K\u00fcnstliche Intelligenz setzt sich schrittweise im Bereich der klinischen Studien durch und verspricht, die medizinische Forschung zu beschleunigen, die Kosten zu senken und die Wirksamkeit von Behandlungen zu verbessern. Dennoch wirft ihre Integration komplexe Fragen auf, die \u00fcber die blo\u00dfen technologischen Versprechen hinausgehen.<\/p>\n
Bei der Erstellung von Studienprotokollen erm\u00f6glicht es die k\u00fcnstliche Intelligenz mittlerweile, automatisch komplexe Dokumente aus einfachen Zusammenfassungen zu generieren, die von Forschern bereitgestellt werden. Dadurch verk\u00fcrzt sich die Zeit f\u00fcr die Erstellung detaillierter Protokolle erheblich \u2013 eine Aufgabe, die fr\u00fcher langwierig und m\u00fchsam war. Doch diese Geschwindigkeit birgt auch Risiken, insbesondere die M\u00f6glichkeit, sensible Informationen \u00fcber Medikamente oder innovative Designs preiszugeben, wenn diese Daten in externe Systeme eingegeben werden. Pr\u00e4diktive Modelle analysieren hingegen historische Datenbanken, um operative Schl\u00fcsselergebnisse vorherzusagen, wie etwa die F\u00e4higkeit, Rekrutierungsziele zu erreichen oder optimale Einschlusskriterien zu identifizieren. Diese Tools helfen, kostspielige Misserfolge zu vermeiden, doch ihre Wirksamkeit h\u00e4ngt stark von der Qualit\u00e4t und Repr\u00e4sentativit\u00e4t der verwendeten Daten ab.<\/p>\n
Auch die Rekrutierung von Patienten, die oft zu Verz\u00f6gerungen in Studien f\u00fchrt, profitiert von den Fortschritten der k\u00fcnstlichen Intelligenz. Hochentwickelte Systeme analysieren in Rekordzeit Millionen medizinischer Unterlagen, um geeignete Kandidaten zu identifizieren. Eine Plattform verarbeitete beispielsweise \u00fcber 83 Millionen Dokumente in weniger als zwei Wochen und generierte dabei Milliarden standardisierter medizinischer Begriffe. Diese Technologien k\u00f6nnen die Zeit f\u00fcr die manuelle Screening-H\u00e4lfte reduzieren und so medizinischem Personal mehr Zeit verschaffen. Sie zeigen auch, dass viele Einschlusskriterien Patienten unn\u00f6tig ausschlie\u00dfen, ohne die therapeutischen Ergebnisse zu beeintr\u00e4chtigen. Durch eine Lockerung dieser Regeln k\u00f6nnten Studien doppelt so viele Teilnehmer einbeziehen, ohne die Sicherheit zu gef\u00e4hrden.<\/p>\n
Allerdings variieren die Leistungen dieser Systeme. Einige erreichen hohe Recall-Raten und identifizieren die Mehrheit der geeigneten Patienten, allerdings mit einer manchmal geringen Pr\u00e4zision, was bedeutet, dass sie auch ungeeignete Kandidaten einschlie\u00dfen. Umgekehrt reduziert ein sehr pr\u00e4zises System zwar den Arbeitsaufwand f\u00fcr menschliche Pr\u00fcfer, birgt aber das Risiko, g\u00fcltige Patienten auszuschlie\u00dfen. Aktuelle Fortschritte, wie Modelle, die Datenextraktion und -generierung kombinieren, zeigen vielversprechende Ergebnisse mit Genauigkeitsraten von \u00fcber 97 % und \u00fcbertreffen in manchen Aufgaben sogar menschliche Koordinatoren.<\/p>\n
Die Datenanalyse ist ein weiterer Bereich, in dem die k\u00fcnstliche Intelligenz punkten kann. Sie erm\u00f6glicht die Verarbeitung komplexer Datens\u00e4tze, wie sie etwa von vernetzten Ger\u00e4ten oder medizinischer Bildgebung stammen, und bietet damit eine bisher unerreichte Informationsf\u00fclle. Dennoch besteht eine anhaltende Debatte zwischen traditionellen statistischen Methoden und modernen Modellen. Klassische Ans\u00e4tze wie die logistische Regression bieten eine un\u00fcbertroffene Transparenz und erm\u00f6glichen ein klares Verst\u00e4ndnis des Einflusses jeder Variable. Modelle der k\u00fcnstlichen Intelligenz sind zwar oft pr\u00e4ziser, funktionieren aber wie Blackboxes, was ihre interne Logik schwer nachvollziehbar macht. Diese Intransparenz stellt eine gro\u00dfe H\u00fcrde f\u00fcr die klinische Akzeptanz dar, da \u00c4rzte z\u00f6gern, Empfehlungen zu folgen, die sie nicht verstehen \u2013 insbesondere in kritischen Situationen.<\/p>\n
