Was wäre, wenn einige Medikamente, die für schwere Hirnerkrankungen benötigt werden, bereits existieren – Wissenschaftler aber bisher noch nicht entdeckt haben, wie sie eingesetzt werden könnten?
Genau diese Frage steht im Mittelpunkt der rasanten Entwicklung der KI-gestützten Arzneimittelentwicklung. Forscher setzen Künstliche Intelligenz zunehmend ein, um riesige Mengen biologischer und medizinischer Daten zu analysieren, bisher verborgene Zusammenhänge zu erkennen und herauszufinden, ob bereits zugelassene Medikamente möglicherweise auch bei neurologischen Erkrankungen eingesetzt werden könnten.
Am UK Dementia Research Institute in Edinburgh untersuchen Wissenschaftler beispielsweise, ob Künstliche Intelligenz dabei helfen kann, neue Behandlungsmöglichkeiten für Erkrankungen wie Motoneuronerkrankungen, Demenz und Parkinson zu identifizieren. Dabei werden Patientendaten, Sprachaufnahmen, Augenuntersuchungen und im Labor gezüchtete Gehirnzellen mit automatisierten Medikamententests und maschinellen Lernverfahren kombiniert.
Die Hoffnung ist groß: Statt Jahrzehnte für die Suche nach geeigneten Wirkstoffen zu benötigen, könnte KI bestimmte Phasen des Prozesses deutlich verkürzen.
Doch es gibt einen entscheidenden Unterschied: Ein vielversprechender Wirkstoffkandidat ist noch lange keine bewiesene Therapie.
Warum die Suche nach Medikamenten für das Gehirn so schwierig ist
Die Entwicklung von Medikamenten gegen Erkrankungen des Gehirns gehört zu den schwierigsten Bereichen der modernen Medizin.
Das menschliche Gehirn besteht aus Milliarden miteinander verbundener Nervenzellen und funktioniert über äußerst komplexe biologische Prozesse. Erkrankungen wie Alzheimer, Parkinson oder Motoneuronerkrankungen können mehrere miteinander verbundene Krankheitsmechanismen umfassen und nicht nur ein einziges biologisches Ziel.
Forscher stehen deshalb vor einer grundlegenden Frage:
Wo genau sollte eine Behandlung ansetzen?
Ein Medikament kann in einem Laborversuch vielversprechend wirken und später beim Menschen trotzdem keinen ausreichenden Nutzen zeigen.
Hinzu kommt die Blut-Hirn-Schranke.
Dieses natürliche Schutzsystem verhindert, dass viele potenziell schädliche Stoffe in das Gehirngewebe gelangen. Gleichzeitig kann es aber auch verhindern, dass bestimmte Medikamente den Ort erreichen, an dem sie wirken sollen.
Die Blut-Hirn-Schranke gilt deshalb als eine der wichtigen Herausforderungen bei der Entwicklung von Therapien für Erkrankungen des zentralen Nervensystems.
Diese Faktoren tragen dazu bei, dass die Entwicklung neurologischer Medikamente häufig viele Jahre dauert und zahlreiche Wirkstoffkandidaten scheitern.
Wie KI die Suche verändert
Die klassische Arzneimittelforschung kann eine enorme Zahl an Experimenten erfordern.
Wissenschaftler müssen teilweise Tausende oder sogar Millionen potenzieller Wirkstoffe untersuchen, bevor sie einige Kandidaten identifizieren, die für weitere Tests geeignet sind.
Künstliche Intelligenz kann einen Teil dieses Problems anders angehen.
Anstatt jede Möglichkeit nacheinander zu untersuchen, können Machine-Learning-Modelle große Datenmengen analysieren und Zusammenhänge erkennen, die Menschen möglicherweise nur schwer oder gar nicht erfassen können.
KI kann Forschern unter anderem helfen:
- mögliche Wirkstoffziele zu identifizieren
- Wechselwirkungen zwischen Molekülen und Proteinen vorherzusagen
- große Wirkstoffbibliotheken zu durchsuchen
- bestehende Medikamente für neue Einsatzgebiete zu identifizieren
- Patientendaten zu analysieren
- biologische Muster zu erkennen
- Eigenschaften möglicher Medikamente vorherzusagen
- Wirkstoffkandidaten für Labortests zu priorisieren
- klinische Studien zu planen und geeignete Patientengruppen zu identifizieren
Aktuelle wissenschaftliche Übersichtsarbeiten zeigen, dass KI inzwischen in mehreren Phasen der Arzneimittelentwicklung eingesetzt wird. Gleichzeitig ist noch nicht vollständig geklärt, in welchem Umfang diese Fortschritte tatsächlich zu mehr erfolgreichen Medikamenten führen.
