KI- und ML-unterstützte medizinische Versorgung

Wo große Datenmengen anfallen machen sich Anwendungen bezahlt, die auf künstlicher Intelligenz (KI) und maschinellem Lernen (ML) basieren – so auch im Gesundheitswesen. Der Einsatz entsprechender Technologien verspricht eine wesentliche Verbesserung der Behandlungsabläufe.

Einsatzgebiete für KI und ML

Verlässliche Prognosen

Ein wichtiger Anwendungsbereich betrifft die Erhöhung der Zuverlässigkeit von Prognosen. Denn jeder Leistungserbringer, egal ob Krankenhaus, Arztpraxis oder Labor, kann seine Ressourcen dann am besten einsetzen, wenn er verlässliche Vorhersagen über zukünftige Ereignisse hat: von ungeplanten Wiedereinweisungen von Patienten, über Forderungsausfälle bis hin zu Geräten, die repariert werden müssen. Schon heute zeichnet sich ab, dass erprobte ML-Algorithmen in all diesen Bereichen bessere Ergebnisse erreichen können als beispielsweise Risikomodelle oder Expertenmeinungen.

Entlastung in der Administration

ML kann dabei unterstützen, die administrativen Aufgaben im Gesundheitswesen zu reduzieren, zum Beispiel in der medizinischen Dokumentation. Dort besteht die Möglichkeit, Patientendaten automatisiert in die elektronische Patientenakte einfließen zu lassen, anstatt durch aufwändige manuelle Datenerfassung. Integrierte Augmented Reality Anwendungen oder Übertragung von Sensordaten in Patientenakten stehen stellvertretend dafür.

Conversational User Experience

Zudem kann mit KI und ML die Nutzererfahrung von heute zuweilen noch recht unhandlichen Anwendungen deutlich verbessert werden. Stellen Sie sich den Einsatz von KI- und ML-unterstützten Sprachassistenten in Verknüpfung mit Patientenakten vor – eine enorme Erleichterung für Patienten, Pflege, Medizin und andere Anwender. Der Einsatz von Alexa oder Siri zur Navigation durch Patientenakten ist ein solches Beispiel.

KI und ML – Der Weg zu besseren Entscheidungen

Verlässliche Modelle mit Aussagekraft

Wenn es um das Training der KI geht, also die Entwicklung und Anwendung von Modellen, ist Gründlichkeit gefragt. Die Trainingsdaten müssen repräsentativ sein und sorgfältig ausgewählt sowie kuratiert werden. Es gilt sicherzustellen, dass die ML-Modelle mit Blick auf den Praxiseinsatz frei von systematischer Verzerrung bzw. Diskriminierung sind. Algorithmen-Entwickler haben daher eine nicht zu unterschätzende Verantwortung bei der Entwicklung von ML-Modellen für die Gesundheitsversorgung. Die Welt der Entwickler muss mit der der Mediziner synchronisiert werden. Hier gilt es auch ethische Diskussionen zu führen.

Safety first bei sensiblen Daten

Ein weiterer wichtiger Punkt ist der sensible Umgang mit vertraulichen Daten. Die Rechte der Patienten sind unbedingt zu wahren – eine komplexe Herausforderung für Software-Unternehmen, die wir bei InterSystems gerne annehmen. Betrachten wir zum Beispiel die Bereitstellung von Patientendaten, um ML-Modelle zu trainieren: Eine Methode ist es, Patientendaten zu anonymisieren und diese einem Data Lake für die weitere Nutzung zuzuführen. Eine andere (oftmals bessere) ist, die Modelle am Ort der Datenentstehung oder -konsolidierung zur trainieren und diese dann mit anderen zu teilen – ganz im Sinne von Federated Machine Learning.

Eine neue Ära im Gesundheitswesen

Nachdem in vielen Teilen der Welt der Übergang vom Papier zur elektronischen Datenverarbeitung vollzogen wurde, gilt es nun die Daten in vereinheitlichte, bereinigte Informationen umzuwandeln, um darauf KI und ML anwenden zu können. Ein Beispiel ist die Medizininformatik-Initiative (MII) des Bundesministeriums für Forschung und Bildung. Daten aus der Krankenversorgung sollen in die medizinische Forschung einfließen und die daraus resultierenden Ergebnisse dann wieder zum individuellen Nutzen der Patienten eingesetzt werden. Der Einsatz von KI spielt auch hier eine Rolle, zum Beispiel im klinischen Use Case ASIC (Algorithmische Surveillance): Hier sollen Daten aus Patientendatenmanagementsystemen (PDMS) kontinuierlich ausgewertet werden, um den Zustand von Patienten automatisiert zu überwachen und Vorhersagen abzuleiten. Damit werden die Voraussetzungen für eine frühe Alarmierung geschaffen, die ein schnelleres diagnostisches und therapeutisches Eingreifen möglich macht.

Das sind tolle Herausforderungen, bei denen wir gerne mitarbeiten.