｜

Published on Juli 22, 2023

Wichtige Punkte

Künstliche Intelligenz (KI) definiert Diagnostik und personalisierte Therapie durch Tools wie maschinelles Lernen, Computer Vision und natürliche Sprachverarbeitung neu.
KI-gestützte Systeme haben die Diagnosegenauigkeit in Bereichen wie Radiologie, Dermatologie, Kardiologie und Onkologie verbessert.
Dank KI-basierter Arzneimittelforschung, Genomik und Wearable-Technologie wird die personalisierte Therapie immer anpassungsfähiger und präziser.
Die Integration von KI in das Gesundheitswesen wirft ethische, regulatorische und logistische Fragen auf, darunter Vorurteile, Datenschutz und das Vertrauen der Ärzte.
Die Umsetzung in der Praxis zeigt sowohl vielversprechende Ergebnisse als auch Widerstände; die Zukunft der KI in der Medizin hängt von der Zusammenarbeit zwischen Mensch und KI sowie einer klaren behördlichen Aufsicht ab.

Eine Revolution, die Sie nicht ignorieren können

Im Jahr 2016 schockierte Googles DeepMind die medizinische Welt, als sein KI-System bei der Erkennung von mehr als 50 Augenerkrankungen anhand von Netzhautscans besser abschnitt als erfahrene Radiologen und eine Genauigkeit von 94 % bei der Einstufung dringender Fälle erreichte – dabei wurden oft Befunde erkannt, die menschlichen Ärzten entgangen waren (De Fauw et al., 2018). Heute analysiert KI nicht mehr nur Bilder. Sie sagt Herzprobleme voraus, erkennt Krebs früher und leitet Therapien auf der Grundlage der individuellen Biologie.

Künstliche Intelligenz im Gesundheitswesen ist keine Science-Fiction – sie ist heute ein wichtiger Partner bei der Diagnose und Entscheidungsfindung. Aber mit ihrem Potenzial gehen auch kritische Fragen einher: Können wir Algorithmen Entscheidungen über Leben und Tod anvertrauen? Wer stellt sicher, dass diese Tools fair und sicher sind? Dieser Artikel untersucht, wie KI das Gesundheitswesen verändert – und was auf dem Spiel steht, wenn wir dabei Fehler machen.

Was ist KI im Gesundheitswesen eigentlich wirklich?

Im Kern bezieht sich KI im Gesundheitswesen auf Computersysteme, die menschliche Intelligenz simulieren, um Erkenntnisse aus medizinischen Daten zu gewinnen. Diese Systeme lassen sich in folgende Kategorien einteilen:

Maschinelles Lernen (ML): Wird verwendet, um Krankheitsrisiken oder -verläufe durch Training mit riesigen Datensätzen vorherzusagen (Jiang et al., 2017).
Tiefes Lernen: Besonders nützlich für die Bildinterpretation, beispielsweise in der Radiologie und Dermatologie.
Natürliche Sprachverarbeitung (NLP): Wird verwendet, um Erkenntnisse aus elektronischen Patientenakten (EMRs), Forschungsarbeiten und Arztberichten zu gewinnen (Shickel et al., 2018).
Computersicht: Ermöglicht es KI, diagnostische Bilder wie Röntgenaufnahmen oder pathologische Präparate zu interpretieren.

Diese Technologien haben sich dank leichter zugänglicher Rechenleistung und digitalisierter medizinischer Daten von regelbasierten Systemen in den 1980er Jahren zu den heutigen datengesteuerten Modellen weiterentwickelt.

Diagnose mit präziserer Genauigkeit als je zuvor

KI übertrifft den Menschen bereits bei bestimmten diagnostischen Aufgaben. Eine Studie aus dem Jahr 2020 in Natur enthüllte, dass das Deep-Learning-Modell von Google Health bei Brustkrebsvorsorgeuntersuchungen im Vergleich zu sechs erfahrenen Radiologen die Zahl der falsch-positiven Befunde um 5,7 % und die Zahl der falsch-negativen Befunde um 9,4 % reduzierte (McKinney et al., 2020).

In Notfällen helfen Plattformen wie Aidoc medizinischem Fachpersonal dabei, Lungenembolien oder Schlaganfälle innerhalb weniger Minuten zu erkennen – wodurch die Zeit bis zur Behandlung verkürzt und die Überlebensraten verbessert werden (Aidoc, 2023). Tempus kombiniert Pathologie, elektronische Patientenakten und Genomik, um Entscheidungen zur Krebstherapie zu unterstützen, insbesondere in komplexen Fällen.