Der Ansatz in Edinburgh: Bereits vorhandene Medikamente neu untersuchen
Eine besonders interessante Methode ist das sogenannte Drug Repurposing, also die Wiederverwendung bereits vorhandener Medikamente für neue Erkrankungen.
Anstatt ein Medikament komplett neu zu entwickeln, untersuchen Wissenschaftler, ob ein bereits zugelassener Wirkstoff, der ursprünglich gegen eine andere Erkrankung eingesetzt wurde, auch bei einer neurologischen Krankheit helfen könnte.
Das könnte Zeit sparen, da bei einem zugelassenen Medikament bereits umfangreiche Informationen über Sicherheit, Pharmakologie und Herstellung vorhanden sind.
Forscher am UK Dementia Research Institute in Edinburgh untersuchen, ob einige der rund 1.500 bereits zugelassenen Medikamente bisher unbekannte Wirkungen auf neurologische Erkrankungen besitzen könnten.
Dabei werden KI-gestützte Analysen von Patientendaten mit Laborexperimenten kombiniert.
Die entscheidende Frage lautet also nicht nur:
Welches Medikament gibt es bereits?
Sondern:
Könnte ein Medikament, das bei einer anderen Erkrankung funktioniert, auch die biologischen Veränderungen einer Gehirnerkrankung beeinflussen?
Genau diese Perspektive macht die Methode interessant.
Wie Patientendaten zu neuen Hinweisen werden
Die moderne Medizin erzeugt enorme Mengen an Daten.
Dazu gehören Krankenakten, medizinische Bilder, genetische Informationen, Blutuntersuchungen, Sprachaufnahmen, Augenuntersuchungen und viele weitere Messwerte.
Für Menschen ist es praktisch unmöglich, alle möglichen Zusammenhänge zwischen diesen Informationen zu untersuchen.
KI kann dabei helfen, Muster zu erkennen.
In der neurologischen Forschung können beispielsweise subtile Veränderungen der Sprache oder der Augenbewegungen Hinweise auf Veränderungen des Nervensystems enthalten.
Machine-Learning-Systeme können solche Signale gemeinsam mit anderen medizinischen Informationen analysieren.
Das Ziel besteht dabei nicht unbedingt darin, dass eine KI einen Patienten eigenständig diagnostiziert.
Vielmehr kann KI Forschern helfen, Muster zu entdecken, die auf bestimmte Krankheitsmechanismen, biologische Veränderungen oder mögliche Reaktionen auf Medikamente hinweisen.
Eine 2026 veröffentlichte systematische Untersuchung zu Machine Learning und Deep Learning bei Erkrankungen wie Alzheimer, Schlaganfall, Parkinson, Hirntumoren und traumatischen Hirnverletzungen zeigt, wie zunehmend unterschiedliche Datenquellen miteinander kombiniert werden.
Im Labor gezüchtete Gehirnzellen liefern eine weitere Ebene
Patientendaten sind jedoch nur ein Teil des Prozesses.
Forscher können inzwischen auch Modelle menschlicher Gehirnzellen im Labor erzeugen.
Aus Patientenzellen können beispielsweise spezialisierte Nervenzellen oder andere relevante Zelltypen entwickelt werden.
Anschließend können diese Zellen verschiedenen Medikamenten ausgesetzt werden.
Dadurch entsteht ein interessanter Kreislauf:
Patientendaten → KI-Analyse → Labormodell → Medikamententest → neue Daten → KI-Analyse
Roboter können bestimmte Teile dieses Prozesses zusätzlich automatisieren.
Anstatt dass Wissenschaftler jeden einzelnen Wirkstoff manuell testen, können automatisierte Systeme eine große Anzahl von Experimenten durchführen und die Ergebnisse anschließend an computergestützte Modelle zurückgeben.
Die Kombination aus KI, Robotik und Biologie könnte dadurch die Geschwindigkeit erhöhen, mit der potenzielle Medikamente untersucht werden.