Algorithmenbasierte Verzerrungen stellen ein weiteres gro\u00dfes Hindernis dar. Systeme k\u00f6nnen bestehende Ungleichheiten sogar verst\u00e4rken, wenn die f\u00fcr ihr Training verwendeten Daten historische Disparit\u00e4ten widerspiegeln. Ein in den USA weit verbreiteter Algorithmus zur Bewertung des Bedarfs an Intensivpflege beg\u00fcnstigte etwa wei\u00dfe Patienten auf Kosten schwarzer Patienten, da er vergangene Gesundheitskosten als Indikator f\u00fcr zuk\u00fcnftige Bed\u00fcrfnisse nutzte \u2013 ein Kriterium, das durch strukturelle Ungleichheiten verzerrt war. \u00c4hnlich zeigen kardiovaskul\u00e4re Diagnosewerkzeuge, die haupts\u00e4chlich mit m\u00e4nnlichen Daten trainiert wurden, eine geringere Genauigkeit bei Frauen, deren Symptome sich oft unterscheiden. Diese Verzerrungen unterstreichen die Bedeutung, die Entwicklungsteams und Datens\u00e4tze zu diversifizieren, um faire Ergebnisse zu gew\u00e4hrleisten.<\/p>\n
Die Transparenz der Modelle ist ebenfalls ein entscheidendes Thema. Kliniker und Patienten m\u00fcssen nachvollziehen k\u00f6nnen, wie eine Entscheidung zustande kam, insbesondere wenn diese direkte Auswirkungen auf Leben hat. Post-hoc-Erkl\u00e4rungsmethoden wie LIME oder SHAP versuchen, Modelle verst\u00e4ndlicher zu machen, indem sie die einflussreichsten Faktoren f\u00fcr eine bestimmte Vorhersage identifizieren. Doch diese Erkl\u00e4rungen bleiben N\u00e4herungen und k\u00f6nnen selbst irref\u00fchrend sein. Einige Modelle, die von vornherein interpretierbar konzipiert sind \u2013 wie Entscheidungsb\u00e4ume \u2013, bieten eine Alternative, auch wenn ihre Genauigkeit m\u00f6glicherweise geringer ist als die komplexer Modelle.<\/p>\n
Die Herausforderungen sind jedoch nicht nur technischer Natur. Die Integration von k\u00fcnstlicher Intelligenz in klinische Studien wirft auch ungel\u00f6ste ethische und rechtliche Fragen auf. Wer tr\u00e4gt die Verantwortung, wenn es zu einem medizinischen Fehler kommt, an dem ein KI-System beteiligt ist? Der Entwickler, die medizinische Einrichtung, der Kliniker oder der Patient? Die Verteilung dieser Verantwortung, oft als \u201eProblem der vielen H\u00e4nde\u201c bezeichnet, erschwert die Zuweisung von Schuld und kann Patienten ohne klare Rechtsmittel zur\u00fccklassen. Einige schlagen eine kollektive Verantwortung vor, bei der alle Beteiligten die Last teilen, doch dieser Ansatz steckt noch in den Kinderschuhen.<\/p>\n
Auch das Eigentum an Daten und die Einwilligung der Patienten sind problematisch. In einer traditionellen Studie willigt ein Patient in die Verwendung seiner Daten f\u00fcr ein bestimmtes, zeitlich begrenztes Ziel ein. Bei k\u00fcnstlicher Intelligenz werden Daten jedoch oft unbegrenzt wiederverwendet, um Modelle zu trainieren und zu verbessern, was Fragen nach Eigentum und Kontrolle aufwirft. Datenhoheitsmodelle, bei denen Patienten eine granularere Kontrolle \u00fcber ihre Informationen behalten, entstehen als m\u00f6gliche L\u00f6sung, doch ihre gro\u00dffl\u00e4chige Umsetzung bleibt komplex.<\/p>\n