Auch die Dermatologie erlebt einen Wandel. KI-Modelle, die anhand Tausender Bilder von Hautveränderungen trainiert wurden, können laut einer Studie aus dem Jahr 2020 Melanome mit einer Genauigkeit erkennen, die mit der von Dermatologen vergleichbar ist oder diese sogar übertrifft. Lancet Digitale Gesundheit Studie (Tschandl et al., 2020).

Von Einheitslösungen zu maßgeschneiderten Therapien

KI revolutioniert den Übergang von reaktiver zu proaktiver Pflege:

Arzneimittelforschung: Unternehmen wie Insilico Medicine nutzen KI, um zu modellieren, wie Medikamente mit der menschlichen Biologie interagieren, wodurch die Entdeckung beschleunigt und die F&E-Kosten gesenkt werden (Zhou et al., 2021).
Genomik: DeepMinds AlphaFold löste das seit Jahrzehnten bestehende Problem der Vorhersage der Proteinfaltung mit nahezu laborgenauer Genauigkeit und ermöglichte damit neue Einblicke in entzündliche Darmerkrankungen, Autoimmunerkrankungen und die Biologie von Krebserkrankungen (Senior et al., 2020).
Tragbare Geräte: Intelligente Technologien verfolgen nun biometrische Daten und lösen in Echtzeit Interventionen aus. So werden beispielsweise KI-gesteuerte vagale Neuromodulationssysteme erforscht, um das psychische Gleichgewicht dynamisch zu unterstützen, Traumasymptome zu reduzieren und Schlafprobleme zu lindern (Fauver et al., 2021).

Personalisierte Medizin, die von KI gesteuert wird, steigert nicht nur die Wirksamkeit, sondern reduziert auch Nebenwirkungen, indem sie die spezifische Genetik, Begleiterkrankungen und das Verhalten des Anwenders berücksichtigt.

Ethische, klinische und regulatorische Hürden

Die KI-Revolution bringt jedoch echte Herausforderungen mit sich.

Verzerrungen in Datensätzen: Ein in US-Krankenhäusern weit verbreitetes KI-Tool unterschätzte systematisch den Pflegebedarf schwarzer Nutzer, indem es sich auf historische Gesundheitsausgaben statt auf klinische Daten stützte (Obermeyer et al., 2019).
Erklärbarkeit: Die meisten KI-Modelle, insbesondere tiefe neuronale Netze, gelten als „Black Boxes“, was es schwierig macht, ihre Entscheidungen zu erklären – ein Hindernis für das Vertrauen in der klinischen Praxis (Doshi-Velez & Kim, 2017).
Datenschutz: Die Einhaltung der HIPAA- und DSGVO-Vorschriften ist besonders komplex, wenn KI-Tools auf Echtzeit-Datenströme zugreifen.
Regulatorische Aufsicht: Die FDA hat mehrere KI-basierte Tools, darunter IDx-DR für die diabetische Augenuntersuchung, im Rahmen ihres Software as a Medical Device (SaMD)-Rahmenwerks zugelassen (FDA, 2020).

Die Zulassungskriterien variieren jedoch weltweit. Während die USA und die EU adaptive Pfade für KI-Tools entwickeln, fehlen in den meisten Ländern noch immer solide Regulierungsentwürfe.

Abonnieren Sie kostenlos weitere aufschlussreiche Gesundheitsartikel, die auf Ihre Bedürfnisse zugeschnitten sind.

Sind die Angehörigen der Gesundheitsberufe mit an Bord?

Das kommt darauf an. In einem 2023 Stanford Medizin Laut einem Bericht gaben 85 % der medizinischen Fachkräfte an, dass KI dazu beitragen könnte, den Dokumentationsaufwand zu reduzieren, aber nur 38 % vertrauten ihr bei der Diagnosestellung (Stanford Medicine Gesundheitsbericht 2023).

Der Widerstand rührt häufig von Bedenken hinsichtlich Störungen des Arbeitsablaufs, Schulungsbedarf und Haftung her. Allerdings gewinnen kollaborative Modelle, bei denen KI das klinische Urteilsvermögen unterstützt, aber nicht außer Kraft setzt, zunehmend an Beliebtheit. Einrichtungen wie die Mayo Clinic und die Cleveland Clinic entwickeln derzeit gemeinsam mit Ärzten KI-Lösungen, um deren Relevanz und Nutzbarkeit sicherzustellen.