Warum bereits zugelassene Medikamente so wichtig sein könnten
Die Entwicklung eines völlig neuen Medikaments kann viele Jahre dauern.
Ein Wirkstoffkandidat muss zunächst im Labor untersucht werden. Danach folgen präklinische Tests und mehrere Phasen klinischer Studien, bevor Behörden entscheiden können, ob ein Medikament zugelassen werden kann.
Das Wiederverwenden eines bereits zugelassenen Medikaments beseitigt diese Anforderungen nicht vollständig.
Allerdings liegen bei einem bereits eingesetzten Medikament möglicherweise umfangreiche Informationen über seine Sicherheit, Dosierung und pharmakologischen Eigenschaften vor.
Dadurch kann sich der Entwicklungsweg von dem eines völlig neuen Wirkstoffs unterscheiden.
Eine 2026 veröffentlichte systematische Untersuchung zur KI-gestützten Wiederverwendung von Medikamenten bei neurologischen Erkrankungen zeigt ein wachsendes Interesse an diesem Ansatz. Untersucht werden unter anderem mögliche Therapien für Alzheimer, Parkinson, Multiple Sklerose, Huntington und ALS.
Gleichzeitig betonen die Forscher, dass KI-generierte Vorhersagen weiterhin umfassend überprüft werden müssen, bevor daraus klinische Anwendungen entstehen können.
KI kann Suchräume untersuchen, die für Menschen zu groß sind
Eine der größten Stärken von KI ist ihre Fähigkeit, riesige Suchräume zu analysieren.
Ein Wirkstoffmolekül kann mit Proteinen, Rezeptoren und anderen biologischen Strukturen auf äußerst komplexe Weise interagieren.
Wissenschaftler nutzen bereits experimentelle und computergestützte Verfahren, um diese Möglichkeiten einzugrenzen.
Moderne KI-Modelle können jedoch potenziell wesentlich größere Datenmengen analysieren und schneller Vorhersagen erstellen.
Dieser Ansatz wird bereits über die Neurologie hinaus eingesetzt.
2025 berichteten Forscher beispielsweise über eine klinische Phase-2a-Studie mit einem Medikament, dessen Entwicklung durch generative KI unterstützt wurde.
Das Medikament richtete sich nicht gegen eine Gehirnerkrankung, sondern gegen idiopathische Lungenfibrose. Die Studie zeigte jedoch, dass KI-gestützte Wirkstoffentwicklung bereits den Schritt von computergestützten Vorhersagen zu klinischen Untersuchungen am Menschen erreichen kann.
KI kann auch völlig neue Medikamente entwickeln
Die Wiederverwendung bestehender Medikamente ist nur eine Seite der Entwicklung.
KI kann auch dabei helfen, völlig neue Wirkstoffe zu entwerfen.
Generative KI-Modelle können potenzielle Molekülstrukturen auf Grundlage bestimmter gewünschter Eigenschaften erzeugen.
Forscher können beispielsweise vorgeben, dass ein Molekül mit einem bestimmten biologischen Ziel interagieren und gleichzeitig Eigenschaften besitzen soll, die es für die weitere Entwicklung geeignet machen.
Die KI kann anschließend potenzielle Moleküle generieren oder priorisieren.
Diese Moleküle müssen weiterhin synthetisiert und im Labor getestet werden.
Der Vorteil besteht darin, dass Forscher nicht mehr unbedingt einen riesigen chemischen Suchraum vollständig durchsuchen müssen.
Stattdessen können sie mit einer kleineren Gruppe von Kandidaten beginnen, die rechnerisch besonders vielversprechend erscheinen.
Das Zeitalter KI-gestützter Labore
Der nächste Schritt könnte eine noch stärkere Automatisierung sein.
Im April 2026 stellte Amazon Web Services mit Amazon Bio Discovery eine KI-Plattform vor, die Forschern bei computergestützten Arbeitsabläufen in der Arzneimittelforschung helfen soll.
Solche Systeme können computergestützte Vorhersagen mit Laborexperimenten verbinden. Ergebnisse aus Experimenten können anschließend wieder in die nächsten Berechnungen einfließen.
Auch andere Unternehmen arbeiten an der Verbindung von KI, Robotik und biologischer Forschung.
Im September 2026 berichtete Reuters, dass Anthropic ein biologisches Labor aufgebaut habe, während das Unternehmen seine Aktivitäten im Bereich Life Sciences ausweitet.
