KI – das Schmieröl in der Gesundheitstechnologie

Der Trend der letzten Jahre zeigt: einem immer schnelleren Zuwachs an Daten im Gesundheitswesen steht immer weniger klinisches Personal gegenüber. Prognosen zufolge steigt die Datenmenge innerhalb der nächsten sieben Jahre auf das 15-fache an. Das heißt, 2020 ist mit 2300 Exabyte medizinischer Daten zu rechnen, die alle analysiert werden wollen. Ein Exabyte entspricht einer Trillion (= 10¹⁸) Bytes oder einer Milliarde Gigabytes. Gleichzeitig sind fehlendes Fachpersonal und wachsender Kostendruck die Hauptproblemfelder in den Kliniken. KI könnte eine Lösung sein, indem sie Routineaufgaben, die keiner expliziten Expertise eines Fachmannes bedürfen, übernimmt und diese schneller und effektiver ausführt. Die so gewonnene Zeit können Ärzte wie Pflegende ihren eigentlichen Aufgaben widmen: Erbringung hochwertiger medizinischer Leistungen sowie individuelle Interaktion und Kommunikation mit den Patienten.

Zeitersparnis und Standardisierung

Dr. Timo Paulus ist Direktor Innovation and Business Development für die Region DACH der Philips GmbH.

Ein gutes Beispiel für den Einsatz von KI bei Routineaufgaben ist die Radiologie. Die manuelle Segmentierung des Herzens nimmt üblicherweise viel Zeit in Anspruch und ist im Wesentlichen eine Fleißarbeit. Mit KI kann dieser Prozess automatisiert und damit stark beschleunigt werden. Innerhalb von Sekunden liegt eine dynamische 3D-Segmentierung des Herzens mit all seinen anatomischen Strukturen vor – inklusive verschiedener Perspektiven und Volumina-Berechnungen im Zeitverlauf. Auch Schlagvolumina, Ejektionsfraktionen und andere funktionale Parameter lassen sich ableiten. Ein weiterer Vorteil neben der Zeitersparnis, ist die Standardisierung des Verfahrens. Das Problem individueller Abweichungen bei der manuellen Segmentierung durch Ärzte entfällt damit. Die Qualität der Bilder ist gleichbleibend gut. Davon können auch multizentrische Studien profitieren, die immer noch mit stark divergierenden Bildqualitäten zu kämpfen haben. Für Paulus steht dennoch eins fest: „Die mit KI generierten Bilder können bei der diagnostischen Entscheidung zwar unterstützen, die Deutung der klinischen Relevanz dessen, was detektiert wurde, bleibt aber beim Arzt.“

Voraussetzungen für KI

Für Paulus ist ein guter Algorithmus allein noch nicht zielführend. Eine klare klinische Fragestellung und vor allem qualitativ hochwertige Daten in großen Mengen sind mindestens genauso wichtig, soll die KI erfolgreich zum Einsatz kommen. Denn: Sind die Daten nicht ausreichend annotiert und strukturiert, nicht vergleichbar und unvollständig, so kann der beste Algorithmus kein gutes Ergebnis liefern. Und wie gelingt es, qualitativ hochwertige Daten zu bekommen? „Natürlich von den Experten, denn nur sie sind in der Lage, die Daten mit ihrer fachlichen Expertise anzureichern,“ so Paulus.

Qualitative Kontrolle

Zeitersparnis, Qualitätssicherung, Standardisierung und Vergleichbarkeit – das sind Vorteile, die auch für andere Prozesse genutzt werden können. Zum Beispiel wenn es darum geht, mithilfe von Patienteninformationen wie Alter, Gewicht, Größe, Geschlecht und Vorerkrankungen das ideale Untersuchungssetting festzulegen. Mit KI kann beispielsweise beantwortet werden, welche Modalität, welche Sequenz, welches Protokoll mit welchen Parametern bei einem bestimmten Patienten das beste Ergebnis liefern wird. Auch die Qualitätskontrolle der Bilder kann KI-gestützt erfolgen und Antwort auf folgende Fragen geben: Reicht sie für eine diagnostische Beurteilung oder kann die Bildqualität mit KI im Nachhinein verbessert werden, indem beispielsweise Artefakte und Bildrauschen reduziert und Kontraste verbessert werden?

