Künstliche Intelligenz & Medizin – Chancen und Herausforderungen

Künstliche Intelligenz & Medizin - Chancen und Herausforderungen

Der Begriff „Künstliche Intelligenz“ wird gerne in Medien verwendet, aber was genau ist das eigentlich? Eine sehr simple Definition ist die des Europäischen Parlaments: „KI ist die Fähigkeit eines Computerprogramms, Aufgaben oder Denkprozesse auszuführen, die wir normalerweise mit der Intelligenz eines menschlichen Wesens in Verbindung bringen“. Während bei Menschen die „Intelligenz“ an sich zwar genetisch bedingt ist, so lernen Kinder diese Intelligenz auch nutzen zu können – der programmierten künstlichen Intelligenz geht es nicht anders.

Ein vierjähriges Kind wird zu einem Traktor vielleicht „Lastwagen“ sagen – große Räder, Ladefläche und laut. Auch eine KI würde als erstes lernen, dass es sich um ein „Fahrzeug“ (Räder) handelt, dann „Nutzfahrzeug“ begreifen (Ladefläche) und muss sich viel Mühe geben, dieses Nutzfahrzeug zum Schluss auch noch als „Traktor“ einzuordnen. Denn eine „Schaufel an der Front“ hat auch ein Bagger. Und h längst nicht mehr alle Traktoren haben hinten große und vorne kleine Räder. Dieser Prozess, der beim Kind mehr oder weniger automatisch, durch soziale Interaktion und Kommunikation abläuft, muss einer KI beigebracht werden – durch maschinelles Lernen. Dieses Lernen erfolgt analog zum Lernen bei einem Kind nicht ohne Beaufsichtigung – nur durch die Rückmeldung tritt der Lerneffekt ein: „Ja, richtig, dies ist ein Traktor und KEIN Lastwagen und KEIN Bagger“.  Die Weiterentwicklung des maschinellen Lernens ist das deep learning, bei dem keine Rückmeldung durch eine überwachende Instanz mehr erfolgen muss. Angenommen, ein Traktor wäre in einem Krieg durch eine vorne montierte Kanone zu einem primitiven Haubitze umgebaut worden. So ein zugegebenermaßen absurder Fall lässt sich nicht „trainieren“ (weder beim Kind noch bei einer Software), weil es sich um eine exotische Ausnahme handelt. Während eine per machine learning trainierte Software melden würde „Kann Objekt nicht zuordnen“ (kein Traktor, kein Lastwagen, kein PKW…) würde deep learning eine neue Kategorie auftellen können: „Baulich veränderter Traktor“ und mit noch mehr Daten soagr zu dem Ergebnis kommen können: „Baulich veränderter Traktor mit Schießvorrichtung“.

Dieses Beispiel macht deutlich, warum das autonome Fahren so komplex ist – dass „Fahrzeug“, das von rechts kommt und Vorfahrt hat, kann entweder sehr schnell an der Kreuzung sein (Lastwagen) oder länger brauchen, so dass der autonome Wagen noch passieren kann. Natürlich wird die Geschwindigkeit auch erfasst, nur: ein Lastwagen könnte wesentlich stärker beschleunigen und dies auf ein hohes Tempo als ein Traktor. Die aktuelle Geschwindigkeit wäre also kein ausreichendes Indiz dafür, dass keine Gefahr besteht. Diese Lernkette lässt sich fast beliebig verlängern: Ist die Ladefläche gefüllt oder leer? …

Das ein Mensch all diese Erwägungen in weniger als eine Sekunde machen kann zeigt, dass sich das menschliche Gehirn auch vor den schnellsten Rechnern nicht verstecken muss. Der Bereich „Medizin durch KI“ teilt sich dabei mit dem autonomen Fahren eine ganz wesentliche Hürde: Fehler sind nicht erlaubt. Nicht an Kreuzungen und nicht bei Operationen.

