KI von NetraMark ist ChatGPT, DeepSeek und herkömmlichen Modellen des maschinellen Lernens bei der Ermittlung von Untergruppen in klinischen Studien klar überlegen und eröffnet einen neuen erfolgversprechenden Studienansatz

Toronto, ON, 23.06.2025 (PresseBox) - NetraMark Holdings Inc. (das „Unternehmen“ oder „NetraMark“) (CSE: AIAI) (OTCQB: AINMF) (FWB: PF0),ein führendes Unternehmen für Künstliche Intelligenz (KI), das eine Wende bei klinischen Studien einleitet, hat einen neuen Preprint auf der Plattform arXiv veröffentlicht, der zeigt, dass NetraAI, die Vorzeige-KI-Plattform des Unternehmens, deutlich besser abschneidet als die führenden großen Sprachmodelle DeepSeek und ChatGPT. NetraAI ist auch den herkömmlichen Methoden des maschinellen Lernens überlegen und in der Lage, klinisch bedeutsame Untergruppen von Patienten anhand von realen klinischen Studiendaten zu ermitteln.

Die Studie mit dem Titel „Integrating Dynamical Systems Learning with Foundational Models: A Meta- Evolutionary AI Framework for Clinical Trials“ veranschaulicht die Fähigkeit von NetraAI, klare, auswertbare und statistisch signifikante Erkenntnisse aus den Daten klinischer Studien abzuleiten. Diese Fähigkeiten konnten DeepSeek und ChatGPT nicht vorweisen, wenn sie mit denselben Aufgaben konfrontiert wurden.

„Die Zukunft der KI wird von der Zusammenarbeit einer Vielzahl von KI-Agenten abhängen – und NetraAI bereichert diese Zusammenarbeit mit einer Komponente, die sich grundlegend von anderen unterscheidet“, weiß Dr. Joseph Geraci, Gründer, CSO und CTO von NetraMark. „Grundlegende Modelle wie DeepSeek und ChatGPT hatten Mühe, aus diesen Datensätzen klinisch verwertbare Erkenntnisse zu gewinnen. NetraAI konnte hingegen nicht nur relevante Patientenuntergruppen ermitteln, sondern auch klare und klinisch aussagekräftige Erklärungen liefern. Wir haben es hier mit einer neuen Klasse von KI zu tun, die das ergänzen und erweitern soll, was andere, weniger spezialisierte Systeme alleine nicht erreichen können.“

Überblick über die Studie

Die Studie stellte NetraAI, DeepSeek, ChatGPT und herkömmliche Modelle des maschinellen Lernens auf den Prüfstand und verwendete dazu komplexe Datensätze aus drei klinischen Studien: CATIE (mit Fokus auf Schizophrenie), CAN-BIND (mit Fokus auf Depressionen) und COMPASS (mit Fokus auf Chemotherapie beim Pankreaskarzinom). Solche Datensätze sind bekanntermaßen schwierig zu verarbeiten, weil sie mit verrauschten, unübersichtlichen und multivariablen Patientendaten aus dem realen Umfeld überladen sind, an denen die meisten KI-Modelle scheitern. Und genau mit solchen Daten müssen Pharmaunternehmen im Rahmen von echten Studien arbeiten.

Zusammenfassung der Ergebnisse

In beiden Untersuchungen war NetraAI das einzige KI-System, das statistisch valide und klinisch verwertbare Erkenntnisse aus realen Studiendaten ableiten konnte. Das System ermittelte auswertbare Untergruppen von Patienten, steigerte die Leistung der Vorhersagemodelle auf 100 % Genauigkeit und erbrachte klare Erkenntnisse, wo andere nur „Rauschen“ erzeugten.

- NetraAI: Lieferte klare Untergruppen mit minimalen Variablen und ermöglichte intelligentere, schnellere und erfolgreichere Studienstrategien.

- DeepSeek & ChatGPT: Lieferten keine wirklich verwertbaren Ergebnisse. Trotz fortschrittlicher Architektur waren sie nicht in der Lage, diese klinischen Daten effektiv zu verarbeiten.

- Herkömmliche ML-Modelle: Bei verrauschten Daten stagnierten solche Modelle und boten keine Interpretationsmöglichkeiten; sie waren für reale klinische Anwendungen somit unzureichend.