Dezentrale Systeme wie federiertes Lernen und Blockchain bieten Ans\u00e4tze, um die Hindernisse in Bezug auf Datenschutz und Datenzugriff zu \u00fcberwinden. Federiertes Lernen erm\u00f6glicht das Trainieren von Modellen auf Daten, die \u00fcber mehrere Einrichtungen verteilt sind, ohne dass sensible Informationen zentralisiert werden m\u00fcssen. Dennoch st\u00f6\u00dft dieser Ansatz auf praktische Herausforderungen, wie die Heterogenit\u00e4t der Daten zwischen den Standorten, die die Leistung des globalen Modells beeintr\u00e4chtigen kann. Blockchain k\u00f6nnte hingegen die Integrit\u00e4t und Nachverfolgbarkeit von Daten gew\u00e4hrleisten, doch ihre Einf\u00fchrung scheitert an Problemen wie Skalierbarkeit, Energieverbrauch und der Einhaltung von Datenschutzbestimmungen wie dem Recht auf Vergessenwerden.<\/p>\n
Die durch k\u00fcnstliche Intelligenz versprochenen Kosteneinsparungen und Effizienzgewinne werden oft hervorgehoben. Studien zeigen, dass Online-Rekrutierung die Kosten pro Patient von 199 auf 72 Dollar senkt und den Prozess deutlich beschleunigt. Andere Berichte verzeichnen eine Reduzierung der Registrierungszeiten um 10 bis 15 % in Pilotstudien. Allerdings stammen diese Zahlen h\u00e4ufig aus industriefinanzierten Studien oder internen Berichten, die verzerrt sein oder an unabh\u00e4ngiger Validierung fehlen k\u00f6nnen. Strenge wirtschaftliche Analysen sind selten, und die verf\u00fcgbaren Ergebnisse weisen erhebliche methodische M\u00e4ngel auf.<\/p>\n
Schlie\u00dflich ist der Einfluss der k\u00fcnstlichen Intelligenz auf die Arbeitsbelastung von Klinikern und das Patientenerlebnis ambivalent. W\u00e4hrend einige Tools administrative Aufgaben automatisieren und so Zeit f\u00fcr die direkte Patientenversorgung freimachen, k\u00f6nnen andere die Arbeitslast erh\u00f6hen, indem sie eine st\u00e4ndige \u00dcberpr\u00fcfung der generierten Ergebnisse erfordern. Patienten schwanken zwischen der Hoffnung auf pr\u00e4zisere Diagnosen und personalisierte Behandlungen und der Sorge um den Verlust von Vertraulichkeit oder weniger menschliche Interaktion. Eine aktuelle Umfrage zeigt, dass 60 % der Amerikaner unwohl w\u00e4ren, wenn ihr Gesundheitsdienstleister KI f\u00fcr medizinische Entscheidungen nutzen w\u00fcrde.<\/p>\n
K\u00fcnstliche Intelligenz setzt sich schrittweise im Bereich der klinischen Studien durch und verspricht, die medizinische Forschung zu beschleunigen, die Kosten zu senken und die Wirksamkeit von Behandlungen zu verbessern. Dennoch wirft ihre Integration komplexe Fragen auf, die \u00fcber die blo\u00dfen technologischen Versprechen hinausgehen.<\/p>\n
Bei der Erstellung von Studienprotokollen erm\u00f6glicht es die k\u00fcnstliche Intelligenz mittlerweile, automatisch komplexe Dokumente aus einfachen Zusammenfassungen zu generieren, die von Forschern bereitgestellt werden. Dadurch verk\u00fcrzt sich die Zeit f\u00fcr die Erstellung detaillierter Protokolle erheblich \u2013 eine Aufgabe, die fr\u00fcher langwierig und m\u00fchsam war. Doch diese Geschwindigkeit birgt auch Risiken, insbesondere die M\u00f6glichkeit, sensible Informationen \u00fcber Medikamente oder innovative Designs preiszugeben, wenn diese Daten in externe Systeme eingegeben werden. Pr\u00e4diktive Modelle analysieren hingegen historische Datenbanken, um operative Schl\u00fcsselergebnisse vorherzusagen, wie etwa die F\u00e4higkeit, Rekrutierungsziele zu erreichen oder optimale Einschlusskriterien zu identifizieren. Diese Tools helfen, kostspielige Misserfolge zu vermeiden, doch ihre Wirksamkeit h\u00e4ngt stark von der Qualit\u00e4t und Repr\u00e4sentativit\u00e4t der verwendeten Daten ab.<\/p>\n
