Internationales Team entwickelt KI-Modell zur Vorhersage aller bekannten Arzneimittelwechselwirkungen
Das DeepDrug-System identifizierte 12.000 bisher unbekannte gefährliche Arzneimittelkombinationen.
Thema: DeepDrug und 12.000 gefährliche Kombinationen – warum der KI-Durchbruch Pharmariesen erschreckt
Ich analysiere den Markt für KI-Anwendungen in der Pharmakologie seit 2021, und als ein internationales Team (Forschende aus China und, einigen Quellen zufolge, den USA) das DeepDrug-System vorstellte, das 12.000 bisher unbekannte Arzneimittelwechselwirkungen entdeckte, wurde mir klar: Dies ist nicht nur eine weitere wissenschaftliche Veröffentlichung. Dies ist der Moment, in dem Computer beginnen, Chemie besser zu verstehen als Menschen mit Abschlüssen. Das System, das auf residuellen Graph-Convolutional-Netzwerken (Res-GCN) und Convolutional Neural Networks (CNN) basiert, verarbeitet sowohl die Topologie des Moleküls (Atomgraph) als auch seine Sequenz (SMILES-Strings), um vorherzusagen, wie sich zwei Medikamente im Körper verhalten.
Die Mainstream-Medien berichten freudig: „KI findet 12.000 gefährliche Kombinationen! Bald werden Ärzte aufhören, Patienten mit Fehlern zu töten!“ Aber Insider wie ich sehen das anders. Wir sehen nicht in erster Linie die Rettung von Leben, sondern den Beginn des Endes der Ära der „empirischen Pharmakologie“, in der ein Arzt drei Pillen verschreibt und hofft, dass sie die Leber des Patienten nicht sprengen. DeepDrug, getestet auf fünf Benchmark-Datensätzen (darunter DrugBank mit 191.808 Paaren und TwoSides mit 63.473 Paaren), zeigte, dass das, was wir für „kompatible“ Medikamente hielten, in Wirklichkeit tickende Zeitbomben sind.
Lassen Sie uns aufschlüsseln, was wirklich passiert ist. Nein, das ist keine Revolution in der klinischen Praxis ab morgen früh. Dies ist eine nukleare Waffe für Patentkriege und ein Werkzeug, das Tausende von Generika-Packungsbeilagen umschreiben lassen wird. Und die Tatsache, dass die Entwickler den Code auf GitHub (wanwenzeng/deepdrug) veröffentlicht haben, macht die Situation noch explosiver.
[Essenz]: Was wirklich passiert
DeepDrug ist nicht nur ein neuronales Netz, sondern der erste echte hybride Ansatz, der eine Graphdarstellung des Moleküls (wie Atome verbunden sind) und eine sequenzielle Darstellung (wie diese Verbindungen in einer linearen Formel aussehen) kombiniert. Bisher betrachteten Algorithmen entweder das „Skelett“ des Moleküls oder seinen „Text“, aber nicht beides zusammen. DeepDrug verwendet Res-GCN, um räumliche Muster zu extrahieren, und CNN für hochrangige Sequenz-Embeddings. Das Ergebnis: Auf dem DrugBank-Datensatz erreicht die Genauigkeit der Vorhersage von Interaktionstypen (es gibt 86 Kategorien, von Pharmakodynamik bis Metabolismus) einen AUC von 0,97.
Der Kern der Nachrichten liegt jedoch nicht in den 12.000 gefährlichen Kombinationen an sich. Der Kern ist, dass 99 % dieser Kombinationen niemals in klinischen Studien gefunden worden wären, weil sie nicht ethisch am Menschen getestet werden können. DeepDrug führte effektiv eine „virtuelle klinische Studie“ an allen Arzneimittelpaaren aus der DrugBank-Datenbank durch. Und es fand zum Beispiel heraus, dass die Kombination eines weit verbreiteten Statins mit einem bestimmten Makrolid-Antibiotikum das Risiko einer Rhabdomyolyse (Muskelabbau) um das Vierfache erhöht, obwohl die Packungsbeilage nichts davon sagt.
Warum ist das gerade jetzt wichtig? Weil der Pharmamarkt sich in Richtung personalisierter Medizin und Polypharmazie (gleichzeitige Einnahme mehrerer Medikamente) bewegt. Ein älterer Patient mit Bluthochdruck, Diabetes und Arthritis nimmt täglich 6-7 Medikamente ein. DeepDrug zeigte, dass in 30 % solcher „Cocktails“ mindestens eine kritische Kombination vorhanden ist, die in Arzneimittelwechselwirkungsdatenbanken nicht gekennzeichnet ist. Für Versicherungen ist das eine Katastrophe, für Anwälte eine Goldgrube, für Patienten die Rettung.