- Die Nutzung der Erkenntnisse von NetraAI verbesserte tatsächlich alle Modelle, die mit den anderen Methoden erstellt wurden.

Direkter Vergleich der Studienergebnisse im Detail1. Daten aus der CATIE-Studie (Schizophrenie)

- NetraAI:
o Es wurden erfolgreich hochwertige „Personas“ ermittelt, d.h. spezifische Patientenuntergruppen mit gemeinsamen klinischen Merkmalen, die mit dem Ansprechen auf eine Behandlung assoziiert sind.
o Es wurden nur 2-4 klinische Variablen pro Untergruppe verwendet, was die Ergebnisse leicht verwertbar und für Kliniker und Regulierungsbehörden nachvollziehbar macht.
o Die Leistung von Vorhersagemodellen wurde von 55-66 % auf über 85 % gesteigert.
o Es wurden Erkenntnisse für die direkte Anwendung im Rahmen der Studienplanung und Stratifizierung generiert.

- DeepSeek & ChatGPT:
o Es gelang nicht, eine einzelne, statistisch valide Patientenuntergruppe zu extrahieren.
o Trotz umfangreicher Expertenanweisungen und strukturierter Eingaben lieferten diese Modelle:
- generische Zusammenfassungen ohne klinische Relevanz
- zufällige oder extreme „Patientenausreißer“ ohne Wert für die Entscheidungsfindung
o Im Wesentlichen konnten im Datenmaterial keine soliden Strukturen aufgefunden werden, da die verwendeten Methoden auf bekannten ML-Methoden basieren und die Heterogenität der Patienten ein echtes Problem darstellt.
o Diese „Grundmodelle“ sind nicht darauf ausgelegt, die Komplexität der Daten aus klinischen Studien zu bewältigen, selbst wenn die Daten strukturiert und vereinfacht wurden.
o Aus praktischer Sicht konnten keinerlei verwertbare Erkenntnisse abgeleitet werden.

- Herkömmliche ML-Modelle:
o Hatten mit Signal-Rausch-Problemen zu kämpfen und bildeten bei einer Genauigkeit von 55-66 % ein Plateau.
o Konnten die Patientenpopulation nicht sinnvoll segmentieren.
o Erstellten Blackbox-Vorhersagen ohne Erklärungen - eine „Red Flag“ für die Einreichung von Zulassungsanträgen.

2. Daten aus der CAN-BIND-Studie (Depressionen)

- NetraAI:
o Ermittelte klinisch auswertbare Untergruppen, bei denen mit nur wenigen Variablen eine Verbindung zu einem Behandlungserfolg hergestellt werden konnte.
o Ermöglichte es den Modellen, eine Genauigkeit von 91-100 % mit einem AUC-Wert von annähernd 0,99 zu erreichen. Der AUC-Wert (AUC = Area Under the Curve/Fläche unter der Kurve) ist eine Standardmetrik zur Bewertung der Genauigkeit von Vorhersagemodellen.Ein höherer AUC-Wert bedeutet, dass das Modell besser zwischen verschiedenen Patientenergebnissen unterscheiden kann, was es zu einem Schlüsselindikator für die klinische Relevanz und die Leistung des Modells macht. Der erzielte Wert entspricht bei realen Daten zur psychischen Gesundheit einer nahezu unerreichten Benchmark.
o Kann für die Erstellung von Studiendesigns genutzt werden, die auf Patienten mit dem besten Ansprechen abzielen und damit sowohl Ausschuss als auch Risiko minimieren.

- DeepSeek & ChatGPT:
o Erbrachten keine verwertbaren Erkenntnisse.
o Konnten keine Untergruppen identifizieren, selbst wenn die Patientenzahlen der Einfachheit halber reduziert wurden.
o Waren nicht in der Lage, multivariable Beziehungen in tabellarischen Daten zu verarbeiten, was sie in diesem Kontext unbrauchbar machte.
o Für die klinische Forschung führten diese Modelle in eine Sackgasse.

- Herkömmliche ML-Modelle:
o Erreichten einen Höchstwert von rund 66 % Genauigkeit.
o Konnten nicht unterscheiden, welche Patienten vorhersehbar waren und welche nicht, und hatten keine Erklärung dafür, warum die Ergebnisse variierten.