Auch die Rekrutierung von Patienten, die oft zu Verz\u00f6gerungen in Studien f\u00fchrt, profitiert von den Fortschritten der k\u00fcnstlichen Intelligenz. Hochentwickelte Systeme analysieren in Rekordzeit Millionen medizinischer Unterlagen, um geeignete Kandidaten zu identifizieren. Eine Plattform verarbeitete beispielsweise \u00fcber 83 Millionen Dokumente in weniger als zwei Wochen und generierte dabei Milliarden standardisierter medizinischer Begriffe. Diese Technologien k\u00f6nnen die Zeit f\u00fcr die manuelle Screening-H\u00e4lfte reduzieren und so medizinischem Personal mehr Zeit verschaffen. Sie zeigen auch, dass viele Einschlusskriterien Patienten unn\u00f6tig ausschlie\u00dfen, ohne die therapeutischen Ergebnisse zu beeintr\u00e4chtigen. Durch eine Lockerung dieser Regeln k\u00f6nnten Studien doppelt so viele Teilnehmer einbeziehen, ohne die Sicherheit zu gef\u00e4hrden.<\/p>\n
Allerdings variieren die Leistungen dieser Systeme. Einige erreichen hohe Recall-Raten und identifizieren die Mehrheit der geeigneten Patienten, allerdings mit einer manchmal geringen Pr\u00e4zision, was bedeutet, dass sie auch ungeeignete Kandidaten einschlie\u00dfen. Umgekehrt reduziert ein sehr pr\u00e4zises System zwar den Arbeitsaufwand f\u00fcr menschliche Pr\u00fcfer, birgt aber das Risiko, g\u00fcltige Patienten auszuschlie\u00dfen. Aktuelle Fortschritte, wie Modelle, die Datenextraktion und -generierung kombinieren, zeigen vielversprechende Ergebnisse mit Genauigkeitsraten von \u00fcber 97 % und \u00fcbertreffen in manchen Aufgaben sogar menschliche Koordinatoren.<\/p>\n
Die Datenanalyse ist ein weiterer Bereich, in dem die k\u00fcnstliche Intelligenz punkten kann. Sie erm\u00f6glicht die Verarbeitung komplexer Datens\u00e4tze, wie sie etwa von vernetzten Ger\u00e4ten oder medizinischer Bildgebung stammen, und bietet damit eine bisher unerreichte Informationsf\u00fclle. Dennoch besteht eine anhaltende Debatte zwischen traditionellen statistischen Methoden und modernen Modellen. Klassische Ans\u00e4tze wie die logistische Regression bieten eine un\u00fcbertroffene Transparenz und erm\u00f6glichen ein klares Verst\u00e4ndnis des Einflusses jeder Variable. Modelle der k\u00fcnstlichen Intelligenz sind zwar oft pr\u00e4ziser, funktionieren aber wie Blackboxes, was ihre interne Logik schwer nachvollziehbar macht. Diese Intransparenz stellt eine gro\u00dfe H\u00fcrde f\u00fcr die klinische Akzeptanz dar, da \u00c4rzte z\u00f6gern, Empfehlungen zu folgen, die sie nicht verstehen \u2013 insbesondere in kritischen Situationen.<\/p>\n
Algorithmenbasierte Verzerrungen stellen ein weiteres gro\u00dfes Hindernis dar. Systeme k\u00f6nnen bestehende Ungleichheiten sogar verst\u00e4rken, wenn die f\u00fcr ihr Training verwendeten Daten historische Disparit\u00e4ten widerspiegeln. Ein in den USA weit verbreiteter Algorithmus zur Bewertung des Bedarfs an Intensivpflege beg\u00fcnstigte etwa wei\u00dfe Patienten auf Kosten schwarzer Patienten, da er vergangene Gesundheitskosten als Indikator f\u00fcr zuk\u00fcnftige Bed\u00fcrfnisse nutzte \u2013 ein Kriterium, das durch strukturelle Ungleichheiten verzerrt war. \u00c4hnlich zeigen kardiovaskul\u00e4re Diagnosewerkzeuge, die haupts\u00e4chlich mit m\u00e4nnlichen Daten trainiert wurden, eine geringere Genauigkeit bei Frauen, deren Symptome sich oft unterscheiden. Diese Verzerrungen unterstreichen die Bedeutung, die Entwicklungsteams und Datens\u00e4tze zu diversifizieren, um faire Ergebnisse zu gew\u00e4hrleisten.<\/p>\n
