Von der Pflege bis zur Chirurgie: Wie Technologie im medizinischen Alltag helfen kann

Machine Learning und künstliche Intelligenz in der Medizin
Kommentare

Schon länger klagen nicht nur deutsche Krankenhäuser über einen Mangel an Fachpersonal und die daraus entstehende Arbeitsbelastung. Obwohl Technologie den vielbeklagten Ärztemangel nicht beheben wird, können neuste Entwicklungen in Machine Learning, künstlicher Intelligenz und Robotik dazu beitragen, medizinische Abläufe effizienter zu gestalten und das Patientenwohl zu fördern. In der ersten Hälfte dieses zweiteiligen Artikels widmen wir uns den Einsatzmöglichkeiten von Künstlicher Intelligenz im Gesundheitssektor.

Im Online-Archiv der Zeit findet sich ein 50 Jahre alter Artikel, der sich über die Idee des späteren Wirtschaftsnobelpreisträgers Herbert A. Simon, ein Computer könne jeden Menschen im Schach schlagen, milde amüsiert zeigt. Nach spektakulären Anfangserfolgen seien „freilich“, so der Autor Thomas v. Randow im Jahr 1966, „keine wesentlichen Fortschritte mehr erzielt worden.“ Nun war Simons Schätzung, dass bereits 1967 ein Computer in der Lage sein werde, jeden menschlichen Gegner im Schach zu besiegen, tatsächlich etwas optimistisch. Bis der Rechner Deep Blue den damaligen Weltmeister Garri Kasparow über die Länge eines kompletten Wettkampfs besiegen konnte, vergingen jedenfalls noch 30 Jahre.

KI-Helden: Deep Mind und Watson

Im März dieses Jahres sorgte die Google Tochterfirma DeepMind für Aufsehen, weil ihre KI AlphaGo den Weltranglistenvierten im Brettspiel Go besiegen konnte. Go gilt als noch komplexer als Schach. Zuvor hatte Google angekündigt, sich zukünftig praktischeren Anwendungsfeldern zuzuwenden und sich im Gesundheitswesen engagieren zu wollen. Zusammen mit dem britischen National Health Service hat man dazu zunächst eine App entwickelt, die Medizinern frühzeitig Informationen über akute Nierenschäden bei ihren Patienten übermittelt. Allerdings nutzt die Streams genannte App im Gegensatz zu AlphaGo noch keine KI-Techniken.

Bis diese Technologien Eingang in den medizinischen Alltag finden, dürfte aber nicht mehr allzu viel Zeit vergehen. Neben Google will auch IBM seine KI Watson im Gesundheitssektor einsetzen; das dürfte dem Fortschritt weiteren Schwung verleihen. Doch was genau kann künstliche Intelligenz im Gesundheitswesen leisten?

Diagnose: Datenhunger

Vor allem durch die Wiederentdeckung des sogenannten Maschinellen Lernens oder Machine Learning hat die KI-Forschung in den letzten Jahren gewaltige Fortschritte gemacht, die insbesondere bei der Diagnose von Krankheiten dienlich sein könnten. Die Fütterung eines neuronalen Netzwerks mit Daten aus elektronischen Patientenakten erlaubt es diesem, Muster zu erkennen und konkrete Behandlungs- bzw. Medikationsstrategien vorzuschlagen.

Der Firma Modernized Medicine ist etwa eine Partnerschaft mit IBMs Supercomputer Watson eingegangen, um in ihren Apps mehr als nur ein Ranking der beliebtesten Behandlungsmethoden anzeigen zu lassen. Ziel ist es, auf Basis elektronischer Patientenakten sogenannte Patterns, also Muster, zu finden, um konkretere Behandlungsmethoden empfehlen zu können. Für den individuellen Betroffenen soll eine individuelle Lösung gefunden werden.

Machine-Learning-Beispiele

Eine Medizin-App könnte nicht nur eine Warnung ausgeben, wenn der Arzt ein Medikament verschreiben möchte, für das eine Unverträglichkeit in der Krankenakte vermerkt ist. Sie könnte weiter noch darauf hinweisen, dass der Patient eine genetische Eigenschaft aufweist, die die Wirksamkeit des Medikaments einschränkt. Diese Information entnehmen KIs schon heute dem Studium zahlreicher Fachpublikationen oder indem sie Datenbanken mit unzähligen Behandlungsverläufen anderer Patienten durchforsten. Stellt das Programm bestimmte Muster fest – gleiche genetische Eigenschaft, gleiche Medikation, gleiche (in diesem Fall negative) Ergebnisse –, empfiehlt es einen alternativen Heilungsansatz.

