NACHRICHTEN / KI-TECHNOLOGIE

Fantasien sind alltäglich, wenn es um KI geht. Es ist jedoch notwendig, das richtige Umfeld für die Implementierung zu finden, um KI im Gesundheitswesen vollständig zu verankern.

Zunächst wird eine allumfassende Umgebung benötigt.

In der Vergangenheit hat das Expertensystem MYCIN, das 1974 entwickelt wurde, gilt als die allererste Anwendung von artificial intelligence im Gesundheitswesen. Sein Zweck war es, Ärzte bei der Diagnose und Behandlung verschiedener Blutkrankheiten zu unterstützen. Durch den Versuch, die kognitiven Mechanismen von Experten in einem bestimmten Bereich durch Schlussfolgerungen auf der Grundlage von Fakten und Regeln (etwa 700 Regeln) zu reproduzieren, hat diese Software zu überzeugenderen Ergebnissen geführt als menschliche Versuche. 1979 nahm das System an einem Wettbewerb mit 8 Ärzten teil, um seine Effektivität zu messen: 10 Fälle wurden eingereicht - und MYCIN belegte jedes Mal den ersten Platz.

Die Versprechen der Anwendung von KI im Gesundheitssektor sind vielfältig: Insbesondere aufgrund der besseren diagnostischen Genauigkeit würde es die Betriebskosten für medizinische Einrichtungen senken und zu zunehmend personalisierten Behandlungsplänen für Patienten führen.

Fantasien sind alltäglich, wenn es um KI geht. Es ist jedoch notwendig, das richtige Umfeld für die Implementierung zu finden, um KI im Gesundheitswesen vollständig zu verankern.

Interoperabilität ebnet den Weg für Präzisionsmedizin

Interoperabilität, ist eine inhärente Einschränkung im Gesundheitsbereich, die die Integration von KI behindert. Sie bezieht sich auf die Fähigkeit, data zwischen verschiedenen Beteiligten auszutauschen. Zentrale medizinische data-Datenbanken oder Standard-Speicherformate sind sehr selten. Meistens werden Dokumente handgeschrieben und dann gefaxt, so dass jede Art von data-Extraktion für Maschinen nicht interpretierbar ist.

Um ein förderliches Umfeld für KI im Gesundheitswesen zu schaffen, ist es von größter Wichtigkeit, den Zugang zu medizinischen data. Dies ist von größter Bedeutung, um Modelle für maschinelles Lernen zu füttern und zu verbessern.

Mehrere Faktoren können einen Einfluss darauf haben, wie z.B.:

  • Das Volumen der medizinischen data erhöhen entweder durch die Vermehrung von Wearables oder durch die genomische Sequenzierung von data-Basen.
  • Data Verfügbarkeit durch den weit verbreiteten Einsatz elektronischer Krankenakten erleichtert. Sie ermöglichen jetzt einen einfachen Zugriff auf eine data-Historie, die mehr als 10 Jahre zurückreicht.

Das französische Start-up-Unternehmen Lifen zum Beispiel konzentriert sich jetzt vor allem auf die Interoperabilität im Gesundheitssektor. Es hat eine sichere Austauschplattform für Ärzte und medizinische Einrichtungen entwickelt, die auf artificial intelligence-Algorithmen basiert. Ihre Lösung bietet ihnen nicht nur das vollständigste Verzeichnis von Angehörigen der Gesundheitsberufe in Frankreich, sondern ist auch mit 100% medizinischer Praxissoftware kompatibel: Das verwendete data-Format behindert nicht mehr die gemeinsame Nutzung medizinischer data, und die Patientendaten sind nicht mehr über mehrere Softwares verstreut.

Das Aufkommen der Telemedizin ist ein perfektes Beispiel für die Demokratisierung des medizinischen data Zugangs.