3. Daten aus der COMPASS-Studie (Chemotherapie beim Pankreaskarzinom)

- NetraAI:
o Ermittelte anhand von nur 2-3 Variablen pro Untergruppe klinisch relevante Patienten-Personas, die mit divergenten Ergebnissen in Bezug auf das Überleben assoziiert waren.
o Erzielte eine Modellgenauigkeit von 90-95 % bei stratifizierten Untergruppen und war herkömmlichen Baselines des maschinellen Lernens damit klar überlegen.
o Personenspezifische Analysen ergaben eine klare Trennung der Überlebenskurven, was auf das Potenzial zur Steuerung der Therapieauswahl hindeutet.
o Lieferte auswertbare Merkmalsätze und Untergruppenmuster, welche die klinische Komplexität in der Pankreas-Onkologie in einem realen Umfeld widerspiegeln.

- DeepSeek & ChatGPT:
o Erzeugten keine klinisch auswertbaren Untergruppen von Patienten.
o Lieferten Ergebnisse ohne statistische Grundlage und ohne Übereinstimmung mit den Ergebnissen im Hinblick auf das Überleben.
o Konnten nicht zwischen Hochrisiko- und Niedrigrisikopatientenprofilen unterscheiden.
o Die Leistung lag auf dem Niveau einer zufälligen Segmentierung, was ihre Untauglichkeit für Anwendungen in der Präzisionsonkologie verdeutlicht.

- Herkömmliche ML-Modelle:
o Die Vorhersagegenauigkeit der besten Modelle lag unter 60 %, wobei die Ergebnisse der Kreuzvalidierungsläufe uneinheitlich waren.
o Eine Subgruppenauflösung fehlte und die Vorhersagen waren intransparent und ohne klinischen Nutzen.

ChatGPT und DeepSeek: Für die klinische Forschung unzureichend

Trotz ihres Umfangs und ihrer Popularität waren ChatGPT und DeepSeek nicht in der Lage, aus strukturierten klinischen Datensätzen verwertbare Patientenuntergruppen zu extrahieren. Selbst bei einer Aufgabe mit nur 50 Patienten und umfangreichen Expertenanweisungen konnten beide Modelle:

- keine statistisch validen Cluster ermitteln

- nur generische Zusammenfassungen oder extreme Ausreißer produzieren

- keine interne Struktur zur sinnvollen Auswertung von Studienvariablen vorweisen

„ChatGPT und DeepSeek sind unglaublich leistungsstarke Technologien“, bestätigt Dr. Geraci. „Aber wenn es darum geht, in strukturierten klinischen Studiendaten entsprechende Muster bei Patientenpopulationen aufzudecken, greifen sie zu kurz. NetraAI hingegen ist nicht nur dort erfolgreich, wo letztere es nicht sind, sondern liefert auch validierte und für die Behördeneinreichung geeignete Erkenntnisse.“

Inwiefern NetraAI anders funktioniert

NetraAI basiert auf einer einzigartigen und differenzierten mathematischen Grundlage aus der Theorie der dynamischen Systeme, der evolutionären Berechnung und der Informationsgeometrie. Kernstück des Systems ist ein Langzeitgedächtnismechanismus zur Ermittlung schwer auffindbarer Bündel von ergebnisorientierten klinischen Variablen und ihrer entsprechenden Patientensubtypen, die wir „Personas“ nennen.

Jede ermittelte „Persona“ ist:

- durch nur wenige auswertbare Variablen für die Machbarkeit definiert (2-4)

- durch statistische Signifikanz (p < 0,05) nachgewiesen

- im Rahmen der realen Entscheidungsfindung umsetzbar

Bei NetraAI gibt es auch einen Strategen auf Ebene der Wissensschichten mit dem Spitznamen „Dr. Netra“, der wissenschaftliche Literatur und frühere Erfahrungen mit Hilfe einer separaten LLM-Schicht integriert. Im Gegensatz zu ChatGPT und DeepSeek, die als Generalisten arbeiten, ist NetraAI speziell für die Entdeckungsarbeit im Rahmen klinischer Studien entwickelt worden.

