Diese Website ist für medizinisches Fachpersonal in Österreich bestimmt
Menu
Close
Veröffentlicht am 06. November 2024
In den letzten Jahren hat das Interesse an der Entwicklung neuartiger Technologien für den Einsatz im Gesundheitswesen und in der Arzneimittelforschung maßgeblich zugenommen. Die Entwicklung solcher Technologien wurde durch die globale COVID-19-Pandemie erheblich vorangetrieben. Aufgrund von Kontaktbeschränkungen und reduzierten Kapazitäten im Gesundheitswesen wurde in vielen Bereichen auf digitale Kommunikationswege umgestellt oder neue Wege wurden geschaffen, um den Patient*innen weiterhin Zugang zu medizinischer Versorgung und vertrauenswürdigen Informationsressourcen bieten zu können.1
Jüngste Fortschritte und ein verbesserter Zugang in den Bereichen Computertechnologie, Internet-Konnektivität sowie die Nutzung von Cloud-Speichern haben die Erfassung riesiger Datensätze, sogenannter Big Data, aus verschiedenen Quellen ermöglicht.2 Zu diesen Quellen zählen unter anderem elektronische Patient*innenakten und Daten, die von medizinischen Geräten und Wearables (kleine elektronische Devices, die als Accessoires getragen werden [z.B. Smart Watches], in die Kleidung integriert sind bzw. in den Körper oder unter die Haut implantiert werden können) erfasst werden. Diese Daten können wertvolle Informationen enthalten und mithilfe von künstlicher Intelligenz (KI), engl. artificial intelligence (AI), analysiert werden. Die Analyse dieser Big Data soll unter anderem die Diagnose und Behandlung von Patient*innen verbessern und personalisierte Medizin ermöglichen.3
Laut Definition des europäischen Parlaments versteht man unter künstlicher Intelligenz die Fähigkeit einer Maschine, menschliche Fähigkeiten wie logisches Denken, Lernen, Planen und Kreativität zu imitieren. Im Wesentlichen soll KI genutzt werden, um Problemstellungen aus diversen Bereichen effektiver lösen zu können. Im Alltag spielt KI bereits bei Sprach-, Text- und Bilderkennung eine tragende Rolle und sie treibt Expertensysteme (wie z.B. MYCIN, ein an der Stanford University entwickeltes Expertensystem zur Diagnose und Therapie von Infektionskrankheiten durch Antibiotika) voran. KI wird heutzutage als Sammelbegriff für viele verschiedene Computertechnologien verwendet, darunter das Machine Learning (maschinelles Lernen) und dessen Teilgebiet, das sogenannte Deep Learning.
Beim Machine Learning wird die Fähigkeit des Computersystems genutzt, das Lösen neuer Aufgaben durch Datenanalyse zu erlernen. Dabei werden anhand großer Datenmengen Algorithmen trainiert, wodurch gewisse Muster und Zusammenhänge erkannt werden können. Somit können durch Machine Learning intelligente Entscheidungen, basierend auf dem zuvor Erlernten, getroffen werden. Das Erlernte lässt sich dann wiederum auf neue, unbekannte Datensätze anwenden, ohne dabei einem vordefinierten, regelbasierten Algorithmus zu folgen. Somit verbessert sich Machine Learning laufend selbst.
Deep Learning ist ein Teilbereich des Machine Learnings. Im Gegensatz zum Machine Learning müssen beim Deep Learning die genutzten Algorithmen aber nicht von Menschen trainiert werden, und es können somit auch unstrukturierte Daten verarbeitet werden. Mithilfe von künstlichen neuronalen Netzen kann der Computer relevante Daten identifizieren und lernt selbst, bestimmte Unterscheidungsmerkmale zu erkennen. Die genutzten neuronalen Netze bestehen aus miteinander verbundenen Knotenpunkten, die die Struktur und Funktionsweise des menschlichen Gehirns nachahmen sollen.
Generierte Algorithmen werden an ausgewählten Datensätzen trainiert und somit schrittweise optimiert. Durch wiederholte Lernzyklen mit neuen, ähnlichen Datensätzen verbessern sich die Fähigkeiten des Algorithmus. Es gibt unterschiedliche Arten von Machine Learning, und zwar überwachtes, unüberwachtes und teil-überwachtes Lernen.
Jeder auf Machine oder Deep Learning basierende Algorithmus wird entwickelt, um eine bestimmte Fragestellung zu untersuchen. Da die Art des angewendeten Lernsystems Einfluss auf die Qualität und Leistung des Algorithmus hat, sollten die Vor- und Nachteile der einzelnen Methoden bereits im Vorhinein abgewogen werden. Anhand ausgewählter Datensätze werden nachfolgend Modellalgorithmen entwickelt. Diese Modelle sollten/müssen jedoch unter unterschiedlichen Rahmenbedingungen bzw. in verschiedenen Populationen trainiert und validiert werden, um auch in der Praxis eingesetzt zu werden.
