19.08.2026
Wie bedarfsgerecht sind Gelder für die Krankheitsbekämpfung verteilt? LMU-Forschende haben eine Machine-Learning-Pipeline entwickelt, mit der sich relative Diskrepanzen in der Mittelverteilung aufdecken lassen.
© picture alliance / AA | Habimana Thierry
Die Summen an Hilfsgeldern sind nicht eben klein, doch der Bedarf ist gewaltig, die Lage nicht weniger als dramatisch: Gemessen an den Nachhaltigkeitszielen der UN ist die globale Gesundheit auf keinem guten Kurs. Das gilt vor allem für Länder mit niedrigem und mittlerem Einkommen; dort treffen stark unterfinanzierte Gesundheitssysteme auf eine hohe sogenannte Krankheitslast: Neue HIV-Infektionen liegen deutlich über dem Zielwert, die Zahl der Malariafälle ist gestiegen und die Fortschritte bei der Verringerung der Tuberkulosesterblichkeit bleiben deutlich hinter den Zielen zurück. Und jüngste Kürzungen der Gesundheitshilfe – insbesondere durch große Geber wie die Vereinigten Staaten – vergrößern die Kluft zwischen Bedarf und Ressourcen weiter.
Sind die Hilfsgelder also überhaupt einigermaßen bedarfsgerecht verteilt? Welche Länder bekommen wie viel? Zur Bekämpfung welcher Krankheiten? Ein LMU-Team hat jetzt ein komplexes KI-Tool entwickelt, eine sogenannte Machine-Learning-Pipeline, die krankheitsspezifische Hilfsgelder auf Länder- und Krankheitsebene der jeweiligen Krankheitslast gegenüberstellt. Mit ihrem mehrstufigen Ansatz können die Forscherinnen und Forscher um Professor Stefan Feuerriegel, Leiter des Instituts für KI im Management, relative Diskrepanzen in der globalen Verteilung der Hilfsgelder tracken.
Die Doktorandin Kerstin Forster ist eine der Erstautorinnen der Studie. | © Tobias Hase
Auch wenn bei vielen Krankheiten „ein signifikanter Zusammenhang zwischen Finanzierung und Krankheitslast“ bestehe, gebe es doch „bemerkenswerte Ungleichgewichte“, schreiben die Forschenden im angesehenen Fachblatt Nature Communications. „Unsere Ergebnisse zeigen, dass in mehreren Regionen – darunter Zentralafrika sowie Teile Südasiens und Westafrikas – bei verschiedenen Krankheiten deutliche relative Diskrepanzen zwischen Hilfsgeldern und Krankheitslast bestehen.“
Wie Hilfsmittel rund um die Welt verteilt sind, haben auch frühere Auswertungen schon in den Blick genommen. Doch basierten bisherige Untersuchungen auf kleineren und weniger granularen Datensätzen, kaprizierten sich auf bestimmte Krankheiten oder hatten nur bestimmte Regionen im Blick. „Die Besonderheit der Arbeit ist die globale Perspektive, verbunden mit einer großen Detailtiefe. Sie macht einen großen Datenschatz für den vergleichenden Blick auf einzelne Länder und Krankheiten nutzbar“, sagt die Doktorandin Kerstin Forster. Sie und der (ehemalige) Masterstudent Finn Stürenburg sind gleichberechtigte Erstautoren der Arbeit.
Feuerriegels Team konnte für seine KI-gestützte Analyse auf einen einschlägigen Datensatz der OECD zugreifen, der 3,7 Millionen Entwicklungshilfeprojekte aus den Jahren 2000 bis 2022 führt, rund 320.000 ließen sich als gesundheitsbezogen identifizieren – mit einem Gesamtvolumen von 332 Milliarden US-Dollar.
Die Besonderheit der Arbeit ist die globale Perspektive, verbunden mit einer großen Detailtiefe. Sie macht einen großen Datenschatz für den vergleichenden Blick auf einzelne Länder und Krankheiten nutzbar.Kerstin Forster
Ein Ungleichgewicht fanden die Forschenden besonders augenfällig: Nicht übertragbare Krankheiten machten rund 60 Prozent der weltweiten Krankheitslast aus, schreiben sie im Fachartikel, erhielten jedoch nur 2,5 Prozent der untersuchten krankheitsspezifischen Hilfsgelder. Das führe dazu, dass für die Bekämpfung von Herz-Kreislauf-Erkrankungen beziehungsweise Diabetes und Nierenerkrankungen jeweils nur 0,2 Prozent der Hilfsgelder aufgewendet wurden. Diese Diskrepanz sei „besonders besorgniserregend“, da auch in Ländern mit niedrigem und mittlerem Einkommen die Belastung durch nicht übertragbare Krankheiten deutlich steige.
Im Gegensatz dazu haben Hilfen gegen andere Krankheiten ihre langjährigen Konjunkturen, auch wenn sich in der Zeit der Corona-Pandemie die Gewichte verschoben haben. Auf den Kampf gegen HIV und andere sexuell übertragbare Krankheiten wurden zwischen 2000 und 2021 34 Prozent der Mittel verwendet, auf sie entfielen aber nur sechs Prozent der weltweiten Krankheitslast; ähnliche Diskrepanzen zeigten die Daten für Malaria und ernährungsbedingte Erkrankungen.
Unsere Ergebnisse decken Ungleichgewichte in der Verteilung auf und schaffen Transparenz. Sie können als Referenzpunkt für politische Entscheidungen im Bereich der Entwicklungshilfe dienen.Kerstin Forster
Die LMU-Forschenden sehen ihre Auswertungen nicht als Nachweise von konkreter „Fehlallokation“, zumal auch andere Fragen, etwa zur Kosteneffizienz oder zum Gesundheitssystem, in der Prioritätensetzung eine Rolle spielen können. Aber „unsere Ergebnisse decken Ungleichgewichte in der Verteilung auf und schaffen Transparenz. Sie können als Referenzpunkt für politische Entscheidungen im Bereich der Entwicklungshilfe dienen“, sagt Kerstin Forster. „Insgesamt kann unser Machine-Learning-Ansatz dabei helfen, Gesundheitshilfe gezielt dorthin zuzuweisen, wo sie am dringendsten benötigt wird. Er kann so zur Verringerung der globalen Krankheitslast beitragen.“
Finn Stürenburg, Kerstin Forster, Nicolas Banholzer, Malte Toetzke, Kenneth Harttgen & Stefan Feuerriegel: Tracking funding disparities in global health aid with machine learning. Nature Communications 2026