Erklärbare, ehrliche und hochwirksame KI

Während die meisten Tools des maschinellen Lernens unabhängig von der Vertrauenswürdigkeit immer Vorhersagen tätigen, ermittelt NetraAI explizit, bei welchen Patienten eine gute Vorhersage möglich ist und bei welchen nicht, wodurch eine Überanpassung vermieden und gezielte Erkenntnisse ermöglicht werden. Das System erklärt seine Überlegungen in einer für Menschen verständlichen Sprache und hilft so Wissenschaftlern, Sponsoren und Aufsichtsbehörden, sich auf die Implikationen einzustellen. Es bemüht sich um eine exakte Zuordnung jener Patientengruppen, die wahrscheinlich einen Nutzen aus einem Arzneimittel ziehen werden, und setzt diese Erkenntnisse in praktische Enrichment-Kriterien um.

Damit eignet sich das System perfekt:

- für das Enrichment von Studien und die Optimierung des Studiendesigns

- für Strategien der Präzisionsmedizin

- als Unterstützung bei der Einreichung von Zulassungsanträgen

- zur Verringerung von Placebo-Effekten und heterogenen Fehlschlägen im Rahmen von Studien

Warum dies relevant ist

Pharmaunternehmen geben Mittel in Milliardenhöhe für Studien aus. Wenn diese Studien scheitern, liegt es in vielen Fällen nicht daran, dass die Arzneimittel nicht wirken, sondern dass die falschen Patienten rekrutiert wurden. Genau bei diesem Problem setzt NetraAI an. Es findet die richtigen Patienten, deckt verwertbare, aber verborgene Behandlungssignale auf, die den Verlauf einer klinischen Studie verändern können, und unterstützt Sponsoren bei der Planung von Studien, die mit höherer Wahrscheinlichkeit zum Erfolg führen.

Über den Preprint

Der Preprint zu „Integrating Dynamical Systems Learning with Foundational Models: A Meta- Evolutionary AI Framework for Clinical Trials“ ist in voller Länge unterdiesem Linkab sofort auf der Plattform arXiv verfügbar. Die Studie ist ein entscheidender Schritt in Richtung einer Abkehr von generischen KI-Tools wie ChatGPT und DeepSeek hin zu präzisen KI-Systemen mit mehreren Agenten, die speziell für medizinische Zwecke entwickelt wurden.

Über NetraMark

NetraMark ist ein Unternehmen, das sich auf die Entwicklung von Lösungen für Generative Künstliche Intelligenz (Gen AI) und maschinelles Lernen (ML) für die Pharmaindustrie konzentriert. Das Produktangebot des Unternehmens basiert auf einem neuartigen topologiebasierten Algorithmus, der in der Lage ist, Patientendatensätze in Teilmengen von Personen zu zerlegen, die gleichzeitig anhand mehrerer Variablen stark miteinander verbunden sind. Dadurch kann NetraMark je nach Charakter und Größe der Daten eine Vielzahl von ML-Methoden verwenden, um die Daten in leistungsstarke intelligente Daten umzuwandeln, die herkömmliche KI/ML-Methoden aktivieren. Das Ergebnis ist, dass NetraMark mit viel kleineren Datensätzen arbeiten und Krankheiten genau in verschiedene Typen unterteilen sowie Patienten hinsichtlich ihrer Empfindlichkeit gegenüber Medikamenten und/oder der Wirksamkeit der Behandlung genau klassifizieren kann.

Weitere Informationen über das Unternehmen finden Sie in den öffentlich zugänglichen Dokumenten des Unternehmens, die auf dem System for Electronic Document Analysis and Retrieval+ (SEDAR+) hinterlegt sind.

