Maschinelles Lernen und künstliche Intelligenz spielen im Gesundheitswesen eine immer wichtigere Rolle. Ein Arzt postete auf Sermo, dass diese Technologien “großes Potenzial haben, aber ein wenig beängstigend [sind].”
Viele Ärztinnen und Ärzte teilen diese Meinung. Obwohl das maschinelle Lernen bemerkenswerte klinische und institutionelle Fortschritte ermöglicht hat, ist weitgehend ungewiss, wie es die Medizin weiter verändern wird.
Als Sermo jedoch Ärztinnen und Ärzte in den USA fragte, welche Rolle KI und maschinelles Lernen in der Diagnostik in den nächsten fünf Jahren spielen würden, gab die Mehrzahl (57 %) an, dass sie sich in vielen Fachgebieten zu einem Routinebestandteil entwickeln würden.
Betrachten wir das aktuelle Umfeld des maschinellen Lernens im Gesundheitswesen, einschließlich der Frage, was maschinelles Lernen wirklich ist und wie Führungskräfte im Gesundheitswesen darauf reagieren.
Was ist maschinelles Lernen im Gesundheitswesen?
Das Ziel von Systemen für maschinelles Lernen ist es, anhand von Daten zu lernen und genaue Vorhersagen zu treffen – ohne eine explizite Programmierung. Die Modelle für maschinelles Lernen lassen sich in vier große Kategorien einteilen: beaufsichtigtes, unbeaufsichtigtes, verstärkendes und semi-beaufsichtigtes Lernen.
So lassen sich die einzelnen Modelle auf die Medizin anwenden:
Beaufsichtigtes maschinelles Lernen
Beaufsichtigte Modelle trainieren anhand von gekennzeichneten Daten, wobei jeder Input über einen entsprechenden bekannten Output verfügt. Während des Trainings passen diese Systeme automatisch interne Parameter an, um Diskrepanzen zwischen den prognostizierten und tatsächlichen Ergebnissen zu minimieren. Dadurch wird eine Funktion erzeugt, die neuen Input auf der Grundlage von erlernten Beziehungen zuverlässig in genauen Vorhersagen abbildet.
Klinikärzte könnten ein beaufsichtigtes maschinelles Lernmodell zum Beispiel anhand von Tausenden gekennzeichneten Mammographiebildern trainieren, um Brustkrebs zu erkennen. Das Modell lernt dann, subtile Muster zu erkennen, die mit Malignität verbunden sind, indem es seine Vorhersagen mit den bestätigten Diagnosen von Radiologen vergleicht.
Das Erstellen eines beaufsichtigten Modells umfasst die folgenden Schritte, die im Großen und Ganzen mit denen anderer Modellkategorien übereinstimmen:
- Definieren Sie die Forschungsfrage.
- Erheben Sie relevante Daten.
- Teilen Sie die Daten in Trainings- und Testdatensätze auf und führen Sie eine Aufbereitung der Daten durch.
- Trainieren Sie das Modell mithilfe des Algorithmus für die Trainingsdaten.
- Bewerten Sie die Leistung des Modells anhand der Testdaten.
Unbeaufsichtigtes maschinelles Lernen
Unbeaufsichtigte Systeme verarbeiten nicht gekennzeichnete Daten, um natürliche Muster oder Gruppierungen zu identifizieren. Sie untersuchen die Struktur der Daten, um Ähnlichkeiten, Unterschiede oder Beziehungen zu erkennen — wobei die Informationen ohne vordefinierte Kennzeichnungen organisiert werden. Ein unbeaufsichtigtes Modell könnte beispielsweise anonymisierte Patientenakten gruppieren, um versteckte Untergruppen mit gemeinsamen Symptommustern aufzudecken.
Verstärkendes Lernen
Das verstärkende Lernen trainiert ein System (Agent), um Entscheidungen anhand der Interaktion mit der Umwelt zu treffen. Der Agent ergreift Maßnahmen, um Ziele zu erreichen, und erhält Belohnungen oder Strafen auf der Grundlage vordefinierter Messgrößen. Durch Versuch, Irrtum und Feedback verfeinert es iterativ seine Strategien, um kumulative Belohnungen zu maximieren, ineffektive Verhaltensweisen zu verwerfen und optimale Verhaltensweisen zu verstärken.
Semi-beaufsichtigtes Lernen
Beaufsichtigtes, unbeaufsichtigtes und verstärkendes Lernen sind die drei primären Modelle für das maschinelle Lernen. Semi-beaufsichtigte Lernmodelle sind eine weniger häufige, spezialisierte Form.