Damit zeichnet sich eine mögliche neue Forschungsstruktur ab:
Vorhersage → Experiment → Ergebnis → Lernen → neue Vorhersage
KI wäre dann nicht mehr nur ein Werkzeug zur Analyse wissenschaftlicher Veröffentlichungen, sondern Teil eines kontinuierlichen Forschungsprozesses.
Warum das Gehirn für KI eine besondere Herausforderung bleibt
Die Erwartungen an KI sind in der Neurowissenschaft besonders groß, weil der medizinische Bedarf enorm ist.
Erkrankungen des Gehirns können Gedächtnisverlust, Bewegungsstörungen, Kommunikationsprobleme, Verhaltensveränderungen und einen fortschreitenden Verlust der Selbstständigkeit verursachen.
Gleichzeitig ist die Biologie vieler dieser Erkrankungen noch nicht vollständig verstanden.
Bei zahlreichen neurologischen Krankheiten diskutieren Wissenschaftler weiterhin darüber, welche biologischen Prozesse tatsächlich die Ursache der Erkrankung sind und welche erst später als Folge auftreten.
Das stellt auch KI vor eine Herausforderung.
Ein Machine-Learning-Modell ist immer von der Qualität und Vollständigkeit seiner Daten abhängig.
Wenn ein System unvollständige oder verzerrte Daten erhält, kann es hochkomplex wirkende Vorhersagen liefern, die biologisch trotzdem falsch sein können.
Deshalb betonen aktuelle wissenschaftliche Übersichten, dass eine der größten Herausforderungen der KI-gestützten Arzneimittelentwicklung darin besteht, rechnerische Erfolge tatsächlich in wirksame Therapien umzusetzen.
Die Blut-Hirn-Schranke bleibt ein großes Hindernis
Selbst wenn KI einen vielversprechenden Wirkstoff findet, bleibt eine entscheidende Frage:
Erreicht das Medikament überhaupt die richtige Stelle im Gehirn?
Die Blut-Hirn-Schranke schützt das Gehirn, indem sie streng kontrolliert, welche Stoffe in das Gehirngewebe gelangen.
Genau diese Schutzfunktion kann jedoch verhindern, dass Medikamente ihre Zielstrukturen erreichen.
Forscher untersuchen deshalb neue Methoden, um Wirkstoffe gezielter durch die Blut-Hirn-Schranke zu transportieren.
Dazu gehören unter anderem Nanopartikel, spezielle molekulare Träger und andere Technologien zur Wirkstoffabgabe.
Auch KI könnte in diesem Bereich künftig eine Rolle spielen, indem sie vorhersagt, welche Wirkstoffe oder Transportmethoden bestimmte Gehirnregionen besonders gut erreichen könnten.
Eine endgültige Lösung für dieses Problem gibt es jedoch noch nicht.
Kann KI ein Heilmittel gegen Alzheimer oder MND finden?
Noch nicht.
Es wäre irreführend zu behaupten, dass KI neurologische Erkrankungen bereits gelöst hat.
Künstliche Intelligenz kann vielversprechende Wirkstoffkandidaten identifizieren.
Aber eine Vorhersage ist noch keine Therapie.
Ein Kandidat muss weiterhin zeigen, dass er:
- biologisch wirksam ist
- in der richtigen Dosierung funktioniert
- ausreichend sicher ist
- in geeigneten Labormodellen wirkt
- beim Menschen verträglich ist
- einen tatsächlichen klinischen Nutzen bietet
- in geeigneten Studien reproduzierbare Ergebnisse liefert
Selbst vielversprechende Medikamente können während der klinischen Entwicklung scheitern.
Aktuelle wissenschaftliche Untersuchungen betonen deshalb, dass die entscheidende Frage zunehmend nicht mehr lautet, ob KI interessante Vorhersagen treffen kann, sondern ob diese Vorhersagen tatsächlich bessere Entscheidungen in der Arzneimittelentwicklung ermöglichen.
Das Problem mit dem KI-Hype
Es besteht die Gefahr, KI als Abkürzung für den gesamten Entwicklungsprozess eines Medikaments darzustellen.
Das ist sie nicht.
KI kann bestimmte Phasen beschleunigen, aber sie kann die biologische Komplexität menschlicher Erkrankungen nicht einfach beseitigen.