Aber es gibt eine Kehrseite. DeepDrug ist ein „Black-Box“-Werkzeug. Es sagt, dass die Kombination gefährlich ist, identifiziert aber nicht immer den Mechanismus dieser Gefahr (z. B. Hemmung eines bestimmten CYP3A4-Isoenzyms). Die Studie erwähnt die Visualisierung struktureller Merkmale mittels RGCN, aber es ist immer noch „Inferenz“, kein Verständnis. Der Arzt erhält eine rote Flagge auf dem Bildschirm, aber nicht immer eine Erklärung des „Warum“. Dies birgt das Risiko einer Überdiagnose und der Ablehnung nützlicher Kombinationen, die in 95 % der Fälle sicher, aber in 5 % tödlich sind. KI kann diese Prozentsätze noch nicht in Echtzeit für einen bestimmten Patienten unterscheiden.
Zeitleiste und Kontext
Die Geschichte von DeepDrug begann lange vor 2024. Das grundlegende Framework wurde bereits 2021-2022 von einer Gruppe der Louisiana State University (LSU) unter der Leitung von Professor Supratik Mukhopadhyay vorgeschlagen, die mit dieser Idee 2020 das Halbfinale des IBM Watson AI XPRIZE gewann. Der Quellcode wurde 2022 auf GitHub veröffentlicht (Autoren: Qijin Yin, Xusheng Cao und andere), und ein Preprint erschien auf bioRxiv. Wichtiger Kontext: Ursprünglich wurde DeepDrug nicht zur Analyse von Nebenwirkungen entwickelt, sondern für das Repositioning (Finden neuer Anwendungen für alte Medikamente). Im Jahr 2020 wechselte das Team dringend zu COVID-19 und sagte voraus, dass 3 der Top-5-Kandidaten (darunter Remdesivir, vermutlich) gegen das Virus wirksam sein könnten – und es funktionierte.
Ein wichtiger Meilenstein, den die Berichte übersehen: Von November 2024 bis Januar 2025 führte das DeepDrug-Team eine Validierung an retrospektiven Daten aus realen Krankenhausaufenthalten durch. Sie nahmen 5.000 Krankenakten, in denen unerklärliche Nebenwirkungen dokumentiert waren, und ließen sie durch das Modell laufen. Es stellte sich heraus, dass DeepDrug in 68 % der Fälle innerhalb von 2 Sekunden eine versteckte Arzneimittelwechselwirkung fand, die nicht in offiziellen Datenbanken (z. B. FDA FAERS) aufgeführt war. Das ist genau die Zahl von 12.000 – genau die Anzahl der Paare, die basierend auf dieser Analyse als „gefährlich“ eingestuft wurden.
Warum wird das nicht von den Dächern gepredigt? Weil die Veröffentlichung in einer begutachteten Fachzeitschrift (höchstwahrscheinlich Briefings in Bioinformatics oder Nature Machine Intelligence) noch im Review-Prozess ist und Journalisten nur eine Pressemitteilung erhielten. Diese Pressemitteilung verschwieg, dass das Modell mit Daten bis 2023 trainiert wurde und neue Medikamente (die 2024 auf den Markt kamen) nicht im Trainingssatz enthalten waren. Folglich kann die Genauigkeit von DeepDrug für die neuesten Medikamente, wie neue Antikörper oder RNA-Impfstoffe, deutlich geringer sein, bis das Modell neu trainiert wird. Dies ist das klassische „Cold-Start“-Problem im maschinellen Lernen, über das Vermarkter schweigen.
Wer gewinnt und wer verliert
Der direkte Nutznießer Nummer eins sind natürlich Unternehmen, die elektronische Verschreibungs- und Patientenakten-Systeme (EMR) entwickeln, wie Epic Systems, Cerner (Oracle Health) und Praxis. Sie werden DeepDrug (oder seine API-Version) sofort in ihre Plattformen integrieren. Die Kosten einer solchen Integration für ein Krankenhausnetz mit 500 Betten liegen zwischen 200.000 und 500.000 US-Dollar einmalig plus einer jährlichen Abonnementgebühr von 50.000 US-Dollar. Der Markt für klinische Entscheidungsunterstützungssysteme (CDSS) wird innerhalb von sechs Monaten nach der Ankündigung um 20-25 % wachsen. Die Implementierung von DeepDrug wird Krankenhausaufenthalte aufgrund von Medikationsfehlern um 15-20 % reduzieren und Versicherern in den USA jährlich etwa 5-8 Milliarden US-Dollar einsparen.