(Noch) Zukunftsmusik

Perspektivisch sind weitere Entwicklungen denkbar. Zum Beispiel könnten die Bilddatensätze mit KI vorselektiert werden, so dass der Radiologe zunächst diejenigen zu sehen bekommt, zu deren Beurteilung und Einschätzung sein Expertenwissen unabdingbar ist. Der Experte wüsste dann genau, um welche Bilder er sich vordringlich zu kümmern hätte, um eine Entscheidung zu fällen. Der Realisierung dieser Anwendung steht im Moment vor allem die Herausforderung im Weg, dem Algorithmus den Ausschluss einer Erkrankung beizubringen. Denn zunächst muss erlernt und trainiert werden, was alles auftreten und detektiert werden kann, um dann zu bestimmen, was „nicht-erkrankt-sein“ ist. „Das ist alles andere als trivial und zurzeit ein großes Forschungsthema“, bestätigt Paulus. KI wäre dann in der Lage personelle Engpässe abzufedern – sei es in unterbesetzten Fachbereichen, wie zum Beispiel in der Pathologie oder Intensivmedizin, oder auch in ländlichen Regionen, in denen der Fachärztemangel momentan sehr groß ist.

Einsatz in der Administration

Wie lange halten sich Patienten in welcher Abteilung auf, wie ist die grundsätzliche Auslastung und wie an einzelnen Geräten? Durch die Erhebung und Analyse dieser und ähnlicher Prozessdaten kann mit KI Optimierungspotenzial auf der Verwaltungsebene identifiziert werden. „Um die Klinik gerätetechnisch für die Zukunft fit zu machen, bieten wir inzwischen KI-gestützte und sehr differenzierte Bedarfsanalysen an“, so Paulus. Dabei wird nicht nur die Ist-Situation betrachtet; zusätzlich fließen Prognosen zum zukünftigen Einzugsgebiet der Klinik, zu Krankheitsinzidenzen und -prävalenzen in der Region und andere Parameter mit ein.

KI jenseits der Klinik

Für Patienten mit peripherer, arterieller Verschlusskrankheit (pAVK) hat die KKH, gemeinsam mit Partnern ein innovatives Behandlungskonzept entwickelt. Das individuelle Gesundheitscoaching soll zeigen, ob sich damit das Fortschreiten der gefährlichen Gefäßerkrankung verzögern, wenn nicht sogar aufhalten lässt. Dafür bekommen die Teilnehmer einen Aktivitätstracker, der Informationen zu einem speziellen Gehtraining und zur Herzfrequenz erfasst. Mit Hilfe der gesammelten Daten entwickeln Gesundheitsberater gemeinsam mit den Betroffenen einen individuellen Plan, um Training und Ernährungsweise in Kombination mit der Medikation zu optimieren ‒ hin zu einem dauerhaft gefäßgesunden Lebensstil. Neben der kommunikativen Interaktion zwischen Arzt und Patient liefert sie auf Basis der Patientendaten gesundheitsrelevante Handlungsempfehlungen. Paulus abschließend: „Fehlende Schnittstellen und Standards erschweren zurzeit noch die Umsetzung solcher Projekte. Hier müssen wir zügig Regelungen finden, die DSGVO-konform sind und eine sinnvolle Aggregation und Interpretation der Daten zulassen.

Profil:

Dr. Timo Paulus hat Physik an den Universitäten Bonn und Heidelberg studiert. Seit 2015 ist er Director Innovation and Business Development DACH bei der Philips GmbH. Zuvor war General Manager für das Projekt TRANSLATE und Operations Manager des Zentrums für Biomedizintechnik von Philips Research sowie Wissenschaftlicher Mitarbeiter des Instituts für Theoretische Physik der Universität Heidelberg.

Veröffentlichung mit freundlicher Genehmigung der bender gruppe

30.05.2019

• Datenmanagement (336)
• IT (722)
• KI (432)
• Medizintechnik (703)

• Philips Healthcare