Bleiben Sie mit kostenlosen Updates auf dem Laufenden
Melden Sie sich einfach an Wissenschaft myFT Digest – direkt in Ihren Posteingang geliefert.
Der Autor ist ein Wissenschaftskommentator
Unser Leben folgt wie Geschichten Erzählbögen. Jedes Kapitel entfaltet sich auf einzigartige Weise in Kapiteln mit bekannten Überschriften: Schule, Karriere, Umzug, Verletzung, Krankheit. Jede Handlung oder jedes Leben hat einen Anfang, eine Mitte und ein unvorhersehbares Ende.
Wissenschaftlern zufolge ist nun jede Lebensgeschichte die Chronik eines vorhergesagten Todes. Mithilfe der dänischen Registerdaten, die eine Fülle von Alltagsinformationen zu Bildung, Gehalt, Job, Arbeitszeiten, Wohnverhältnissen und Arztbesuchen enthalten, haben Wissenschaftler einen Algorithmus entwickelt, der den Lebensverlauf einer Person, einschließlich des vorzeitigen Todes, vorhersagen kann Ähnlich wie große Sprachmodelle (LLMs) wie ChatGPT Sätze vorhersagen können. Der Algorithmus übertraf andere Vorhersagemodelle, einschließlich versicherungsmathematischer Tabellen, die in der Versicherungsbranche verwendet werden.
Dass unsere komplexen Existenzen wie Textfetzen analysiert werden können, ist sowohl berauschend als auch beunruhigend. Obwohl wir wissen, dass ein großzügiges Einkommen mit einer längeren Lebenserwartung einhergeht, könnte die Verknüpfung großer Mengen unterschiedlicher Daten andere Möglichkeiten aufdecken, wie soziale Faktoren die Gesundheit beeinflussen. Dies könnte politische Entscheidungsträger informieren, die unsere Chancen auf ein längeres und gesünderes Leben verbessern möchten.
Auf der anderen Seite hat die Idee eines DeathGPT etwas fast absurd Reduzierendes. Jede Perle an der Halskette des Lebens – der Besuch eines Kurses, eine Gehaltserhöhung, der Verlust eines Elternteils – fühlt sich zu persönlich an, um einen vorhersehbaren Datensatz zu liefern. Aber im Zeitalter von Big Data und der KI, die diese Daten auswertet, müssen wir akzeptieren, dass diese tief empfundenen qualitativen Erfahrungen quantitativ auf eine Weise erfasst werden können, die innerhalb von Fehlerbalken das individuelle Schicksal skizziert.
Sune Lehmann von der Technischen Universität Dänemark, der die letzten Monat in Nature Computational Science veröffentlichte Forschung leitete, findet die Idee nicht verwirrend. „Ich denke, die Ähnlichkeit zwischen Text und Leben ist tiefgreifend und vielschichtig“, teilte er mir per E-Mail mit. „Für mich macht es Sinn, dass unser Algorithmus den nächsten Schritt im Leben eines Menschen vorhersagen kann.“
Sowohl Sprache als auch Leben sind Sequenzen. Die Forscher der Universität Kopenhagen und der Northeastern University in Boston machten sich diese Ähnlichkeit zunutze. Zunächst stellten sie ein „Vokabular“ von Lebensereignissen zusammen, schufen eine Art synthetische Sprache und nutzten diese zur Konstruktion von „Sätzen“. Ein Beispielsatz könnte lauten: „Während ihres dritten Jahres im weiterführenden Internat besuchte Hermine fünf Wahlfächer.“
So wie LLMs Text durchsuchen, um die Beziehungen zwischen Wörtern herauszufinden, hat der life2vec-Algorithmus, der mit den rekonstruierten Lebensgeschichten der 6 Millionen Einwohner Dänemarks zwischen 2008 und 2015 gespeist wurde, diese Zusammenfassungen nach ähnlichen Beziehungen durchsucht.
Dann kam der Moment der Abrechnung: Wie gut ließe sich dieses umfangreiche Training anwenden, um Vorhersagen für den Zeitraum 2016 bis 2020 zu treffen? Im Rahmen von Algorithmus-Testläufen untersuchten die Forscher eine Stichprobe von 100.000 Menschen im Alter von 35 bis 65 Jahren, von denen bekannt ist, dass die Hälfte überlebt hat und die andere Hälfte in diesem Zeitraum gestorben ist. Als life2vec aufgefordert wurde, zu erraten, wer gestorben ist, lag es in 79 Prozent der Fälle richtig (zufälliges Raten ergibt eine Trefferquote von 50 Prozent). Laut Lehmann übertraf es die nächstbesten Vorhersagemodelle um 11 Prozent.
Während in dem Papier behauptet wird, dass „genaue individuelle Vorhersagen tatsächlich möglich sind“, liefert der Algorithmus eher eine Sterbewahrscheinlichkeit über einen bestimmten Zeitraum als ein genaues Datum. Es gibt Vorbehalte: Was in Dänemark gilt, gilt möglicherweise anderswo nicht, und der Algorithmus kodiert Verzerrungen in den Trainingsdaten. Dennoch dürften die Auswirkungen auf die Versicherungsbranche angesichts des Potenzials zur Feinabstimmung der Risikovorhersage im Auge behalten werden. Die Forscher ihrerseits möchten nicht, dass ihre Arbeit von Versicherern genutzt wird, und halten den Algorithmus und die Daten vorerst geheim.
Spannender als die Ergebnisse sei jedoch, betonen die Forscher, dass life2vec eher allgemein als aufgabenspezifisch sei. In bestehenden Vorhersagemodellen müssen Forscher wichtige Variablen wie Alter, Geschlecht und Einkommen vorab festlegen. Im Gegensatz dazu verschlingt dieser Ansatz alle Daten und kann unabhängig voneinander relevante Faktoren ermitteln (er erkannte beispielsweise, dass das Einkommen positiv auf das Überleben zählt und dass eine Diagnose der psychischen Gesundheit negativ zählt). Dies könnte Forscher auf bisher unerforschte Einflüsse auf die Gesundheit hinweisen – und möglicherweise neue Zusammenhänge zwischen scheinbar voneinander unabhängigen Verhaltensmustern aufdecken.
Eines von Lehmanns wachsenden Anliegen ist der Datenschutz; Er weist darauf hin, dass Unternehmen wie Google leistungsstarke Vorhersagemaschinen aufbauen und dabei eine Fülle persönlicher Daten aus dem Internet verwenden.
Dies ist eine Ära beispielloser Vorhersehbarkeit im menschlichen Leben – und eine Ära beispielloser Macht für diejenigen, die unsere Geschichten lesen können, bevor wir sie erlebt haben.