Der Fortschritt in der Technologie hinsichtlich Computer-Hardware, Datenerfassung und -speicherung sowie das Aufkommen von weiteren Bereichen der künstlichen Intelligenz (Machine Learning und Deep Learning) haben dazu geführt, dass das Interesse an KI-Anwendungen in der Medizin maßgeblich zunimmt. Machine Learning und Deep Learning können eingesetzt werden, um komplexe Datensätze zu analysieren und damit die Diagnose und Behandlung von Patient*innen positiv zu beeinflussen, aber auch, um Therapieerfolge potenziell vorherzusagen.
CT, Computertomografie: MRT, Magnetresonanztomografie
Die Geschwindigkeit und Reproduzierbarkeit von KI haben das Potenzial, das Management im Gesundheitswesen zu revolutionieren. Die Automatisierung von arbeits- und zeitintensiven Aufgaben kann helfen, Personalressourcen effizienter einzusetzen. Möglicherweise liegt das zukünftige Potenzial von KI darin, Synergien zu schaffen und somit die menschliche Funktionalität zu erweitern. Die Integration von KI in die klinische Praxis kann dazu beitragen, eine personalisierte Patient*innenversorgung zu ermöglichen und gleichzeitig den Zugang zu und die effektive Nutzung
der zunehmend begrenzten klinischen Ressourcen zu maximieren.
Der Einsatz von KI in der Medizin befindet sich noch in einem frühen Entwicklungsstadium. Eine wesentliche Einschränkung bei aktuellen Modellen ist, dass es oft einen Kompromiss zwischen Genauigkeit und Interpretierbarkeit des Algorithmus gibt – die meisten genauen Modelle sind oft nicht erklärbar und umgekehrt. Damit KI erfolgreich in die klinische Praxis integriert werden kann, müssen mehrere Herausforderungen bewältigt werden.
Die medizinische Ausbildung könnte, neben klinischer Erfahrung, in Zukunft auch Kompetenzen rund um die Anwendung von KI beinhalten. Ein profundes Verständnis, nachvollziehbare Informationsquellen und eine gut funktionierende Qualitätssicherung sowie Prozesstransparenz sind wichtig, um Misstrauen gegenüber und Missbrauch von KI zu reduzieren. Gesundheitsdienstleister und Patient*innen müssen zu informierten Verbraucher*innen von KI werden, wenn das Potenzial von KI in der Medizin ausgeschöpft werden soll. Innerhalb der Europäischen Union wird versucht mit einem KI-Gesetz, welches momentan (Stand 09/2023) mit den Mitgliedsstaaten verhandelt wird, einen entsprechend hochwertigen Standard zur Anwendung und zum Einsatz von KI zu implementieren.
IT, Informationstechnologie
In den letzten Jahren rückt das Potenzial von KI in der Medizin und somit auch in der Gastroenterologie vermehrt in den Fokus. Verschiedene Modelle wurden entwickelt, die Gastroenterolog*innen bei der Früherkennung von Erkrankungen unterstützen, die Entscheidungsfindung bei klinischen Diagnosen beschleunigen und die Zeit bis zur Behandlung oder Entwicklung neuer Therapien verkürzen sollen. Verschiedene Arbeitsgruppen beschäftigen sich intensiv mit der klinischen Anwendbarkeit von KI-entwickelten Algorithmen. KI hat jedoch bereits einen Stellenwert in der Erfassung und Extraktion klinischer Daten.
CED, chronisch entzündliche Darmerkrankungen; PRO, patient reported outcomes; EKG, Elektrokardiografie
Referenzen:
1 Ahmad H. et al, Intestinal Research, 2023, https://doi.org/10.5217/ir.2023.00020
2 Chang Y. et al, Gastroenterology Research and Practice, 2023, https://doi.org/10.1155/2023/3228832
3 Stidham R. and Takenaka K., Gastroenterology, 2022, https://doi.org/10.1053/j.gastro.2021.12.238
4 He J., Baxter S. et al, Nature Medicine, 2019, DOI: 10.1038/s41591-018-0307-0
In den letzten Jahren rückt das Potenzial von KI in der Medizin und somit auch in der Rheumatologie vermehrt in den Fokus. Verschiedene Modelle wurden entwickelt, die Rheumatolog*innen bei der Identifikation und Klassifizierung von rheumatischen Erkrankungen unterstützen, die Entscheidungsfindung bei klinischen Diagnosen beschleunigen und die Zeit bis zur Behandlung verkürzen sollen. Verschiedene Arbeitsgruppen beschäftigen sich intensiv mit der klinischen Anwendbarkeit von KI-entwickelten Algorithmen. KI hat jedoch bereits einen Stellenwert in der Erfassung und Extraktion klinischer Daten.