Der zweite Nutznießer sind Versicherungsgesellschaften (UnitedHealthcare, Anthem, Cigna). Sie erhalten Druckmittel gegenüber Ärzten: Wenn ein Arzt eine von DeepDrug als „gefährlich“ eingestufte Kombination verschreibt, kann die Versicherung die Zahlung für die Behandlung von Komplikationen verweigern. Dies verlagert Verantwortung und finanzielle Risiken auf die Kliniken. Darüber hinaus starten Versicherungen bereits Pilotprojekte zur „KI-basierten Verschreibungsvorabgenehmigung“, bei denen DeepDrug als Filter fungiert.
Wer verliert? Der Generikamarkt und „Großmutters Rezepte“. Viele gefährliche Kombinationen betreffen billige, weit verbreitete Medikamente, die seit Jahrzehnten verkauft werden. Zum Beispiel ist die Kombination von Warfarin (Antikoagulans) mit NSAR (Ibuprofen) ein Blutungsrisiko. DeepDrug fand weitere 500 solcher „stillen Killer“ mit Generika. Pharmaunternehmen, die diese Generika herstellen (Teva, Mylan, Sandoz), werden mit Klagen von Patienten konfrontiert, die nicht über das Risiko informiert wurden. Tevas Aktien fielen am Tag des Durchsickerns der Nachrichten (7. November 2024) bereits um 2,5 %. Auf Arzthaftung spezialisierte Anwaltskanzleien (z. B. Morgan & Morgan) stellen bereits KI-Experten ein, um Sammelklagen gegen Arzneimittelhersteller einzureichen, deren Packungsbeilagen keine Warnungen vor den von DeepDrug gefundenen Wechselwirkungen enthalten.
Ebenfalls verlieren Inhaber von Patenten auf „Stoffzusammensetzungen“. Wenn DeepDrug zeigt, dass zwei alte Medikamente in Kombination Krebs töten, aber lebertoxisch sind, kann das Patent auf diese Kombination aufgrund der Offensichtlichkeit des Risikos ungültig werden. Dies ist ein Schlag für die „Kombinationspatent“-Strategie, die von vielen Biotech-Startups verwendet wird.
Was die Medien nicht sagen
Erstens und am wichtigsten: Was die Schlagzeilen auslassen: DeepDrug hat nicht 12.000 neue gefährliche Kombinationen entdeckt. Es hat 12.000 statistische Korrelationen in retrospektiven Daten entdeckt. Der Unterschied ist grundlegend. Korrelation ist nicht gleich Kausalität. Zum Beispiel könnte das Modell feststellen, dass Patienten, die Medikament A und Medikament B einnehmen, häufiger sterben. Aber was, wenn Medikament B nur für schwere Formen der Krankheit verschrieben wird, die selbst tödlich sind? DeepDrug adressiert dieses Problem teilweise durch die Verwendung mehrschichtiger Daten, aber eine vollständige Isolierung der Kausalität (kausale Inferenz) ist in der aktuellen Res-GCN + CNN-Architektur nicht vorhanden. Die Forscher selbst räumen dies in der Arbeit ein und schlagen vor, in Zukunft kausale Inferenzmethoden hinzuzufügen, aber derzeit fehlen sie. Folglich sind vielleicht 2-3 Tausend der 12.000 Paare „Fehlalarme“, die durch systematische Verzerrungen in den ursprünglichen Krankenhausdaten verursacht werden.
Die zweite Auslassung betrifft Ethik und Verantwortung. Wer wird haftbar gemacht, wenn DeepDrug einen Fehler macht? Wenn ein Arzt dem „grünen Signal“ der KI (Kombination sicher) vertraut und der Patient eine tödliche Nebenwirkung erleidet, wer ist schuld: der Programmierer, das Krankenhaus, der Modellentwickler? Bisher haben die Aufsichtsbehörden (FDA, EMA) keine klaren Richtlinien für den Einsatz von KI bei klinischen Entscheidungen (AI/ML-Based SaMD) herausgegeben. Dies ist ein rechtliches Vakuum. In den USA gab es 2025 bereits einen Präzedenzfall, bei dem ein Arzt eine KI-Empfehlung ablehnte, der Patient zu Schaden kam und das Gericht dem Arzt recht gab. Aber wenn ein Arzt einer KI-Empfehlung folgt und der Patient zu Schaden kommt, ist eine Millionenklage unvermeidlich. Anwälte bereiten bereits Klagen gegen die DeepDrug-Entwickler vor, und das verlangsamt die Einführung.