Der Einstieg in die Robot-Medizin erfolgt vorsichtig – zu Recht

Während die KI-gestützte Mobilität mit dem automatischen Abbremsen im Stau gestartet ist, gibt es auch in der Medizin zunächst zahlreiche Anwendungsfälle, die nicht gleich Menschenleben riskieren. Bei administrativen Vorgängen, die hochqualifiziertes Personal von ihrer eigentlichen Aufgabe abhalten, beschleunigt sich der KI-Einsatz. Dabei treten die Probleme hier manchmal an unerwarteten Stellen auf: Für eine große Klinikkette haben wir Patienten- und Entlassungsbriefe automatisiert. Selbst Zusammenfassungen komplexer medizinischer Befunde aus Tabellen, Word-Dokumenten, PDFs, Mails und Röntgenbildern waren machbar, aber die Software verzweifelte an den handschriftlichen Notizen der Ärztinnen und Ärzte. Oft sind diese einfach unleserlich, nur ein oder zwei medizinisch-technische Assistenten, die schon lange mit dem Arzt oder der Ärztin zusammenarbeiteten, konnten die Hieroglyphen entziffern. Manchmal muss man auch mit einem 95%-Ergebnis leben können. In diesem Fall war dies verschmerzbar, da die per KI generierten Briefe ohnehin noch einmal vom leitenden behandelnden Arzt gegengelesen wurden. Und fanden aus der Übertragung und Zusammenfassung ihrer eigenen Notizen oder der ihre Kollegen öfter den roten Warnhinweis: „Bitte prüfen“.

Siehe auch:  Wie sicher sind elektronische Türschlösser?

Angesichts der Überalterung und der immer höheren Lebenserwartung in den westlichen Gesellschaften wird KI im Healthcare-Bereich kaum menschliche Arbeitsplätze kosten: Der Bedarf an qualifizierten Pflege- und Medizinpersonal ist jetzt schon nicht mehr zu decken, in wenigen Jahren wird es zum Pflege- und Medizinkollaps kommen. Es sei denn, alle verantwortbar delegierbaren Aufgaben werden von Software und Robots erledigt. Auch das körperlich belastende Umdrehen eines schwer gehandicapten Menschen gehört dazu – wenn in dieser Zeit die Pflegerin oder der Pfleger nur zehn Minuten Zeit für ein Gespräch mit dem Patienten gewinnt, haben alle Beteiligten gewonnen.

Die entscheidende Frage ist nicht, ob die KI ausreichend leistungsfähig sein wird – dies wird der Fall sein, für eine Vielzahl medizinischer und pflegerischer Aufgaben. Die größte Herausforderung für KI in diesen Bereichen des Gesundheitswesens ist die Frage, ob die Übernahme in die tägliche klinische Praxis gelingt. Damit KI-Systeme auf breiter Front eingesetzt werden können, müssen sie von den Aufsichtsbehörden genehmigt, in elektronischen Patientenakten integriert und so weit standardisiert werden, dass Produkte und Automatisierungen nicht nur in einer Klinik, sondern nahtlos auch in der folgenden häuslichen Pflege oder beim Hausarzt funktionieren.

Die Theorie ist längst von ersten Praxisanwendungen überholt worden: Das KI.Tool von IBM, Watson, und Googles Deep Mind werden bereits für zahlreiche Anwendungen im Gesundheitswesen eingesetzt. Watson wird für Untersuchungen in den Bereichen Diabetesmanagement, fortgeschrittene Krebsbehandlung und -modellierung sowie Arzneimittelentdeckung eingesetzt, ohne bislang aber den Nachweis eines direkten klinischen Nutzens zu erbringen. Deep Mind wird vor allem für Anwendungen wie mobile medizinische Assistenten, für Diagnosen auf der Grundlage medizinischer Bildgebung und für die Vorhersage der Verschlechterung des Gesundheits-zustands von Patienten getestet und in Studien eingesetzt.

Areas-of-impact-for-AI-in-healthcare

Es sind nicht nur IBM und Google, die die USA im Bereich „Healthcare KI“ erneut zum globalen Spitzenreiter machen: Die Vereinigten Staaten führen auch die Liste der Unternehmen mit den höchsten VC-Finanzierungen im Bereich der KI im Gesundheitswesen an. Das schnellste Wachstum zeichnet sich jedoch in Asien ab, insbesondere in China, wo führende einheimische Konzerne und Technologieunternehmen KI-Angebote für das Gesundheitswesen anbieten, die sich an Verbraucher richten, und wo Ping An’s Good Doctor, die führende Online-Plattform für Gesundheitsmanagement, bereits mehr als 300 Millionen Nutzer verzeichnet.