Heutzutage bietet das Mobiltelefon eine neue Quelle für data und stellt ein leistungsstarkes Diagnoseinstrument dar. Die immer stärkere Nutzung von Mobiltelefonen in Verbindung mit einer geringeren Fehlerquote bei visuellen Erkennungsalgorithmen hat die Gründer von SkinVision dazu veranlasst, eine Anwendung zu entwickeln, die die Kamera des Telefons zur Überwachung von Hautläsionen und zur Bewertung von Hautkrebsrisiken nutzt. Dieser “telemedizinische” Ansatz ermöglicht es Ärzten, das Verhalten und den Lebensstil ihrer Patienten besser zu verstehen und medizinische Behandlungspläne zu entwickeln, die eher präventiv als kurativ sind.

Dank der Kombination von Big Data, prädiktiver Analyse und artificial intelligence sind Diagnose und Behandlung personalisiert, was zu einem völlig kundenorientierten Ansatz führt.  die heute als Präzisionsmedizin bezeichnet wird.

Für eine schnelle Umsetzung von KI-Anwendungen im Gesundheitsbereich sind sowohl eine flexible Regulierung als auch staatliche Unterstützung erforderlich

Das rasante Tempo der Upgrades von maschinellem Lernen und Deep-Learning-Systemen gibt den Ton an und eine gelockerte Regulierung ist notwendig, damit KI-Implementierungen im Gesundheitswesen mithalten können.

Zum Beispiel in den Vereinigten Staaten, die FDA (Food and Drug Administration) hat das Zulassungsverfahren für KI-Diagnose-Software beschleunigt und die Verwendung von Computer Vision in der medizinischen Bildgebung seit 2018. Im April 2018 hat die Organisation KI-Algorithmen zur Diagnose von Augenkrankheiten wie der diabetischen Retinopathie ohne die zweite Meinung eines Arztes zugelassen.

Ähnlich, große Technologieunternehmen in China werden von der Regierung stark unterstützt, insbesondere bei der Zentralisierung von data und der Automatisierung von medizinischen Prozessen. Das chinesische Ministerium für Wissenschaft und Technologie kündigte 2017 an, dass es sich bei der Einführung einer Open-Source-KI-Plattform für medizinische Bildgebung und Diagnostik auf Tencent verlassen würde. In der Zwischenzeit breitet sich die Nutzung von Tencents Netzwerkplattform WeChat für die Buchung von Online-Terminen und die Bezahlung von Gebühren in medizinischen Einrichtungen immer weiter aus. Die Strategie scheint sich auszuzahlen, wie im ersten Halbjahr 2018, China hat das Vereinigte Königreich überholt und ist nun das zweitaktivste Land bei der Anwendung von KI im Gesundheitssektor.

Die Entwicklung von Synergien zwischen Technologieunternehmen und medizinischen Einrichtungen ist eine Voraussetzung für die Integration von KI in den Gesundheitssektor

Tech-Giganten erleichtern den data-Zugang und stellen kontinuierlich optimierte technologische Hilfsmittel für medizinische Einrichtungen bereit.

Apple zum Beispiel trägt dazu bei, indem es ein Ökosystem aufbaut, das klinische Studien begünstigt. Die Prozesse rund um klinische Studien können sich als besonders langwierig und kostspielig erweisen. Indem Forscher einen kontinuierlichen data-Datenstrom von tragbaren Geräten wie der Apple Watch erhalten, können sie von Echtzeitinformationen über den Gesundheitszustand der Patienten, die an ihren Studien teilnehmen, profitieren. Der amerikanische Tech-Gigant hat 2015 auch zwei Open-Source-Frameworks auf den Markt gebracht, ResearchKit und CareKit, die die optimale Abstimmung zwischen Patient und klinischer Studie erleichtern und dabei helfen, den Fortschritt der Patienten während der begonnenen Studie zu überwachen. Diese Initiative ist nur eines von Dutzenden Beispielen, die Apple seit 2015 unternommen hat, um sich als führendes Unternehmen in diesem Bereich zu positionieren.

Interoperabilität, staatliche Unterstützung und flexible Regulierung sowie die Schaffung von Synergien zwischen Technologieunternehmen und medizinischen Einrichtungen sind also die miteinander verknüpften Umgebungsvariablen, die den fruchtbaren Boden für die volle Nutzung des Potenzials der KI in der Gesundheitsbranche bilden können.

Erfahren Sie mehr darüber, wie KI den Gesundheitssektor verbessern wird, indem Sie an der European AI Night teilnehmen!