Ein Computermodell kann nicht eigenständig feststellen, ob ein Medikament für Millionen von Menschen sicher ist.
Es kann klinische Studien nicht ersetzen.
Es kann regulatorische Anforderungen nicht abschaffen.
Und es kann nicht garantieren, dass eine biologische Vorhersage im menschlichen Gehirn tatsächlich funktioniert.
Eine aktuelle Übersichtsarbeit in Nature Reviews Drug Discovery zeigt, dass sich KI-Methoden zwar schnell weiterentwickeln, belastbare Belege für einen breiten klinischen Nutzen aber weiterhin begrenzt sind.
Diese Unterscheidung ist entscheidend.
Von Jahrzehnten zu Jahren?
Forscher in Edinburgh hoffen, dass KI und moderne Labortechnologien eines Tages dazu beitragen könnten, wirksame Therapien innerhalb von Jahren statt Jahrzehnten zu identifizieren.
Das bedeutet jedoch nicht automatisch, dass Patienten innerhalb weniger Jahre ein durch KI entdecktes Medikament erhalten werden.
Zwischen der Identifizierung eines vielversprechenden Wirkstoffkandidaten und der Zulassung eines Medikaments liegt ein großer Unterschied.
Die frühe Entdeckungsphase könnte deutlich schneller werden.
Die Validierung und klinische Entwicklung benötigen jedoch weiterhin Zeit.
Das gilt insbesondere für neurologische Erkrankungen, bei denen langfristige Beobachtungen entscheidend sein können, um festzustellen, ob eine Behandlung tatsächlich den Krankheitsverlauf verändert.
KI und die Zukunft der neurologischen Medizin
Die Zukunft bedeutet wahrscheinlich nicht, dass KI Neurowissenschaftler ersetzt.
Vielmehr könnten Forscher mit KI-Systemen arbeiten, die Informationen in einem Umfang durchsuchen, vergleichen und priorisieren können, der für Menschen allein kaum möglich wäre.
Wissenschaftler könnten die biologischen Fragen definieren.
KI könnte riesige Datenmengen analysieren.
Roboter könnten Experimente durchführen.
Forscher könnten anschließend die Ergebnisse bewerten und entscheiden, welche Entdeckungen weiter untersucht werden sollten.
Diese Kombination könnte die Geschwindigkeit und möglicherweise auch die Kosten der frühen Arzneimittelforschung verändern.
Eine 2026 veröffentlichte Untersuchung zur KI im Bereich der Arzneimittelentwicklung für Erkrankungen des zentralen Nervensystems beschreibt Potenziale unter anderem bei der Identifizierung therapeutischer Ziele, der Entwicklung von Wirkstoffmolekülen und der krankheitsspezifischen Therapieentwicklung.
Gleichzeitig bestehen weiterhin erhebliche Hürden zwischen computergestützten Vorhersagen und klinischer Anwendung.
Was könnte das für Patienten bedeuten?
Für Menschen mit Erkrankungen wie MND, Parkinson, Alzheimer und anderen neurologischen Krankheiten bedeutet die Hoffnung auf KI nicht einfach nur schnellere Technologie.
Es geht um die Möglichkeit, Therapien zu finden, die mit traditionellen Methoden bisher schwer zu entdecken waren.
Ein Medikament, das bereits in einer pharmazeutischen Datenbank existiert, könnte möglicherweise eine unerwartete Wirkung auf eine neurologische Erkrankung besitzen.
Ein bisher übersehenes biologisches Muster könnte ein neues therapeutisches Ziel offenlegen.
Ein Molekül, dessen Entwicklung früher Jahre gedauert hätte, könnte möglicherweise wesentlich schneller identifiziert und untersucht werden.
Gleichzeitig sollten Patienten vor unrealistischen Erwartungen geschützt werden.
KI ist ein Forschungsinstrument – keine Garantie für eine Heilung.
Jede durch KI identifizierte Behandlung muss weiterhin sorgfältig wissenschaftlich und klinisch überprüft werden.
Die größere Frage: Kann KI die Arzneimittelforschung wirklich verändern?
Die interessanteste Frage ist vielleicht nicht, ob KI Medikamente entdecken kann.
Sie kann Forschern bereits dabei helfen, Wirkstoffkandidaten zu entwickeln und zu priorisieren.
Die wichtigere Frage lautet:
Kann KI den gesamten Weg von der biologischen Entdeckung bis zu einer erfolgreichen Behandlung für Patienten zuverlässig verbessern?