Kommt die Einführung der KI bei meinem Arzt über Nacht?

Sicher nicht – 5-10 Jahre rechnen die Experten dafür, dass die künstliche Intelligenz letztendlich jedem von uns begegnen wird, beim Hausarzt, im Krankenhaus oder einer Pflegeeinrichtung.

In einer ersten Phase werden die Lösungen wahrscheinlich die niedrig hängenden Früchte von routinemäßigen, sich wiederholenden und größtenteils administrativen Aufgaben angehen, die viel Zeit von Ärzten und Krankenschwestern in Anspruch nehmen, was die Abläufe im Gesundheitswesen optimiert und die Akzeptanz erhöht. In dieser ersten Phase werden auch KI-Anwendungen auf der Grundlage der Bildgebung einbeziehen, die bereits in Fachbereichen wie der Radiologie, Pathologie und Augenheilkunde eingesetzt werden.

In der zweiten Phase werden mehr KI-Lösungen marktreif sein, die die Verlagerung von der stationären zur häuslichen Pflege unterstützen, z. B. Fernüberwachung, KI-gestützte Warnsysteme oder virtuelle Assistenten, da die Patienten immer mehr Verantwortung für ihre Pflege übernehmen. In dieser Phase könnte auch ein breiterer Einsatz von Natural Language Processing-Lösungen (wie die Erstellung von Gutachten, das Schreiben von Entlassungsbriefen) stattfinden sowie ein verstärkter Einsatz von KI in einer größeren Anzahl von Fachgebieten wie Onkologie, Kardiologie oder Neurologie, in denen bereits Fortschritte erzielt werden. Dies erfordert eine stärkere Einbindung der KI in die klinischen Arbeitsabläufe durch das intensive Engagement von Berufsverbänden und Anbietern. Außerdem bedarf es gut durchdachter und integrierter Lösungen, um bestehende Technologien in neuen Zusammenhängen effektiv zu nutzen.

Siehe auch:  Tastatur Brydge Pro 11 fürs Tablet - immer komfortabel tippen

In der dritten Phase werden mehr KI-Lösungen in der klinischen Praxis auf der Grundlage von Erkenntnissen aus klinischen Studien eingesetzt werden, wobei der Schwerpunkt zunehmend auf verbesserten und skalierten Tools zur klinischen Entscheidungsunterstützung (CDS) liegt. Wichtige Voraussetzungen dafür, dass KI ihr volles Potenzial im europäischen Gesundheitswesen entfalten kann, ist die Integration wichtiger Datensätze in allen Organisationen, eine starke Governance zur kontinuierlichen Verbesserung der Datenqualität und ein größeres Vertrauen von Organisationen, Ärzten und Patienten sowohl in die KI-Lösungen als auch in die Fähigkeit, die damit verbundenen Risiken zu bewältigen.

Spätestens mit dem Übergang von der zweiten zur dritten Phase verändert sich die Berufsbilder erheblich: Designer, die sich auf die Interaktion zwischen Mensch und Maschine bei der klinischen Entscheidungsfindung spezialisiert haben, werden bei der Entwicklung neuer Arbeitsabläufe gebraucht. Datenarchitekten werden bei der Definition der Erfassung, Speicherung und Strukturierung klinischer Daten von entscheidender Bedeutung sein, damit Algorithmen Erkenntnisse liefern können.  Führungskräfte der neuen Generation müssen die Verantwortung im Bereich Data Governance und Datenethik übernehmen. ebenfalls eine wichtige Rolle spielen werden. In anderen datenintensiven Bereichen wie der Genomik werden neue Fachleute „hybride“ Rollen übernehmen, wie klinische Bioinformatiker, Spezialisten für genomische Medizin und genomische Berater. Medizinische Einrichtungen müssen Teams aufbauen, die sich mit der Zusammenarbeit mit, der Beschaffung und der Implementierung von KI-Produkten auskennen.

Beitragsbild: @ depositphotos.com / BiancoBlue

Wolfgang Zehrt