Kausale KI eröffnet neue Perspektiven von der Industrie bis zur Medizin
Wie lassen sich Erkenntnisse aus der Analyse von Automobil-Lieferketten auf die Krebsbehandlung übertragen? Für Ishansh Gupta, Lecturer und Postdoktorand an der Constructor University, liegt die Antwort in kausaler KI. Gemeint ist damit eine Form künstlicher Intelligenz, die nicht nur Muster erkennt, sondern auch Zusammenhänge erklärt und die Folgen möglicher Veränderungen abschätzen kann.
Gupta hat bereits mehrere Arbeiten zu KI-Anwendungen im Automobilsektor veröffentlicht. Zu seinen jüngsten Beiträgen zählt eine Studie zu Lieferantenrisiken und deren Bewertung, die in der Fachzeitschrift Supply Chain Analytics erschienen ist. Aktuell untersucht er gemeinsam mit seinem Team, ob sich dieselben methodischen Ansätze auch in der Onkologie nutzen lassen, um medizinische Fachkräfte bei Therapieentscheidungen zu unterstützen. Diese Forschung wurde für eine Präsentation auf der NeurIPS 2026 angenommen, einer der weltweit wichtigsten Konferenzen für KI.
Der Weg von der Industrie zur medizinischen Anwendung
Der Impuls für den Transfer in die Medizin entstand 2025 bei den Lindauer Nobelpreisträgertagungen. Dort traf Gupta Nobelpreisträgerinnen und Nobelpreisträger, die ihn dazu anregten, über die Grenzen seines Fachgebiets hinauszudenken. Auf die Frage, welches Fach außerhalb der Wirtschaftswissenschaften sein Leben besonders geprägt habe, nannte er unmittelbar die Medizin. Beide Eltern sind in diesem Bereich tätig. Daraus entwickelte sich die Überlegung, ob sich seine Arbeit in industrieller KI auch auf andere Felder mit hoher Entscheidungsrelevanz übertragen lässt.
Gupta formuliert den Kern dieser Idee so: Wenn kausale KI in komplexen industriellen Systemen helfen kann, bessere Entscheidungen zu treffen, warum sollte man ähnliche Ansätze nicht auch in der Medizin prüfen, wo Fehlentscheidungen deutlich schwerer wiegen?
Forschung zu kausaler KI in der Krebsbehandlung
Gemeinsam mit Prof. Dr.-Ing. Hendro Wicaksono, Leiter der Forschungsgruppe Data-Driven Collaborative Decision Making in Complex Industrial Systems an der Constructor University, startete Gupta ein neues Projekt. Ziel war es zu untersuchen, wie kausale KI und große Sprachmodelle eingesetzt werden können, um Entscheidungen während einer Krebsbehandlung zu unterstützen.
Im Mittelpunkt stand eine grundlegende Frage: Unter welchen Bedingungen darf ein KI-System eine konkrete Therapieempfehlung aussprechen, und wann sollte es stattdessen auf Unsicherheit hinweisen und keine Empfehlung geben? Gerade bei individualisierten Behandlungsentscheidungen besteht das Risiko, dass ein Modell Vorschläge liefert, obwohl die Evidenz dafür nicht ausreichend belastbar ist.
Gupta betont, dass sich die Anforderungen in Medizin und Wirtschaft deutlich unterscheiden. Während Fehlentscheidungen in Unternehmen hohe Kosten verursachen können, geht es in der Medizin um menschliche Gesundheit und Leben. Aus seiner Sicht sollte die nächste Generation von KI-Systemen deshalb nicht nur präzisere Vorhersagen liefern, sondern Fachkräfte dabei unterstützen, nachvollziehbare und vertrauenswürdige Entscheidungen zu treffen.
Methodischer Ansatz
Für die Studie nutzten Gupta und seine Kolleginnen und Kollegen reale Daten zu Eierstockkrebs. Auf dieser Grundlage simulierten sie Behandlungszuweisungen und Behandlungsergebnisse. Der Ansatz verband kausales maschinelles Lernen mit Verfahren zur Unsicherheitsmessung und mit von LLMs erzeugten Erklärungen. Zusätzlich erhielt das System die Möglichkeit, auf eine Empfehlung zu verzichten, wenn die Evidenz als zu schwach eingestuft wurde.
Die Ergebnisse zeigten, dass bessere Vorhersagewerte nicht automatisch zu verlässlichen individuellen Empfehlungen führen. Unter den getesteten Bedingungen enthielt sich das System in 99,4 Prozent der Fälle einer Behandlungsempfehlung, wenn das gewählte Konfidenzkriterium nicht erreicht wurde. Damit wird ein zentraler Punkt deutlich: Eine Vorhersage ist nicht gleichbedeutend mit einer Evidenzbasis, die für klinische Entscheidungen ausreicht.
Die Studie legt nahe, dass kausale KI nicht nur nach ihrer Prognoseleistung bewertet werden sollte. Ebenso wichtig ist ihre Fähigkeit, Unsicherheit zu erkennen, die Belastbarkeit von Ergebnissen einzuschätzen und im Zweifel keine Antwort zu geben.