CT, Computertomografie; MRT, Magnetresonanztomografie
Referenzen:
1 Venerito V., Bilgin E. et al, Rheumatology, 2023, https://doi.org/10.1093/rheumatology/kead291
2 Galozzi P. et al, Clinica Chimica Acta, 2023, https://doi.org/10.1016/j.cca.2023.117388
3 Madrid-García A. et al, Seminars in Arthritis and Rheumatism, 2023, https://doi.org/10.1016/j.semarthrit.2023.152213
In der Kardiologie wurde die Entwicklung KI-basierter Anwendungen in den letzten Jahren zunehmend vorangetrieben. Mögliche Einsatzgebiete derartiger Systeme erstrecken sich prinzipiell über das gesamte Spektrum der klinischen Routine bzw. Praxis wie z. B. Verbesserung der Prädiktion des kardiovaskulären Risikos von Patient*innen, Phänotypisierung von Patient*innen mit dem Ziel der Präzisionsmedizin, Analyse medizinischer Daten(banken) in großem Maßstab, die Unterstützung/Auswertung bildgebender Verfahren bzw. Diagnostik und vieles mehr.
Ziel des Einsatzes KI-basierter Anwendungen ist letztlich die Verbesserung der Qualität und Effizienz der kardiologischen Versorgung von Patient*innen bzw. des Gesundheitssystems allgemein.
Trotz des großen Potenzials KI-basierter Anwendungen ist deren tatsächlicher Einsatz in der Kardiologie bisher durch verschiedene ethische und technologische Limitationen beschränkt. So kann z. B. inhärenter Bias KI-basierter Systeme bestehende Ungleichgewichte in der medizinischen Versorgung noch weiter verstärken. Weiters erschweren Einschränkungen des Zugangs zu medizinischen Daten bzw. Datenbanken die Entwicklung repräsentativer Algorithmen/Modelle. Auch die Verantwortlichkeit bei Fehlern bzw. Fehlentscheidungen bei KI-assistierten Aufgaben ist noch nicht restlos geklärt. Größtmögliche Transparenz und die Adressierung dieser Limitationen z. B. mittels entsprechender Regularien sind die Grundvoraussetzungen, um das volle Potenzial KI-basierter Anwendungen in der Kardiologie auszuschöpfen.
CVD, kardiovaskuläre Erkrankungen; CT, Computertomografie; cMRT, kardiale Magnetresonanztomografie; EKG, Elektrokardiografie
Referenzen:
1 Labrecque Langlais E. et al., J Cardiovasc Transl Res, 2023, https://doi.org/10.1007/s12265-022-10260-x
2 Danilov A. & Antonow W.S., Curr Probl Cardiol, 2023, https://doi.org/10.1016/j.cpcardiol.2023.101750
3 Ledzinski l. & Grzesk G., J Cardiovasc Dev Dis, 2023, https://doi.org/10.3390/jcdd10050202
4 Ciccarelli M. et al., J Cardiovasc Med, 2023, DOI:10.2459/JCM.0000000000001431
5 Subhan S. et al., Curr Probl Cardiol, 2023, https://doi.org/10.1016/j.cpcardiol.2023.101698
In den letzten Jahren rückt das Potenzial von KI in der Medizin und somit auch in der Dermatologie vermehrt in den Fokus. Verschiedene Modelle wurden entwickelt, die Dermatolog*innen bei der Identifikation und Klassifizierung von dermatologischen Erkrankungen unterstützen, die Entscheidungsfindung bei klinischen Diagnosen beschleunigen und die Zeit bis zur Behandlung verkürzen sollen. So könnte KI zukünftig einen wichtigen Stellenwert in der dermatologischen Telemedizin einnehmen (Teledermatologie). Verschiedene Arbeitsgruppen beschäftigen sich intensiv mit der klinischen Anwendbarkeit von KI-entwickelten Algorithmen. KI hat jedoch bereits einen Stellenwert in der Erfassung und Extraktion klinischer Daten.
Referenzen:
1 Stafford H. et al, Cancers, 2023, https://doi.org/10.3390/cancers15123094
2 Giansanti D., International Journal of Environmental Research and Public Health, 2023, https://doi.org/10.3390/ijerph20105810
3 Jartarkar S. R. et al, Journal of Cosmetic Dermatology, 2023, DOI: 10.1111/jocd.15565
4 Havelin A. and Hampton P., Psoriasis: Targets and Therapy, 2022, https://doi.org/10.2147/PTT.S323471
In den letzten Jahren rückt das Potenzial von KI in der Medizin und somit auch in der Onkologie vermehrt in den Fokus. Verschiedene Modelle wurden entwickelt, die Onkolog*innen bei der Früherkennung von Erkrankungen unterstützen, die Entscheidungsfindung bei klinischen Diagnosen beschleunigen und die Zeit bis zur Behandlung oder Entwicklung neuer Therapien verkürzen sollen. Derzeit deuten aktuelle Studienergebnisse darauf hin, dass sich die klinische Anwendbarkeit der meisten entwickelten Algorithmen noch in einem Entwicklungsstadium befindet. Der Wert der aktuellen KI-Anwendungen liegen daher eher in der Erfassung und Extraktion klinischer Daten.