Semi-beaufsichtigte Lernmodelle enthalten Komponenten des beaufsichtigten und unbeaufsichtigten Lernens. Datenwissenschaftler trainieren diese Modelle anhand eines kleineren gekennzeichneten Datensatzes (beaufsichtigtes Lernen) im Vergleich zu einem größeren, nicht gekennzeichneten Datensatz (unbeaufsichtigtes) – die gekennzeichneten Daten leiten das Lernen des Modells an. Dies ist besonders vorteilhaft in Situationen, in denen gekennzeichnete Daten begrenzt und nicht gekennzeichnete Daten problemlos verfügbar sind.
Maschinelles Lernen, künstliche Intelligenz und Deep Learning
Menschen verwenden die Begriffe künstliche Intelligenz (KI) und maschinelles Lernen im Gesundheitswesen oftmals untereinander austauschbar. Einige bezeichnen KI und ML auch als Deep Learning. Deep Learning ist jedoch eine Untergruppe des maschinellen Lernens, während maschinelles Lernen eine Untergruppe der künstlichen Intelligenz ist.
Künstliche Intelligenz bezieht sich auf die umfassendere Domain von Systemen, die sich der menschlichen Intelligenz annähern, sei es durch vorprogrammierte Regeln oder adaptive Lerntechniken. Maschinelles Lernen stützt sich ausschließlich auf datengesteuerte Algorithmen ohne explizite Programmierung.
Deep Learning-Modelle nutzen künstliche neuronale Netze mit mehreren (tiefen) Schichten, um automatisch hierarchische Repräsentationen aus Daten zu extrahieren. Dadurch können diese Modelle unstrukturierte Daten schnell und präzise verarbeiten.
Jedes maschinelle Lernen trägt zur künstlichen Intelligenz bei, aber nicht alle Systeme der künstlichen Intelligenz nutzen maschinelles Lernen – einige verwenden regelbasierte oder symbolhafte Schlussfolgerungen. Ähnliches gilt für die Beziehung zwischen maschinellem Lernen und Deep Learning. Alle Deep Learning-Systeme tragen zu maschinellen Lernmodellen bei, aber nicht umgekehrt.
Erkennen Branchenführer die Vorteile von maschinellem Lernen im Gesundheitswesen?
Sermo hat mehr als 100 Entscheidungsträger im Gesundheitswesen in den USA befragt. Die meisten erkennen die mittel- bis langfristigen Vorteile des maschinellen Lernens. Während 91 % der Meinung sind, dass maschinelles Lernen innerhalb von fünf Jahren von grundlegender Bedeutung sein wird, erwarten nur 33 % kurzfristige Vorteile.
Im Hinblick auf die aktuellen Übernahmetrends verfolgen 45 % der Führungskräfte aktiv die Branchentrends bezüglich des maschinellen Lernens, während nur 25 % diese Systeme übernommen haben. Viele aus dieser Gruppe der Führungskräfte, die das maschinelle Lernen nicht übernommen haben, erkennen verpasste Entwicklungsmöglichkeiten an.
3 wichtige Anwendungen des maschinellen Lernens im Gesundheitswesen
Medizinische Bilddiagnose, personalisierte Medizin und Automatisierung der Verwaltung sind drei Anwendungen, die zu beachten sind. Hier erfahren Sie, wie sie funktionieren und Sie sehen Beispiele für maschinelles Lernen im Gesundheitswesen und wie es eingesetzt wird.
1. Diagnose anhand der medizinischen Bildgebung
Deep Learning-Modelle im Gesundheitswesen analysieren Bilder, um Pathologien zu erkennen. Diese Modelle weisen neben anderen Fachgebieten insbesondere praktikable dermatologische, neurologische und onkologische Anwendungsfälle auf. Maschinelle Lernmodelle können sogar mit der diagnostischen Leistung von Spezialisten mithalten.
Aufbauend auf dieser Idee merkte ein Sermo-Mitglied an: “Künstliche Intelligenz (KI) und maschinelles Lernen ermöglichen es digitalen Zwillingen, anhand großer Datensätze zu lernen, Vorhersagen zu verfeinern und Empfehlungen zu geben. Algorithmen des maschinellen Lernens können beispielsweise die Heterogenität von Tumoren analysieren und die Therapieresistenz vorhersagen… Aufgrund des technologischen Fortschritts und der Beseitigung von Barrieren werden diese digitale Zwillinge wahrscheinlich zu einem integralen Bestandteil der modernen onkologischen Praxis.”
