Machine Learning zeigt hohe Genauigkeit, aber wenig prospektive Validierung bei MPNs

Der Bericht von AJMC behandelt eine Übersichtsarbeit mit dem Titel "Artificial intelligence in myeloproliferative neoplasms: from digital bone marrow pathology to clinical decision support,"[1] die online am 23. Oktober 2026 in Blood Reviews veröffentlicht wurde[1].Laut der Zusammenfassung der Übersichtsarbeit auf ScienceDirect durchsuchten die Autoren PubMed/MEDLINE bis August 2026, ergänzt durch Handsuche und Kongressabstrakts[2]. Die Zusammenfassung besagt, dass KI Fortschritte in Bereichen wie automatisierte Knochenmarkbiopsieanalyse, Milzvolumensegmentierung, Therapieansprechen-Vorhersage und in-silico-Wirkstoffsuche[2] erzielt hat.Die Autoren schreiben auch, dass "die meisten bisher veröffentlichten Modelle auf interne oder Einzelkohorten-Validierung beschränkt bleiben"[2]. Sie fügen hinzu, dass "prospektive Evaluierung nur für blutbildbasierte Fibrose-Vorhersage berichtet wurde."[2]AJMC berichtet, dass das fragliche Tool FIBOM-AI 27 vollständige Blutbildvariablen plus Alter verwendet, um Grad-2- bis Grad-3-Reticulin-Fibrose zu kennzeichnen[1]. Das Outlet sagt, es erzielte einen AUC von 0,92 in der externen Kohorte und eine Genauigkeit von 85,2%, wenn es prospektiv in der routinemäßigen Praxis angewendet wurde[1].Der PubMed-Eintrag der FIBOM-AI-Studie in The Lancet Haematology besagt, dass die prospektive Kohorte 493 Patienten aus fünf Zentren[3] im Jahr 2024 umfasste. Laut AJMC sehen die Entwickler es als Triagierungstool und nicht als Ersatz für eine Biopsie[1].Die Autoren der Übersichtsarbeit kamen zu dem Ergebnis, wie von AJMC zitiert, dass Fortschritt erforderlich macht "prospektive, ergebnisorientierte Validierungsstudien."[1]