Künstliche Intelligenz, aktuell.
Direkt aus den Originalmeldungen.

KI-Analyse zeigt große Lücken beim Teilen von Code in medizinischen Studien

19. November 2026, 23:15Von der KI Nachrichten RedaktionQuelle: MIT News
KI-Analyse zeigt große Lücken beim Teilen von Code in medizinischen Studien
Bild: MIT News

Ein von MIT und dem Dana-Farber Cancer Institute geleitetes Team hat mithilfe großer Sprachmodelle fast 4.000 klinische Prognosestudien und Hunderte Code-Repositorien untersucht. Die Analyse zeigt, dass Code weiterhin selten geteilt wird und öffentlich zugänglicher Code oft nicht ausreichend dokumentiert ist, um ihn zu prüfen und wiederzuverwenden.

Das Wichtigste in Kürze
  • Das Team untersuchte fast 4.000 klinische Prognosestudien.
  • Nur etwa 1 von 8 Studien gab an, Code zu teilen.
  • Öffentliche Repositorien unterschieden sich stark bei Dokumentation und Informationen zur Wiederverwendung.
  • Menschliche Prüfer kontrollierten 500 Studien und eine separate Stichprobe von Repositorien.
  • Die Ergebnisse fließen in die Berichtsleitlinie TRIPOD-Code ein.

Eine groß angelegte Analyse des Teilens von Code

Die Forschenden untersuchten Studien, in denen klinische Prognosemodelle entwickelt, aktualisiert oder validiert wurden. Diese Modelle schätzen Patientenergebnisse wie das Risiko, eine Krankheit zu entwickeln. Da solche Modelle die Patientenversorgung beeinflussen können, hilft der Zugang zu den zugrunde liegenden Methoden und zum Code dabei, nachzuvollziehen, wie Patienten ausgewählt, fehlende Werte behandelt und Ergebnisse bewertet wurden.

Das Team identifizierte fast 4.000 relevante Studien, in denen die Berichtsleitlinien TRIPOD oder TRIPOD+AI zitiert wurden. Die Arbeiten stammten aus der Open-Access-Sammlung von PubMed Central. Ein LLM half dabei, die Studien zu prüfen, Aussagen zur Verfügbarkeit von Code zu identifizieren und Links zu Repositorien herauszufiltern. Anschließend rief eine Software die verlinkten Repositorien zur Bewertung ab.

Die Analyse untersuchte mehr als nur die Frage, ob eine Studie einen Link enthielt. Bewertet wurden unter anderem Dokumentation, Softwareanforderungen und Bedingungen für die Wiederverwendung. Menschliche Prüfer kontrollierten unabhängig voneinander 500 Studien sowie eine separate Stichprobe von Repositorien. Nach der Klärung von Unstimmigkeiten verglichen sie ihre Einschätzungen mit den automatisierten Ergebnissen.

Nur etwa eine von acht Studien teilte ihren Code

Der Analyse zufolge gaben nur etwa 1 von 8 Studien an, Code zu teilen. Der Inhalt der Repositorien war sehr unterschiedlich: Die Spanne reichte von Sammlungen, die „äußerst gut organisiert und dokumentiert“ waren, bis hin zu solchen, die „fast überhaupt keine Anleitung“ boten, sagte Thomas Sounack, der Erstautor der Studie, im Bericht von MIT News.

Bei den Fachzeitschriften lag der Anteil der Studien, die Code teilten, zwischen null und mehr als 70 Prozent. Einige Zeitschriften mit niedrigen Teilquoten verfügten über schriftliche Richtlinien zum Teilen von Code. Das deutet darauf hin, dass Richtlinien allein möglicherweise nicht ausreichen, um Forschende zur Veröffentlichung ihres Codes zu bewegen.

Die Forschenden stellten außerdem fest, dass weiterhin Klassifizierungsfehler möglich sind, insbesondere bei der Beurteilung der Qualität der Dokumentation. Die Übereinstimmung zwischen den menschlichen Prüfern und den automatisierten Ergebnissen war bei konkreten Merkmalen größer, etwa bei der Frage, ob eine Lizenzdatei vorhanden war, als bei der Bewertung der Dokumentationsqualität. Die Autoren betonen deshalb übergeordnete Muster, statt jede einzelne Zahl als exakt zu betrachten.

TRIPOD-Code soll klarere Erwartungen schaffen

Die Ergebnisse fließen in TRIPOD-Code ein, eine derzeit entwickelte Berichtsleitlinie, die präzisieren soll, was Forschende teilen sollten. Sie baut auf TRIPOD und TRIPOD+AI auf, Checklisten zur Entwicklung und Bewertung klinischer Prognosemodelle.

Tom Pollard, Research Scientist am MIT und leitender Autor der Studie, sagte, das Team wolle „praktische Hinweise zum Teilen von Code“ geben und Zeitschriften „klarere Erwartungen zur Kommunikation an Autoren“ an die Hand geben. Die Leitlinie entsteht in einem Expertenprüfverfahren, das sich darauf konzentriert, welche Bestandteile geteilten Analyse-Codes als unverzichtbar gelten sollten.

Die Studie identifizierte außerdem Beispiele für wirksame Verfahren. Einige Forschende stellten synthetische Datensätze bereit, wenn sich die ursprünglichen Patientendaten nicht öffentlich teilen ließen. So konnten andere mit dem Code arbeiten, während der Zugriff auf die zugrunde liegenden Patientendaten geschützt blieb. Für Nutzer medizinischer Forschung könnte die geplante Leitlinie die Bewertung veröffentlichter Modelle erleichtern und zeigen, ob sich deren Code wiederverwenden lässt.

MITDana-Farber Cancer InstituteTRIPOD-CodeNature MedicineTRIPOD+AIGesundheitswesenForschungsergebnisseProgrammierung

Ähnliche Meldungen

MIT-Studie bringt Stromverbrauch von Rechenzentren mit Luftverschmutzung in großer Entfernung in Verbindung
Forschung19. November 2026, 15:00

MIT-Studie bringt Stromverbrauch von Rechenzentren mit Luftverschmutzung in großer Entfernung in Verbindung

Der Stromverbrauch von Rechenzentren in den USA kann die Luftqualität verschlechtern und zu vorzeitigen Todesfällen in Gemeinden weit entfernt von den Anlagen beitragen.…

MIT-Mikroroboter fliegt mit eigener Sensorik und Rechenleistung
Forschung18. November 2026, 20:00

MIT-Mikroroboter fliegt mit eigener Sensorik und Rechenleistung

Forschende am MIT haben einen Mikroroboter mit Schlagflügeln entwickelt, der eigene Sensoren und Rechenhardware trägt. Dadurch kann er komplexen Flugbahnen folgen und…

Forschung
Forschung17. November 2026, 16:15

Beat AML erreicht zehn Jahre Präzisionsmedizin-Forschung bei Leukämie

Blood Cancer United begeht das zehnjährige Bestehen seiner klinischen Beat-AML-Masterstudie, eines Präzisionsmedizin-Programms, das mehr als 2.000 Patienten mit akuter…