Non-Adherence vorhersagen: Was KI-Modelle heute wirklich leisten – und was noch fehlt
Eine systematische Übersichtsarbeit zeigt, dass die meisten KI-Modelle zur Vorhersage von Therapieabbrüchen methodische Schwächen haben – ein nüchterner Blick auf den Stand der Dinge.
Mit KI-Unterstützung erstellt · redaktionell geprüft und verantwortet von Steven Breuer.
Therapieabbrüche gehören zum Praxisalltag: Patientinnen und Patienten setzen Medikamente ab, reduzieren die Dosis eigenmächtig oder lassen Rezepte verfallen – oft ohne dass die Praxis davon erfährt, bis der nächste Kontrolltermin oder eine Komplikation die Lücke offenbart. Die Idee, Non-Adherence mithilfe von KI-Modellen frühzeitig vorherzusagen, ist deshalb naheliegend und wird seit einigen Jahren intensiv erforscht. Eine aktuelle systematische Übersichtsarbeit in npj Digital Medicine liefert dazu allerdings ein Ergebnis, das man vor jeder Euphorie kennen sollte: Die meisten publizierten Modelle sind methodisch noch nicht so weit, wie man es sich für den klinischen Einsatz wünschen würde.
Was die Studie untersucht hat
Ein Forschungsteam der Ulster University hat 41 Studien zur Adhärenz-Vorhersage per KI systematisch ausgewertet (Cowdy et al., 2026). Bewertet wurde nicht, ob die Modelle „gute“ Ergebnisse liefern, sondern wie solide sie entwickelt und validiert wurden – anhand des PROBAST+AI-Frameworks, eines etablierten Instruments zur Risikobewertung von Prognosemodellen mit KI-Komponente. Geprüft wurden unter anderem die Datenquellen und Studienpopulationen, die verwendeten Prädiktoren, die Definition des Zielereignisses „Adhärenz“ sowie die statistische bzw. algorithmische Analyse.
Die Kernbefunde
Das Ergebnis ist deutlich: 71 Prozent der Studien wiesen bei der Modellentwicklung erhebliche Qualitätsmängel auf, 80 Prozent zeigten ein hohes Verzerrungsrisiko in der Evaluation. Als Hauptgründe nennen die Autorinnen und Autoren drei wiederkehrende Probleme:
- Schlecht definierte Adhärenz-Outcomes. Wenn schon unklar ist, was genau als „Non-Adherence“ gilt – ein verpasstes Rezept, eine Unterschreitung der Medication Possession Ratio, ein subjektiver Selbstbericht –, wird jede Vorhersage beliebig interpretierbar.
- Unzureichender Umgang mit fehlenden Daten. Gerade bei Adhärenzdaten, die oft aus Abrechnungs- oder Verordnungsdaten stammen, sind Lücken die Regel, nicht die Ausnahme. Wie damit umgegangen wird, entscheidet maßgeblich über die Belastbarkeit der Ergebnisse.
- Limitierte Validierung. Viele Modelle wurden nie an unabhängigen, externen Datensätzen getestet – ein Schritt, der eigentlich Mindeststandard für jede klinische Anwendung sein sollte.
Bemerkenswert ist ein weiterer Befund: Die Vorhersagegüte (Diskrimination) verbesserte sich nicht durchgängig mit komplexeren Algorithmen. Ein aufwendiges Deep-Learning-Modell schnitt also nicht automatisch besser ab als ein einfaches logistisches Regressionsmodell. Die Autorinnen und Autoren ziehen daraus einen klaren Schluss: Nicht der Modelltyp ist der limitierende Faktor auf dem Weg zur klinischen Reife, sondern die methodische Sorgfalt bei Entwicklung und Validierung.
Was das für die Praxis bedeutet
Für Ärztinnen, Ärzte und Praxis-Management heißt das zunächst: Vorsicht vor vorschnellen Erwartungen. Wenn Ihnen ein Anbieter ein Tool zur „KI-gestützten Adhärenzvorhersage“ vorstellt, lohnt sich ein kritischer Blick auf genau die Punkte, die diese Übersichtsarbeit adressiert:
- Wie wird „Non-Adherence“ im Modell definiert – und passt diese Definition zu Ihrer Patientenpopulation und Indikation?
- Wurde das Modell an einer unabhängigen Kohorte validiert, oder basieren die Zahlen nur auf dem Trainingsdatensatz?
- Wie transparent legt der Anbieter offen, wie mit fehlenden Daten umgegangen wurde?
- Gibt es eine nachvollziehbare Begründung, warum ein komplexeres Modell tatsächlich einen Mehrwert gegenüber einfacheren Ansätzen bietet?
Diese Fragen sind keine akademische Übung. Ein Prognosemodell, das in der Praxis eingesetzt wird, um proaktiv auf Patientinnen und Patienten zuzugehen – etwa durch gezielte Nachfragen bei der nächsten Rezeptausstellung oder durch ein strukturiertes Adhärenzgespräch – entfaltet nur dann einen Nutzen, wenn die zugrunde liegende Risikoeinschätzung tatsächlich belastbar ist. Ein Modell mit hohem Bias-Risiko kann im schlechtesten Fall falsche Prioritäten setzen: Ressourcen fließen in vermeintliche Risikopatienten, während tatsächlich gefährdete Personen übersehen werden.
Fazit
Die Idee, Therapieabbrüche frühzeitig zu erkennen, bleibt medizinisch sinnvoll und lohnt die weitere Beobachtung. Die aktuelle Evidenzlage zeigt aber, dass der Weg von der Publikation zum verlässlichen Praxiseinsatz noch nicht zurückgelegt ist. Die Autorinnen und Autoren formulieren dazu konkrete, framework-gestützte Empfehlungen, um Robustheit, Interpretierbarkeit und klinische Anwendbarkeit künftiger Modelle zu verbessern. Für die Praxis bedeutet das aktuell vor allem: Adhärenz-Prognosen aus KI-Systemen als zusätzlichen Hinweis verstehen, nicht als gesicherte Diagnose – und bei der Auswahl entsprechender Tools genau die methodischen Fragen stellen, die diese Studie aufwirft.