Gupta beschreibt genau darin den wissenschaftlichen Wert des Projekts. Ziel sei es, kausale Modelle, LLMs und menschliche Expertise so zu kombinieren, dass Systeme entstehen, die Entscheidungen besser unterstützen und ihre Begründungen transparent machen. Dazu gehört auch, Empfehlungen kritisch prüfen und validieren zu können.
Die Arbeit mit dem Titel When Individualized Causal Predictions Are Not Actionable: Failure Analysis, Abstention and a Runtime-Checked Narrative Agent on Ovarian-Cancer Covariates wird Gupta gemeinsam mit Prof. Wicaksono am 10. Dezember auf der NeurIPS 2026 in Sydney vorstellen.
Lieferketten als Ausgangspunkt der Forschung
Die medizinische Fragestellung geht auf frühere Arbeiten im industriellen Umfeld zurück. Ausgangspunkt war die Frage, wie KI Entscheidungen in komplexen Lieferketten unterstützen kann. In der Studie A causal analytics approach for interpretable supply chain risk and supplier performance evaluation arbeiteten Gupta, Prof. Wicaksono und weitere Beteiligte mit der BMW Group zusammen. Untersucht wurde, wie sich kausale Zusammenhänge zwischen Ereignissen wie Fehlbelieferungen, fehlenden Teilen, Rückständen und Eskalationen bei Lieferanten analysieren lassen.
Der Fokus lag nicht nur darauf, Risiken zu identifizieren. Vielmehr sollte nachvollziehbar werden, warum sich Risiken entwickeln und welche Faktoren sich möglicherweise beeinflussen lassen.
Beispiel aus der Lieferkettenanalyse
Gupta erläutert das Prinzip anhand eines Streiks oder einer Naturkatastrophe, die einen Lieferanten beeinträchtigen. Ein klassisches Prognosemodell würde diesen Lieferanten möglicherweise als risikobehaftet einstufen. Der kausale Ansatz geht weiter: Er verknüpft externe Ereignisse mit internen operativen Kennzahlen und macht mögliche Wirkpfade sichtbar. So lässt sich etwa nachvollziehen, wie eine Störung zu Verzögerungen, zu Rückständen und schließlich zu einer Eskalation des Lieferantenrisikos führen kann.
Für die Analyse arbeiteten die Forschenden mit 18 Fachleuten zusammen, deren Berufserfahrung sich auf mehr als 300 Jahre summierte. Hinzu kamen reale interne Leistungsdaten der Lieferanten. LLMs wurden genutzt, um Informationen zu externen Ereignissen wie Streiks, Naturkatastrophen und Lieferstörungen in vorläufige kausale Modelle zu überführen. Diese Entwürfe wurden anschließend von den Expertinnen und Experten geprüft und validiert.
Simulationen auf Basis dieser Modelle deuteten darauf hin, dass eine Reduktion von Lieferantenrückständen um 50 bis 70 Prozent die prognostizierten Eskalationsniveaus deutlich senken kann. Das beweist zwar nicht, dass dieselben Effekte in einer realen Lieferkette exakt auftreten würden. Die Studie zeigt jedoch, wie kausale KI helfen kann, mögliche Maßnahmen vorab zu bewerten, bevor Eingriffe erfolgen.
Gupta fasst das Ziel so zusammen: Statt nur auf Störungen zu reagieren, sollen Entscheidungsträgerinnen und Entscheidungsträger mögliche Folgen besser verstehen und präventive Maßnahmen im Voraus prüfen können.
Von der Simulation zur praktischen Anwendung
Beide Projekte basieren auf Simulationen. Dennoch verfolgt die Forschungsgruppe um Prof. Wicaksono ausdrücklich das Ziel, wissenschaftliche Ergebnisse mit realer Wirkung zu verbinden.
Gupta betont, dass ein Modell allein noch kein verlässliches Entscheidungssystem ist. In der industriellen Forschung habe die Einbindung von Fachwissen geholfen, kausale Beziehungen zu überprüfen und algorithmische Ergebnisse kritisch zu hinterfragen. Dieselbe Haltung wolle man nun auf die Medizin übertragen, allerdings mit noch höheren wissenschaftlichen und ethischen Anforderungen.
Die Krebsforschung befindet sich nach seinen Angaben noch in einem frühen Stadium. Als nächste Schritte nennt er die enge Zusammenarbeit mit medizinischen Forschenden und Klinikerinnen und Klinikern, die Validierung anhand geeigneter klinischer Daten sowie – sofern fachlich und regulatorisch vertretbar – prospektive Evaluierungen und Studien.
Das Ziel sei nicht, Ärztinnen und Ärzte durch KI zu ersetzen. Vielmehr sollen Werkzeuge entwickelt werden, die komplexe Therapieentscheidungen besser nachvollziehbar machen und medizinisches Fachpersonal bei der Einschätzung unterstützen.
Wissenschaftliche Angaben
- Wissenschaftlicher Ansprechpartner: Ishansh Gupta, Lecturer and Postdoctoral Researcher, Constructor University
- E-Mail: igupta@constructor.university
- Originalpublikation: https://doi.org/10.1016/j.sca.2026.100248
- Weitere Informationen: OpenReview-Eintrag zur NeurIPS-Arbeit
- Forschungsgruppe: Data-Driven Collaborative Decision Making in Complex Industrial Systems


