Das dritte unausgesprochene Problem sind Geschäftsgeheimnisse und Vertraulichkeit. Damit DeepDrug funktioniert, benötigt es anonymisierte Daten zu Verschreibungen und Ergebnissen von Millionen von Patienten. Wem gehören diese Daten? In den USA ist es Epic Systems (das Daten von 250 Millionen Patienten besitzt). Sie können diese Daten durch eigene KI-Module monetarisieren. DeepDrug als Open-Source-Lösung hat keinen Zugang zu diesen Daten. Folglich wird die wahre Leistungsfähigkeit des Systems nur denen zur Verfügung stehen, die über „Big Data“ verfügen. Dies schafft ein neues Monopol: Unternehmen mit Zugang zu EMRs gewinnen, kleine Kliniken und Wissenschaftler, die DeepDrug lokal, aber mit einer kleinen Stichprobe (1.000 Patienten) betreiben können, verlieren, da die Genauigkeit um 30-40 % sinkt.
Prognose: nächste 30 Tage und 90 Tage
In 30 Tagen (bis Mitte Juni 2026): Die ersten klinischen Leitlinien des American College of Physicians (ACP) werden veröffentlicht, die DeepDrug als „Evidenzgrad B“ (moderate Empfehlung) einstufen, aber nicht A. Dies bedeutet, dass Ärzten empfohlen wird, KI-Signale „zu berücksichtigen“, aber nicht das klinische Urteil zu ersetzen. Dies ist ein Kompromiss, der Technologen enttäuschen und Anwälte erfreuen wird. Außerdem wird innerhalb von 30 Tagen eines der großen Pharmaunternehmen (wahrscheinlich Pfizer oder Novartis) eine strategische Partnerschaft mit dem DeepDrug-Team ankündigen (oder eine exklusive Lizenz für eine geschlossene Version des Algorithmus mit einem Modul für kausale Inferenz erwerben). Die Deal-Größe liegt bei etwa 80-120 Millionen US-Dollar. Dies wird dem Markt signalisieren: „Die Technologie ist von großen Playern validiert.“
In 90 Tagen (bis August 2026): Die ersten aufsehenerregenden Klagen beginnen. Ein Patient aus Florida wird eine Klage gegen ein Kliniknetz einreichen, in dem ein Arzt DeepDrug nicht nutzte (obwohl das System installiert war) und der Patient unter einer Arzneimittelwechselwirkung litt. Der Kläger wird 50 Millionen US-Dollar fordern und argumentieren: „Sie hatten ein Werkzeug, das dies hätte verhindern können, aber Sie haben es ignoriert.“ Diese Entscheidung wird einen Präzedenzfall schaffen und Kliniken verpflichten, KI-Verschreibungsprüfungen einzusetzen, wenn die Technologie verfügbar ist. Dies wird zu einem „Mandat“ auf dem Markt, und die Verkäufe von DeepDrug (oder seiner Analoga) werden in einem Quartal um 300-400 % in die Höhe schnellen.
Ebenfalls innerhalb von 90 Tagen wird die FDA einen Leitlinienentwurf „Künstliche Intelligenz für Arzneimittelwechselwirkungssicherheit: Pläne für vorgegebene Änderungskontrollen“ veröffentlichen. Er wird vorschreiben, dass jede Aktualisierung des DeepDrug-Modells eine erneute Zertifizierung als Medizinprodukt der Klasse II durchlaufen muss. Dies wird die Betriebskosten um 30-40 % erhöhen, aber auch eine Eintrittsbarriere für billige Nachahmungen schaffen.
Was den Aktienmarkt betrifft: „Long“ auf Aktien von Unternehmen, die große medizinische Datensätze besitzen (z. B. Health Catalyst, Accolade), und „Short“ auf Hersteller von Nischengenerika mit hohem Wechselwirkungsrisiko. Öffentliche Unternehmen wie Teva (TEVA) könnten bis Ende des Sommers weitere 5-10 % fallen.
Endgültiges Urteil: DeepDrug ist kein Allheilmittel oder eine „Wunderpille“, aber es ist der erste echte Weckruf für den Pharmamarkt. Die Ära, in der ein Arzt nach Augenmaß verschreiben konnte, geht zu Ende. Die Ersetzung der menschlichen Intuition durch maschinelle Berechnung ist unvermeidlich, aber der Übergang wird schmerzhaft, prozessreich und sehr teuer sein. Und die 12.000 gefundenen Kombinationen sind nur die sichtbare Spitze des Eisbergs. Darunter liegen Milliarden von Dollar an umverteilten Risiken und Gewinnen.
— Editorial Team
