Team? Drittens werden regulatorische Leitplanken den Ton vorgeben: In einer Welt wachsender KI-Entscheidungsunterstützung werden Auditierbarkeit, Risikoanalysen und Datenschutzkonformität zum Differenzierungsfaktor. Für Entwickler eröffnen sich damit Chancen entlang MLOps- und Sicherheitsarchitekturen, während Kliniken vor allem robuste Integrationspfade in bestehende Prozesse brauchen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "NEJM AI: OpenAI o3 liefert Diagnosen für seltene Kinderkrankheiten" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "NEJM AI: OpenAI o3 liefert Diagnosen für seltene Kinderkrankheiten" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »NEJM AI: OpenAI o3 liefert Diagnosen für seltene Kinderkrankheiten« bei Google Deutschland suchen, bei Bing oder Google News!