Vorstellbar ist außerdem, dass die KI Vorhersagen trifft und entsprechende Medikamente vorschlägt, die in Zukunft für einen Patienten wichtig sein könnten. Sie könnte desweiteren kurze Zusammenfassungen der Krankengeschichte liefern und noch dazu je nach Symptomen Infos hervorheben, die in den Tiefen der Patientenakten versteckt sind. Sozioökonomische und demographische Daten können ebenfalls berücksichtigt werden. Bereits jetzt sind neuronale Netzwerke bei der Früherkennung von Brustkrebs behilflich, wie der KI-Forscher Jürgen Schmidhuber beschreibt:

Unsere neuronalen Netzwerke haben Wettbewerbe gewonnen, bei denen es darum ging, zu lernen, auf Mikroskopbildern von Brustgewebe Vorstufen von Krebszellen zu erkennen, ebenso wie ein erfahrener Histologe. Das Ergebnis wird eine immer besser funktionierende Krebsfrüherkennung sein. Über dieses Prinzip – der stets hinzulernenden Mustererkennung – können natürlich genauso Röntgenbilder oder Fotos analysiert werden.

Technische Grenzen der KI

Diese Technologien sind jedoch noch nicht vollständig ausgereift. Stärker noch als mit Fotografien und Röntgenbildern haben künstliche Intelligenzen derzeit Probleme mit Sprache und Schrift. Der Ärzteschaft wird bekanntlich ein Hang zur sprichwörtlichen „Sauklaue“ nachgesagt, die den Maschinen erst recht zu schaffen macht. Worunter sie jedoch noch mehr leiden, ist Datenmangel. Patientendaten sind sehr sensibel, mit denen im Zeitalter von Datenleaks und Sicherheitslücken glücklicherweise äußerst sorgsam umgegangen wird.

Ohne die Datenmengen, auf die bspw. Facebook zugreifen kann, funktioniert Machine Learning allerdings nur eingeschränkt. Neuronale Netzwerke müssen trainiert werden: bevor sie ein Haus erkennen bzw. Kriterien dafür aufgestellt haben, müssen ihnen tausende Bilder von Häusern gezeigt werden. Im Gesundheitswesen liegt die notwendige Masse an Daten nicht vor, sei es wegen datenschutzrechtlicher Bestimmungen, mangelnder Kompatibilität der Datenbanken untereinander oder wegen veralteter (soll heißen: analoger) Verwaltungsmethoden.

Smart Hospital

Gelänge es, eine umfassende, datensensible Digitalisierung des Gesundheitsbetriebs durchzusetzen, würde das Krankenhauspersonal erheblich entlastet. Neben den oben geschilderten, effektiveren Diagnose- und Dokumentationsverfahren böte sich zusätzlich die Möglichkeit, KIs mit IoT-Netzwerken kurzzuschließen. Durch zentralisierte Geräteüberwachung könnten Biodaten in Echtzeit übertragen und von einer KI analysiert werden. Auch basale Funktionen der Krankenhausorganisation, z.B. die Überwachung des Materialverbrauchs, ließen sich an Computer überantworten.

Denkbar wäre außerdem, die dezentrale medizinische Versorgung für immobile Patienten oder sogar für solche, die tausende Kilometer weit entfernt befinden, auszuweiten. Dort wo Fachärzte und moderne Analyseinstrumente fehlen, reicht es vielleicht bald, ein Foto oder einen Satz Blutwerte online an ein Rechenzentrum zu schicken und die Diagnose abzuwarten. Gerade in medizinisch unterversorgten (Welt-)Regionen könnten so Leben gerettet werden.

Fazit

Neuronale Netzwerke, Supercomputer und Machine Learning bieten also noch ungenutzte Potentiale, um Ärzte zu entlasten und Krankheiten besser zu erkennen. Gerade weil die Gesundheitssysteme durch Überalterung der Gesellschaft, Finanzengpässe sowie anwachsende (analoge wie digitale) Datenbergen vor großen Herausforderungen stehen, wird der Einsatz moderner Technologien immer unumgänglicher. Das wird womöglich dazu führen, auch Roboter verstärkt im medizinischen Alltag einzusetzen. Damit wird sich Teil 2 des Artikels beschäftigen.

Aufmacherbild: Medicine doctor hand working with modern computer interface von Shutterstock / Urheberrecht: everything possible

Unsere Redaktion empfiehlt:

Relevante Beiträge

Meinungen zu diesem Beitrag

X
- Gib Deinen Standort ein -
- or -