Die Zukunft: Was kommt als Nächstes?

Was liegt vor uns?

Generative KI Tools wie ChatGPT und Med-PaLM werden derzeit für die Dokumentation, Entscheidungsunterstützung und Patientenaufklärung getestet (Singhal et al., 2022).
Verbundendes Lernen ermöglicht das Training von KI-Modellen über dezentrale Datenquellen hinweg – wodurch Datenschutzrisiken minimiert und gleichzeitig die Genauigkeit verbessert werden.
KI in der psychischen Gesundheit: Tools zur Analyse von Stimme, Text oder Mimik könnten bald Traumata, ängstliche Gedanken oder depressive Zustände erkennen, bevor Symptome sichtbar werden (Guntuku et al., 2017).

Doch trotz all ihrer vielversprechenden Aussichten muss KI ihren Wert nicht nur in Laborstudien, sondern auch in der Praxis unter Beweis stellen – unter vielfältigen Anwendern, mit unvollständigen Daten und unter Zeitdruck stehenden medizinischen Fachkräften.

Wie geht es nun weiter?

Künstliche Intelligenz hat das Potenzial, nahezu jeden Aspekt der modernen Medizin zu verbessern – allerdings nur, wenn sie von Transparenz, Fairness und Ethik geleitet wird. Medizinische Fachkräfte sollten nach Tools suchen, die ihre Arbeitsabläufe verbessern, ohne sie zu verkomplizieren. Politische Entscheidungsträger müssen sich für faire, nachvollziehbare und sichere Systeme einsetzen. Und Nutzer haben ein Recht darauf, zu erfahren, wie Algorithmen ihre Behandlung beeinflussen.

Weitere Informationen zu zugelassenen medizinischen KI-Tools finden Sie unter SaMD-Einträge der FDA oder erkunden Sie die World Health Organization’s 2021 guidance on AI ethics in health.

Quellen

De Fauw, J., et al. (2018). Clinically applicable deep learning for diagnosis and referral in retinal disease. Nature Medicine. https://www.nature.com/articles/s41591-018-0107-6
McKinney, S. M., et al. (2020). International evaluation of an AI system for breast cancer screening. Nature. https://www.nature.com/articles/s41586-019-1799-6
Aidoc (2023). Case Studies and Clinical Impact. https://www.aidoc.com/resources/
Tschandl, P., et al. (2020). Human–computer collaboration for skin cancer recognition. The Lancet Digital Health. https://www.thelancet.com/journals/landig/article/PIIS2589-7500(19)30200-8/fulltext
Zhou, Y., et al. (2021). AI in drug discovery: Insights and challenges. Drug Discovery Today. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8056493/
Senior, A. W., et al. (2020). AlphaFold: Protein structure prediction. Nature. https://www.nature.com/articles/s41586-020-2649-2
Fauver, J. R., et al. (2021). Neuroadaptive therapy platforms in mental health. PubMed. https://pubmed.ncbi.nlm.nih.gov/34545342/
Obermeyer, Z., et al. (2019). Dissecting racial bias in an algorithm used to manage population health. Science. https://www.science.org/doi/10.1126/science.aax2342
Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. https://arxiv.org/abs/1702.08608
FDA (2020). Software as a Medical Device (SaMD). https://www.fda.gov/medical-devices/digital-health-center-excellence/software-medical-device-samd
Stanford Medicine (2023). Health Trends Report. https://med.stanford.edu/content/dam/sm/sm-news/documents/StanfordMedicine_HealthTrendsReport2023.pdf
Singhal, K., et al. (2022). Med-PaLM: Large Language Models in Medicine. https://arxiv.org/abs/2302.07081
Guntuku, S. C., et al. (2017). Detecting mental health from social media. Journal of Medical Internet Research. https://www.jmir.org/2017/5/e75/

Der Artikel stellt in keiner Weise eine medizinische Beratung dar. Bitte konsultieren Sie einen zugelassenen Arzt, bevor Sie eine Behandlung beginnen. Diese Website kann Provisionen für die in diesem Artikel erwähnten Links oder Produkte erhalten.