Verbesserung der Gesundheitsversorgung mit Machine Intelligence

Eine andere Krankheit, die hauptsächlich visuell diagnostiziert wird, ist Hautkrebs. ForscherInnen der Stanford University haben ähnliche KI-Techniken wie im vorherigen Beispiel angewendet, um KI zu trainieren Hautkrebs auf Fotos zu identifizieren [7]. Zu diesem Zweck haben sie rund 130.000 klinische Bilder verwendet und die Ergebnisse des KI-Systems mit Diagnosen von mehr als 20 DermatologInnen verglichen. Das System erzielt eine Leistung auf dem Niveau der ExpertInnen und beweist dadurch, dass KI Hautkrebs auf den Bildern genauso gut erkennen kann, wie erfahrene DermatologInnen. Diese Erkenntnis eröffnet neue Möglichkeiten, um die Reichweite von DermatologInnen außerhalb der Praxen und Kliniken zu vergrößern: Wenn Smartphones mit dem oben beschriebenen KI-System ausgestattet sind, kann jeder Smartphone-Besitzer seine Haut scannen, um potenziellen Hautkrebs zu erkennen und sich im Falle eines positiven Ergebnisses an eine Ärztin zu wenden. Da viele, die einen ungewöhnlichen Fleck auf ihrer Haut bemerken, ihn als Nichts abtun und nicht in die Arztpraxis gehen bis es zu spät ist, können solche Hautkrebs-Apps viele Leben retten! Tatsächlich gibt es bereits solche Lösungen auf dem Markt, z.B. die von der niederländischen Firma SkinVision [8]. Darüber hinaus können KI-gestützte Apps zur Identifizierung von Hautkrebs in Entwicklungsländern angewendet werden, in denen nur wenige DermatologInnen verfügbar sind oder sich weit entfernt von Orten befinden, an denen PatientInnen leben. Wenn beispielsweise in einem abgelegenen Dorf mindestens ein Smartphone mit der entsprechenden App verfügbar ist, können die BewohnerInnen ihre Haut regelmäßig auf Krebs scannen. Auf diese Weise kann in Entwicklungsregionen ein kostengünstiger und universeller Zugang zu lebenswichtiger Hautdiagnostik bereitgestellt werden.

​

Die visuelle Identifizierung von Krankheiten ist nicht das einzige Gebiet der medizinischen Diagnose, in dem MI angewendet werden kann. Ein Team chinesischer und US-amerikanischer ForscherInnen hat Machine Learning (ML) zur Analyse von großen Mengen verschiedenster, elektronischer Patientenakten verwendet, um ein System zu entwickeln, das elektronische Gesundheitsakten auf hypothetisch-deduktive Weise abfragen und analysieren kann, ähnlich wie es die ÄrztInnen während des Diagnoseprozesses tun [9]. Ihr System verwendet ML-basierte Verarbeitungstechniken für natürliche Sprache, um klinisch relevante Informationen aus digitalen Aufzeichnungen zu extrahieren und wurde an mehr als 100 Millionen Datensätzen pädiatrischer PatientInnen trainiert. Das System erreichte eine hohe diagnostische Genauigkeit über mehrere Organsysteme hinweg und ist vergleichbar mit erfahrenen KinderärztInnen bei der Diagnose häufiger Kinderkrankheiten. Dieses und ähnliche Systeme können ÄrztInnen dabei unterstützen, große Datenmengen zu verarbeiten, diagnostische Auswertungen zu erweitern und klinische Entscheidungsunterstützung bei diagnostischer Unsicherheit oder Komplexität bereitzustellen. Insbesondere für Regionen, in denen es an medizinischen ExpertInnen mangelt, können solche Systeme äußerst wertvoll sein.

​

​

Arzneimittelforschung

 

Der Entwicklungsprozess für ein neues Medikament ist herausfordernd, sehr zeitaufwändig und extrem teuer. Im Durchschnitt dauert die Entwicklung eines neuen Arzneimittels 10 bis 15 Jahre [10]. Gleichzeitig beträgt die durchschnittliche Erfolgsrate eines Wirkstoffentdeckungsprozesses nur 10%. Diese Tatsachen führen zu extrem hohen Entwicklungskosten für ein einzelnes Medikament mit einem geschätzten Median von 985 Millionen US-Dollar [11]. Insgesamt führt dies zu einem sehr langsamen und oft unrentablen Prozess der Arzneimittelentwicklung. Durch die automatisierte Analyse großer Datenmengen und die Identifizierung vielversprechenderer Medikamentenkandidaten können KI-Algorithmen dazu beitragen, die Entwicklungskosten zu senken, die Erfolgsrate zu erhöhen und den Entwicklungszyklus der Medizin zu beschleunigen.

​

Und tatsächlich gibt es bereits Medikamente, die mit Hilfe von KI entwickelt wurden: DSP-1181, ein Molekül des Medikaments zur Behandlung von Zwangsstörungen, wurde von KI erfunden und für einen Versuch am Menschen zugelassen [12]. Die Entwicklung dieses Arzneimittels dauerte nur 12 Monate. Ein weiteres Beispiel für die Verwendung von KI in der Arzneimittelentwicklung ist die Entdeckung von sechs neuen Inhibitoren des DDR1-Gens, eines Kinase-Ziels, das an Fibrose und anderen Krankheiten beteiligt ist [13]. Um dieses Ergebnis zu erzielen, benötigte das KI-System nur 21 Tage! Die entwickelten Substanzen wurden an Mäusen getestet und zeigten positive Ergebnisse.