Analyse von Bildgebungsdaten, z.B. Mammographie, Lungenkrebsdetektion, Hautkrebsfrüherkennung
Pathologie und Genomik
Prädiktive Modelle, basierend z.B. auf Gesundheitsdaten
Analyse von Laborwerten - Biomarker
Analyse von Bildgebung:
Mustererkennung in MRT, CT, Röntgen
Pathologie und Gewebeanalysen
Prognose- und Risikobewertung aufgrund historischer Patientendaten:
Analyse historischer Patientendaten
Personalisierte Medizin aufgrund der Möglichkeit große Datenmengen zu analysieren
Überwachung und Anpassung der Therapie durch Analyse von Bildgebung, Labortests, Patientendaten, etc.
Strahlentherapie:
Optimierte Strahlendosis, präzisere Therapie um gesundes Gewebe zu schonen
KI Algorithmen zur Unterstützung von Tumorboards und bei der Therapieentscheidung
Medikamentenentwicklung
Personalisierte Informationen und Erinnerungen an Medikamenteneinnahme durch virtuelle Assistenten
Früherkennung von Risikopatient*innen, z.b Überwachungs- und Screeningtools
Automatisierung administrativer Aufgaben
Referenzen:
1 Duwe G. et al. Challenges and perspectives in use of artificial intelligence to support treatment recommendations in clinical oncology. Cancer Medicine. 2024;13:e7398
2 Lotter W. et al. Artificial Intelligence in Oncology: Current Landscape, Challenges, and Future Directions. Cancer Discov 2024;14:711-26.
3 Rösler W. et al. An overview and a roadmap for artificial intelligence in hematology and oncology. Journal of Cancer Research and Clinical Oncology 2023
Referenzen:
1 Annciello A. et al, IEEE, 2002, DOI: 10.1109/BIBM55620.2022.9995515
2 Zhang Y., Guo SL. et al, Chinese Medical Journal, 2016, DOI: 10.4103/0366-6999.178019
3 HulsenT. et al, Clin Chem Lab Med, 2023, https://doi.org/10.1515/cclm-2022-1096
4 https://www.europarl.europa.eu/news/de/headlines/society/20200827STO85804/was-ist-kunstliche-intelligenz-und-wie-wird-sie-genutzt (zuletzt aufgerufen am: 30.11.2023)
5 Alfonso J. et al, Academic Press, 2023, Pages 1-10, ISBN 9780323996471
6 Mahesh B., IJRS, 2020, DOI: 10.21275/ART20203995
7 Sharifani K., Amini M., World Information Technology and Engineering Journal, 2023, Available at SSRN: https://ssrn.com/abstract=4458723
8 Kim D.K. et al, Proc AMIA Symp, 1998
9 Diaconu C. et al, Diagnostics, 2023, https://doi.org/10.3390/diagnostics13040735
10 Ahmad H. et al, Intestinal Research, 2023, https://doi.org/10.5217/ir.2023.00020
11 Chang Y. et al, Gastroenterology Research and Practice, 2023, https://doi.org/10.1155/2023/3228832
12 Stidham R. and Takenaka K., Gastroenterology, 2022, https://doi.org/10.1053/j.gastro.2021.12.238
13 He J., Baxter S. et al, Nature Medicine, 2019, DOI: 10.1038/s41591-018-0307-0
14 Dilmaghani S. and Coelho-Prabhu N., Techniques and Innovations in Gastrointestinal Endoscopy, 2023, DOI: 10.1038/s41591-018-0307-0
15 https://www.europarl.europa.eu/news/de/headlines/society/20230601STO93804/ki-gesetzerste-regulierung-derkunstlichen-intelligenz (zuletzt aufgerufen am: 30.11.2023)
Mit Ihrem persönlichen Pfizermed Account haben Sie Zugriff auf exklusive Informationen und Services für Ärzt*innen, Apotheker*innen und weitere medizinische Fachkräfte in Österreich.
Für medizinische Anfragen via Telefon oder E-Mail, sowie Infos zu laufenden klinischen Studien & Pfizer Medikamenten in der Entwicklung, besuchen Sie unsere Pfizer Medical Information Seite.
Diese Website wird Ihnen bereitgestellt von Pfizer Corporation Austria GmbH, Wien
Urheberrecht © 2023 Pfizer Limited. Alle Rechte vorbehalten.
UID-Nummer: ATU 14 19 78 03