KI zur Beschleunigung der geschlechts- und genderspezifischen Analyse in der Evidenzsynthese

Die Integration von biologischem und sozialem Geschlecht (= gender) in die Evidenzsynthese stellt eine grosse Lücke in der Gesundheitsforschung dar, auch in der komplementären und integrativen Medizin. Dieses Projekt zielt darauf ab, Geschlecht und Gender in der Evidenzsynthese durch den Einsatz von Künstlicher Intelligenz (KI) zu beschleunigen.
Die Stärkung von Geschlechts- und Genderaspekten in der Evidenzsynthese, beispielsweise in der Erstellung von systematischen Reviews und Leitlinien, unterstützt gerechtere, relevantere und patientenzentrierte Entscheidungen im Gesundheitswesen.

Die Evidenzsynthese hilft Forschenden und Gesundheitsfachpersonen, grosse Mengen wissenschaftlicher Informationen besser zu verstehen, indem verfügbare Studien systematisch identifiziert, bewertet und zusammengefasst werden. Dennoch werden biologisches und soziales Geschlecht in diesem Prozess häufig nicht berücksichtigt, obwohl sie Krankheitsrisiken, Therapieerfolge und allgemeine Gesundheitsoutcomes massgeblich beeinflussen können.

Wenn diese Aspekte bei der Evidenzsynthese nicht berücksichtigt werden, können relevante Unterschiede zwischen den Gruppen übersehen werden. Potenziell verzerrte Schlussfolgerungen können zu schlechterer Versorgung führen. Die Integration von Geschlechts- und Genderaspekten in die Evidenzsynthese stärkt also die wissenschaftliche Grundlage für Entscheidungen im Gesundheitswesen.

Evidenzsynthese ist zeitaufwendig. KI bietet das Potenzial, mehrere Arbeitsschritte wie die Studienauswahl und Datenextraktion zu automatisieren, den Arbeitsaufwand zu reduzieren und den Review-Prozess zu beschleunigen. Zudem können KI-Tools dabei helfen, geschlechts- und genderbezogene Informationen effizienter zu identifizieren.

Gleichzeitig besteht das Risiko, dass KI-Modelle bestehende Verzerrungen verstärken, wenn sie nicht sorgfältig evaluiert und gemonitort werden. Dieses Projekt adressiert diese Chancen und Risiken, indem auch verschiedene KI-Tools untersucht werden. Anschliessend werden Leitlinien entwickelt, um sicherzustellen, dass KI eine gerechte Forschungspraxis unterstützt, und nicht untergräbt.

Frauen nutzen komplementäre und integrative Therapien häufiger als Männer. Dennoch sind geschlechts- und genderbezogene Unterschiede in Gesundheit und Therapieansprechen bislang unzureichend untersucht. Unsere Arbeit zur Evidenzsynthese adressiert diese Lücke.

Ziel des Projekts ist es, die geschlechts- und genderspezifischen Analysen bei der Evidenzsynthese zu beschleunigen. Spezifische Teilziele sind:

Ziel 1: Sammlung von Informationen zur Nutzung von KI, um Geschlecht und Gender in der Evidenzsynthese zu berücksichtigen

• Mapping der Evidenzsynthese bzgl. der Berücksichtigung von geschlechts- und genderspezifischer Gesundheit und Beschreibung der dabei eingesetzten KI-Tools

• Bewertung wie Geschlecht, Gender, Equity und Intersektionalität in Leitlinien zu digitalen Gesundheitsinterventionen in der Krebsversorgung berücksichtigt sind
• Mapping von Methoden zur Entwicklung und Evaluation von KI-Prompts im Gesundheitsbereich
• Beschreibung der Information auf Webseiten digitaler Evidenzsynthese-Tools bereitgestellten Informationen zur Leistungsfähigkeit ihrer KI-Funktionen
• Untersuchung von Chancen und Herausforderungen beim Einsatz von KI zur Berücksichtigung von Geschlecht und Gender in der Evidenzsynthese