​

Während der aktuellen COVID-19-Pandemie wird die KI in hohem Maße für die Erforschung potenzieller Medikamente und Impfstoffe eingesetzt [14]. In der Tat hat das Coronavirus einen wesentlichen Bedarf an schnelleren Entwicklungsprozessen für Arzneimittel und Impfstoffe gezeigt, da es laut WHO nicht die letzte Pandemie aufgrund sich verschärfender ökologischer Krisen sein wird [15].

​

​

Bewältigung der betrieblichen und organisatorischen Herausforderungen im Gesundheitswesen

 

Während die Patientenversorgung im Mittelpunkt jeder Gesundheitseinrichtung steht, werden ÄrztInnen und Krankenpflegepersonal häufig von ihrer Haupttätigkeit abgelenkt, da viele administrative Aufgaben und Formalitäten erledigt werden müssen, z. B. Terminplanung, Schadens- und Rechnungsverwaltung und Übertragung von Aufzeichnungen aus einem System zum anderen. Diese Aufgaben sind normalerweise ziemlich einfach, digitalisiert, regelbasiert und von hohem Volumen - ideale Voraussetzungen, um diese Prozesse unter Verwendung der Robotic Process Automation (RPA) zu automatisieren (z. B. [16] oder [17]). RPA ist eine Technologie, die „Software-Bots“ verwendet, die menschliche Benutzerinteraktionen mit einem digitalen System nachahmen können. Dies bedeutet, dass ein RPA-Bot auf einem Computer genau die gleichen Schritte ausführen kann, die eine Ärztin oder eine Krankenschwester ausführen würde. RPA-Systeme sind sehr flexibel, so dass jeder streng regelbasierte digitale Prozess, der derzeit von einem Menschen ausgeführt wird, von einem Bot automatisiert werden kann. Da RPA Software-Bots verwendet, sind keine Änderungen an der vorhandenen IT-Landschaft eines Krankenhauses erforderlich, so dass die Einführung dieser Innovation sehr einfach und erschwinglich ist. RPA kann auch mit anderen MI-Technologien wie KI und ML kombiniert werden, um komplexere, nicht deterministische Prozesse zu automatisieren. Insgesamt hilft RPA dabei, medizinisches Personal von eintönigem Papierkram zu befreien und ermöglicht es Krankenhauspersonal, sich auf das zu konzentrieren, was wirklich zählt - sich um die Gesundheit ihrer PatientInnen zu kümmern.

​

Eine weitere MI-Technik, die für operative Effizienz in Gesundheitseinrichtungen nützlich ist, ist Process Mining [18]. Während des Process Mining werden spezielle Algorithmen auf die sogenannten Logdaten angewendet - die Daten, die bei jeder Ausführung einer Aktivität im IT-System erfasst und gespeichert werden. Diese Algorithmen identifizieren Trends, Muster und Details in den Protokollen und bieten Einblicke in Prozessabläufe, Prozessengpässe und potenzielle Optimierungsmöglichkeiten. Process Mining ermöglicht es Unternehmen, ihre Prozesseffizienz zu verbessern und kann auch in Gesundheitseinrichtungen angewendet werden. Beispielsweise hat ein Team niederländischer ForscherInnen Process Mining für die Analyse der Arbeitsabläufe in der Onkologieabteilung eines niederländischen Krankenhauses angewendet [19], was als Proof-of-Concept für die Anwendung von Process Mining in Gesundheitseinrichtungen dient.    

 

      

MI-Gesundheitsanwendungen in Entwicklungsländern

 

MI-Technologien können auch zur Verbesserung der Gesundheitsversorgung in Entwicklungsländern eingesetzt werden. Zum Beispiel setzt ein indisches soziales Startup, Wadhwani AI, KI ein, um Tuberkulose zu bekämpfen. Tuberkulose-Hotspots werden normalerweise anhand des Einkommens und der Bevölkerungsdichte einer Region identifiziert. Dieser Bewertungsansatz ist jedoch sehr ungenau. Wadhwani AI hat ein System entwickelt, das detailliertere Merkmale gefährdeter Regionen ermittelt hat [20]. Mit diesem Ansatz ist es möglich, potenzielle Tuberkulose-Hotspots auch an nicht offensichtlichen Orten zu identifizieren. Derzeit arbeitet Wadhwani AI auch an einem KI-betriebenen System, das Tuberkulose anhand von Hustengeräuschen diagnostizieren kann. Da ein solches System auf einem Smartphone installiert werden kann, kann die Identifizierung potenzieller Erkrankten mit diesem Ansatz drastisch beschleunigt werden.

​

Ein weiteres Problem, das Wadhwani AI mithilfe von MI-Technologien angeht, ist die Identifizierung von Babys mit niedrigem Geburtsgewicht. Das geringe Gewicht eines Neugeborenen ist ein ernstes Problem. Wenn ein solches Baby nicht angemessen versorgt wird, kann es zu Wachstumsstörungen, niedrigerem IQ, Diabetes oder sogar zum frühen Tod führen. Leider werden Säuglinge in vielen Regionen der Welt bei der Geburt nicht oder ungenau gewogen. Wadhwani AI entwickelt aktuell ein KI-basiertes Anthropometrie-Tool für Smartphones, das ein 3D-Modell eines Säuglings erstellt und alle relevanten anthropometrischen Parameter schätzt. Mit diesem System können Freiwillige an vorderster Front in benachteiligten Regionen ohne spezielle Ausrüstung und Ausbildung Babys mit niedrigem Geburtsgewicht identifizieren. Dieses System wird derzeit in vier indischen Bundesstaaten in verschiedenen Umgebungen wie unterversorgten ländlichen Regionen, primären Gesundheitseinrichtungen und Krankenhäusern getestet.