Dafür müssen mehrere Faktoren zusammenkommen:
bessere Daten, bessere biologische Modelle, leistungsfähigere Algorithmen, schnellere Experimente, zuverlässigere Validierung und intelligentere klinische Studien.
Wenn diese Elemente erfolgreich miteinander verbunden werden, könnte KI die Suche nach Therapien für einige der schwierigsten Erkrankungen der Welt grundlegend verändern.
Und gerade bei neurologischen Erkrankungen könnte diese Entwicklung besonders wichtig werden.
Häufig gestellte Fragen
Was bedeutet KI-gestützte Arzneimittelentwicklung?
Die KI-gestützte Arzneimittelentwicklung bezeichnet den Einsatz von Künstlicher Intelligenz und Machine Learning, um Forschern bei der Identifizierung biologischer Ziele, der Untersuchung von Wirkstoffen, der Entwicklung neuer Moleküle, der Wiederverwendung bestehender Medikamente und der Vorhersage ihrer Eigenschaften zu helfen.
Wie wird KI eingesetzt, um Therapien für Gehirnerkrankungen zu finden?
Forscher können KI nutzen, um Patientendaten, medizinische Untersuchungen und Laborexperimente zu analysieren. Dadurch können Muster erkannt und bestehende oder neu entwickelte Medikamente identifiziert werden, die für bestimmte neurologische Erkrankungen interessant sein könnten.
Kann KI bereits zugelassene Medikamente für Gehirnerkrankungen neu einsetzen?
Ja. Das sogenannte Drug Repurposing ist ein wichtiges Forschungsgebiet. KI kann dabei helfen, mögliche Zusammenhänge zwischen bestehenden Medikamenten und Erkrankungen zu identifizieren, für die diese Medikamente ursprünglich nicht entwickelt wurden.
Kann KI völlig neue Medikamente entwickeln?
Ja. Generative KI und Machine-Learning-Systeme können bei der Entwicklung und Priorisierung neuer Molekülstrukturen helfen. Diese Kandidaten müssen anschließend jedoch weiterhin im Labor, in präklinischen Untersuchungen und in klinischen Studien getestet werden.
Warum ist die Entwicklung von Medikamenten gegen Gehirnerkrankungen so schwierig?
Das Gehirn besitzt eine äußerst komplexe Biologie, und viele neurologische Erkrankungen entstehen durch mehrere miteinander verbundene Prozesse. Zusätzlich kann die Blut-Hirn-Schranke verhindern, dass Medikamente ihre vorgesehenen Zielstrukturen erreichen.
Wird KI neue Medikamente sofort verfügbar machen?
Nein. KI kann bestimmte Phasen der Forschung beschleunigen. Vielversprechende Wirkstoffkandidaten müssen jedoch weiterhin umfangreiche Labortests, klinische Studien und regulatorische Prüfungen durchlaufen, bevor sie als Medikamente zugelassen werden können.
Fazit: Eine schnellere Suche, aber keine sofortige Heilung
Die Stärke der KI-gestützten Arzneimittelentwicklung liegt in ihrer Fähigkeit, enorme Mengen biologischer Informationen zu analysieren und mögliche Zusammenhänge zu entdecken, die ansonsten verborgen bleiben könnten.
Gerade bei Erkrankungen des Gehirns könnte das von großer Bedeutung sein.
Forscher verbinden Künstliche Intelligenz mit Patientendaten, im Labor gezüchteten Gehirnzellen, Robotik und bereits vorhandenen Medikamenten, um herauszufinden, ob bestehende Wirkstoffe neue Einsatzmöglichkeiten haben – oder ob völlig neue Medikamente effizienter entwickelt werden können.
Die Technologie entwickelt sich schnell weiter, und es gibt bereits konkrete Fortschritte.
Doch die entscheidende Frage bleibt offen:
Kann eine schnellere Medikamentensuche am Ende tatsächlich bessere Therapien für Patienten hervorbringen?
Das wird nicht von KI allein abhängen, sondern von der Qualität der Wissenschaft, der Experimente und der klinischen Beweise, die auf ihre Vorhersagen folgen.
Die Suche nach neuen Therapien könnte schneller werden.
Der endgültige Beweis muss jedoch weiterhin in der realen Welt erbracht werden.