Die Transparenz der Modelle ist ebenfalls ein entscheidendes Thema. Kliniker und Patienten m\u00fcssen nachvollziehen k\u00f6nnen, wie eine Entscheidung zustande kam, insbesondere wenn diese direkte Auswirkungen auf Leben hat. Post-hoc-Erkl\u00e4rungsmethoden wie LIME oder SHAP versuchen, Modelle verst\u00e4ndlicher zu machen, indem sie die einflussreichsten Faktoren f\u00fcr eine bestimmte Vorhersage identifizieren. Doch diese Erkl\u00e4rungen bleiben N\u00e4herungen und k\u00f6nnen selbst irref\u00fchrend sein. Einige Modelle, die von vornherein interpretierbar konzipiert sind \u2013 wie Entscheidungsb\u00e4ume \u2013, bieten eine Alternative, auch wenn ihre Genauigkeit m\u00f6glicherweise geringer ist als die komplexer Modelle.<\/p>\n
Die Herausforderungen sind jedoch nicht nur technischer Natur. Die Integration von k\u00fcnstlicher Intelligenz in klinische Studien wirft auch ungel\u00f6ste ethische und rechtliche Fragen auf. Wer tr\u00e4gt die Verantwortung, wenn es zu einem medizinischen Fehler kommt, an dem ein KI-System beteiligt ist? Der Entwickler, die medizinische Einrichtung, der Kliniker oder der Patient? Die Verteilung dieser Verantwortung, oft als \u201eProblem der vielen H\u00e4nde\u201c bezeichnet, erschwert die Zuweisung von Schuld und kann Patienten ohne klare Rechtsmittel zur\u00fccklassen. Einige schlagen eine kollektive Verantwortung vor, bei der alle Beteiligten die Last teilen, doch dieser Ansatz steckt noch in den Kinderschuhen.<\/p>\n
Auch das Eigentum an Daten und die Einwilligung der Patienten sind problematisch. In einer traditionellen Studie willigt ein Patient in die Verwendung seiner Daten f\u00fcr ein bestimmtes, zeitlich begrenztes Ziel ein. Bei k\u00fcnstlicher Intelligenz werden Daten jedoch oft unbegrenzt wiederverwendet, um Modelle zu trainieren und zu verbessern, was Fragen nach Eigentum und Kontrolle aufwirft. Datenhoheitsmodelle, bei denen Patienten eine granularere Kontrolle \u00fcber ihre Informationen behalten, entstehen als m\u00f6gliche L\u00f6sung, doch ihre gro\u00dffl\u00e4chige Umsetzung bleibt komplex.<\/p>\n
Dezentrale Systeme wie federiertes Lernen und Blockchain bieten Ans\u00e4tze, um die Hindernisse in Bezug auf Datenschutz und Datenzugriff zu \u00fcberwinden. Federiertes Lernen erm\u00f6glicht das Trainieren von Modellen auf Daten, die \u00fcber mehrere Einrichtungen verteilt sind, ohne dass sensible Informationen zentralisiert werden m\u00fcssen. Dennoch st\u00f6\u00dft dieser Ansatz auf praktische Herausforderungen, wie die Heterogenit\u00e4t der Daten zwischen den Standorten, die die Leistung des globalen Modells beeintr\u00e4chtigen kann. Blockchain k\u00f6nnte hingegen die Integrit\u00e4t und Nachverfolgbarkeit von Daten gew\u00e4hrleisten, doch ihre Einf\u00fchrung scheitert an Problemen wie Skalierbarkeit, Energieverbrauch und der Einhaltung von Datenschutzbestimmungen wie dem Recht auf Vergessenwerden.<\/p>\n