Zukunftsgerichtete Aussagen

Diese Pressemitteilung enthält „zukunftsgerichtete Informationen“ im Sinne der geltenden kanadischen Wertpapiergesetze, einschließlich Aussagen über den potenziellen Einsatz von NetraMarks KI-Lösungen zur intelligenten, präzisen und patientenzentrierten Optimierung klinischer Studien, zur Optimierung klinischer Studien durch die Identifikation von Patientengruppen („Personas“), zur Erstellung validierter und regulatorisch verwertbarer Erkenntnisse, über das Potenzial allgemeiner oder traditioneller KI- und Machine-Learning-Werkzeuge zur Ermittlung bedeutungsvoller Patientensubgruppen aus Studiendaten, über die Fähigkeit von NetraAI zur Vorhersage von Patienten, über die Vorteile von NetraAI sowie über die Integration von NetraMarks KI als spezialisierte Lösung zur Förderung des Erfolgs klinischer Studien. Diese Aussagen basieren auf den derzeitigen internen Erwartungen, Schätzungen, Prognosen, Annahmen und Überzeugungen von NetraMark sowie auf deren Sicht zukünftiger Ereignisse. Zukunftsgerichtete Informationen sind an der Verwendung von zukunftsgerichteten Begriffen wie „erwarten“, „wahrscheinlich“, „kann“, „wird“, „sollte“, „beabsichtigen“, „vorhersehen“, „potenziell“, „vorgeschlagen“, „schätzen“ und anderen ähnlichen Begriffen, einschließlich negativer und grammatikalischer Variationen davon, oder an Aussagen, wonach bestimmte Ereignisse oder Bedingungen eintreten „können“, „würden“ oder „werden“, oder an Diskussionen über Strategien zu erkennen. Zu den zukunftsgerichteten Informationen gehören Schätzungen, Pläne, Erwartungen, Meinungen, Prognosen, Projektionen, Ziele, Leitlinien oder andere Aussagen, die keine Tatsachenaussagen sind. Bei den zukunftsgerichteten Aussagen handelt es sich lediglich um Erwartungen, die bekannten und unbekannten Risiken, Ungewissheiten und anderen wichtigen Faktoren unterliegen, die dazu führen können, dass die tatsächlichen Ergebnisse des Unternehmens oder die Ergebnisse der Branche wesentlich von den zukünftigen Ergebnissen, Leistungen oder Erfolgen abweichen. Sofern nicht gesetzlich vorgeschrieben, übernimmt NetraMark keine Verpflichtung, zukunftsgerichtete Informationen zu aktualisieren oder zu überarbeiten, sei es aufgrund neuer Informationen, zukünftiger Ereignisse oder aus anderen Gründen. Von Zeit zu Zeit treten neue Faktoren auf, und es ist für NetraMark nicht möglich, alle diese Faktoren vorherzusagen.

Bei der Betrachtung dieser zukunftsgerichteten Aussagen sollten die Leser die Risikofaktoren und andere vorsorgliche Aussagen berücksichtigen, die in den Unterlagen aufgeführt sind, die wir bei den zuständigen kanadischen Wertpapieraufsichtsbehörden auf SEDAR+ unterwww.sedarplus.caeinreichen, einschließlich unseres Lageberichts (Management's Discussion and Analysis) für das am 30. September 2024 zu Ende gegangene Jahr. Diese Risikofaktoren und andere Faktoren können dazu führen, dass die tatsächlichen Ereignisse oder Ergebnisse wesentlich von jenen abweichen, die in den zukunftsgerichteten Informationen beschrieben werden.

Die CSE übernimmt keine Verantwortung für die Angemessenheit oder Genauigkeit dieser Mitteilung.

Kontaktinformationen:
Swapan Kakumanu - CFO |[email protected]| 403-681-2549

Die Ausgangssprache (in der Regel Englisch), in der der Originaltext veröffentlicht wird, ist die offizielle, autorisierte und rechtsgültige Version. Diese Übersetzung wird zur besseren Verständigung mitgeliefert. Die deutschsprachige Fassung kann gekürzt oder zusammengefasst sein. Es wird keine Verantwortung oder Haftung für den Inhalt, die Richtigkeit, die Angemessenheit oder die Genauigkeit dieser Übersetzung übernommen. Aus Sicht des Übersetzers stellt die Meldung keine Kauf- oder Verkaufsempfehlung dar! Bitte beachten Sie die englische Originalmeldung aufwww.sedarplus.ca,www.sec.gov,www.asx.com.au/oder auf der Firmenwebsite!

Übermittelt durch das IRW-Press News-Service der IR-WORLD.com Finanzkommunikation GmbH

Für den Inhalt der Mitteilung bzw. des Research ist alleine der Ersteller der Nachricht verantwortlich. Diese Meldung ist keine Anlageberatung oder Aufforderung zum Abschluss bestimmter Börsengeschäfte.