Ziel 2: Evaluation der Leistungsfähigkeit von KI zur Berücksichtigung von Geschlecht und Gender in der EvidenzsyntheseEvaluation der Leistungsfähigkeit von KI-Tools bei der Identifikation und Auswahl von Studien, die die Rolle von Geschlecht und Gender als prognostische Faktoren untersuchen

• Evaluation der Leistungsfähigkeit von KI-Tools bei der Identifikation und Auswahl von Studien, die die Rolle von Geschlecht und Gender als prognostische Faktoren untersuchen

• Evaluation der Leistungsfähigkeit von Large Language Models bei der Bewertung Geschlecht- und Genderaspekten in randomisierten klinischen Studien und systematischen Reviews zu digitalen Gesundheitsinterventionen in der Krebsversorgung

Ziel 3: Entwicklung von KI-Werkzeugen zur Beschleunigung der Berücksichtigung von Geschlecht und Gender in der Evidenzsynthese

• Aufbau einer Prompt-Datenbank zur Berücksichtigung von Geschlecht und Gender in der Evidenzsynthese

• Entwicklung eines KI-Frameworks zur Beschleunigung der Berücksichtigung von Geschlecht und Gender in der Evidenzsynthese

Dieses dreijährige Projekt (2025 -2027) kombiniert Scoping Reviews, Querschnittsstudien, Surveys, KI Performance Studien, sowie Konsensprozesse. Die Einbindung unterschiedlicher Interessengruppen ist von Beginn ein integraler Bestandteil des Projekts. Dadurch wird sichergestellt, dass die Tools und Ergebnisse praxisnah, inklusiv und auf reale Bedürfnisse ausgerichtet sind. Relevante Interessengruppen für dieses Projekt sind beispielsweise Gesundheitsfachpersonen, Patientinnen und Patienten, Expertinnen und Experten für Evidenzsynthese, Personen, die an der Entwicklung von Leitlinien beteiligt sind, Methodikerinnen und Methodiker sowieKI-Expertinnen und -Experten.

Schweizerischer Nationalfond NFP83 Grant 227036

Nationales Forschungsprogramm Gendermedizin und -gesundheit NFP 83 https://www.nfp83.ch/de

• Claudia M Witt 
• Jesús López-Alcalde
• Janna Hastings, Idiap Research Institute Switzerland
   

• Diana Buitrago Garcia
• Cong Wang
• Jürgen Barth
• Anna Tietjen
• Casey Murphy
• Claudia Canella
• Anita Thomae

• Javier Zamora, Hospital Universitario Ramón y Cajal, CIBERESP, Spain
• Gemma Villanueva, Cochrane Response United Kingdom
• Jennifer Petkovic, Bruyère Research Institute, Campbell and Cochrane Health Equity Thematic Group , Canada
• Gabriel Rada, Epistemonikos Foundation, Chile 
   

• Birgit Bauer, Data Saves Lives, Deutschland
• Carlos Martín, Health Technology Assessment Agency, Instituto de Salud Carlos III, Spain
• Ewelina Rogozińska, University College London. United Kingdom
• Friederike Kendel, Charité - Universitätsmedizin Berlin, Deutschland
• James Thomas, University College London, EPPI Centre, Cochrane, United Kingdom
• Jörg Meerpohl, Institute for Evidence in Medicine, University of Freiburg, Cochrane Germany, Germany
• Maria-Inti Metzendorf, University of Düsseldorf, Cochrane Planetary Health Thematic Group, Germany
• Mona Nasser, University of Plymouth, United Kingdom
• Mary-Anne Hartley, École Polytechnique Fédérale de Lausanne - EPFL, Switzerland
• Pablo Alonso Coello, Institut de Recerca Sant Pau, Iberoamerican Cochrane Center, Spain
• Zachary Munn, Health Evidence Synthesis, Recommendations and Impact (HESRI), University of Adelaide, Evidence Synthesis Taxonomy Initiative (ESTI), Australia