Die durch k\u00fcnstliche Intelligenz versprochenen Kosteneinsparungen und Effizienzgewinne werden oft hervorgehoben. Studien zeigen, dass Online-Rekrutierung die Kosten pro Patient von 199 auf 72 Dollar senkt und den Prozess deutlich beschleunigt. Andere Berichte verzeichnen eine Reduzierung der Registrierungszeiten um 10 bis 15 % in Pilotstudien. Allerdings stammen diese Zahlen h\u00e4ufig aus industriefinanzierten Studien oder internen Berichten, die verzerrt sein oder an unabh\u00e4ngiger Validierung fehlen k\u00f6nnen. Strenge wirtschaftliche Analysen sind selten, und die verf\u00fcgbaren Ergebnisse weisen erhebliche methodische M\u00e4ngel auf.<\/p>\n
Schlie\u00dflich ist der Einfluss der k\u00fcnstlichen Intelligenz auf die Arbeitsbelastung von Klinikern und das Patientenerlebnis ambivalent. W\u00e4hrend einige Tools administrative Aufgaben automatisieren und so Zeit f\u00fcr die direkte Patientenversorgung freimachen, k\u00f6nnen andere die Arbeitslast erh\u00f6hen, indem sie eine st\u00e4ndige \u00dcberpr\u00fcfung der generierten Ergebnisse erfordern. Patienten schwanken zwischen der Hoffnung auf pr\u00e4zisere Diagnosen und personalisierte Behandlungen und der Sorge um den Verlust von Vertraulichkeit oder weniger menschliche Interaktion. Eine aktuelle Umfrage zeigt, dass 60 % der Amerikaner unwohl w\u00e4ren, wenn ihr Gesundheitsdienstleister KI f\u00fcr medizinische Entscheidungen nutzen w\u00fcrde.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1007\/s10791-026-10205-x<\/a><\/p>\n Titre\u00a0:<\/strong> The transformative and turbulent integration of artificial intelligence in clinical trials: a critical review<\/p>\n Revue : <\/strong> Discover Computing<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Ying Xuan Lim; Long Chiau Ming; Nancy Choon-Si Ng; Serena Leow; Rahul G. Ingle<\/p>\n","protected":false},"excerpt":{"rendered":" K\u00fcnstliche Intelligenz revolutioniert klinische Studien \u2013 doch die Herausforderungen bleiben enorm K\u00fcnstliche Intelligenz setzt sich schrittweise im Bereich der klinischen Studien durch und verspricht, die medizinische Forschung zu beschleunigen, die Kosten zu senken und die Wirksamkeit von Behandlungen zu verbessern. Dennoch wirft ihre Integration komplexe Fragen auf, die \u00fcber die blo\u00dfen technologischen Versprechen hinausgehen. Bei… K\u00fcnstliche Intelligenz revolutioniert klinische Studien \u2013 doch die Herausforderungen bleiben enorm<\/span> weiterlesen<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[4,2],"tags":[],"class_list":["post-36","post","type-post","status-publish","format-standard","hentry","category-gesundheit","category-international","entry"],"_links":{"self":[{"href":"https:\/\/globalphilosophyreview.com\/de\/wp-json\/wp\/v2\/posts\/36","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/globalphilosophyreview.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/globalphilosophyreview.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/globalphilosophyreview.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/globalphilosophyreview.com\/de\/wp-json\/wp\/v2\/comments?post=36"}],"version-history":[{"count":1,"href":"https:\/\/globalphilosophyreview.com\/de\/wp-json\/wp\/v2\/posts\/36\/revisions"}],"predecessor-version":[{"id":37,"href":"https:\/\/globalphilosophyreview.com\/de\/wp-json\/wp\/v2\/posts\/36\/revisions\/37"}],"wp:attachment":[{"href":"https:\/\/globalphilosophyreview.com\/de\/wp-json\/wp\/v2\/media?parent=36"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/globalphilosophyreview.com\/de\/wp-json\/wp\/v2\/categories?post=36"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/globalphilosophyreview.com\/de\/wp-json\/wp\/v2\/tags?post=36"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}