Einige Ärzte sind jedoch skeptisch. Einer Umfrage unter Sermo-Mitgliedern in den USA zufolge sagen 71 % der Ärztinnen und Ärzte, dass das Risiko von Fehldiagnosen aufgrund eines übermäßigen Vertrauens in KI die größte Einschränkung dieser Technologien darstellt.
2. Personalisierte Medizin
Maschinelles Lernen ist für die Weiterentwicklung der personalisierten Medizin von zentraler Bedeutung. Die Entwicklung der Präzisionsmedizin ging mit der zunehmenden Verfeinerung der Modelle für maschinelles Lernen einher.
Ein Sermo-Mitglied und Stomatologe sprach über einen Aspekt der Rolle des maschinellen Lernens in der personalisierten Medizin und sagte: “Dieser Trend, der vor Jahren begonnen hat, wurde durch die Tatsache verstärkt, dass KI-Systeme bis 2025 in der Lage sein sollen, selbstständig auf spezifische Fragen von Patienten zu reagieren, insbesondere nach der Gesundheitskrise. Auf diese Weise kann sich die Gesundheit zu einer vollständig personalisierten Betreuung entwickeln.“
3. Automatisierung der Verwaltungsabläufe
Wie in anderen übergeordneten Kategorien bietet maschinelles Lernen verschiedene Anwendungsfälle in der klinischen Verwaltung: Automation der Abrechnung, Bearbeitung von Versicherungsansprüchen, Terminplanung und Aktenmanagement, um nur einige zu nennen. Diese Anwendungsfälle führen zu Kosteneinsparungen, reduzieren menschliche Fehler, minimieren den manuellen Aufwand und optimieren die betrieblichen Abläufe.
Ein Arzt erläutert auf Sermo: “[Maschinelles Lernen] gewinnt sicherlich an Dynamik im Gesundheitswesen, wo es nicht nur für die Forschung eingesetzt wird, um Entdeckungen zu machen, sondern auch, um Teilnehmer für klinische Studien zu rekrutieren und diese aufzunehmen; für Praxen zur Automatisierung administrativer und betrieblicher Aufgaben, zur Erstellung von Vorhersagen, zur Unterstützung der Patientenversorgung und -diagnose, zur Bereitstellung personalisierter Behandlungen; und mehr.”
Herausforderungen des maschinellen Lernens im Gesundheitswesen
Die Heterogenität der Daten und die klinische Akzeptanz sind zwei der größten Herausforderungen, mit denen der Gesundheitssektor konfrontiert ist. Beides trägt dazu bei, dass sich die Einführung in den Einrichtungen verzögert.
Heterogenität, Quantität und Qualität der Daten
Die Algorithmen für das maschinelle Lernen stützen sich auf große, qualitativ hochwertige, standardisierte Datensätze. Heterogene, voreingenommene oder unvollständige Daten verfälschen die Vorhersagen des maschinellen Lernens. Zu den Ursachen dieses Problems gehören:
- Variationen in eGA-Systemen und Dokumentationsstandards
- Fehlende Datenmechanismen
- Die Priorisierung der Gesundheitsversorgung durch Gesundheitsdienstleister gegenüber der Datenstandardisierung
- Schlecht gekennzeichnete oder falsch klassifizierte Krankheiten oder Beschwerden, die mehrere zugrunde liegende Endotypen umfassen
Ein Arzt auf Sermo erläutert dies näher: “Maschinelles Lernen könnte dazu beitragen, Menschen zu identifizieren, bei denen das Risiko unerwünschter Folgen besteht, wenn Opioide verschrieben werden, wie neue Forschungsergebnisse nahelegen. Forscher an der University of Alberta in Kanada haben damit begonnen, eine Form von künstlicher Intelligenz zu verwenden, um das Risiko eines Patienten für einen Besuch in der Notaufnahme, einen Krankenhausaufenthalt oder Tod innerhalb von 30 Tagen nach dem Einlösen eines Opioid-Rezepts abzuschätzen… Wie bei jeder KI verbessert sich die prognostische Leistung im Laufe der Zeit, je mehr Daten eingegeben werden, die bestimmte Populationen repräsentieren und mit denen die KI trainiert wird, was zu einer effektiveren Verordnung von Opioiden führt.”
Klinische Übernahme
Medizinische Einrichtungen geben als größte Bedenken bezüglich der Übernahme das Risiko für Prognosefehler, Datenschutz, Sicherheit, mangelnde Interpretierbarkeit und Komplexität an. Einige Ärztinnen und Ärzte teilen ähnliche Meinungen. Bei einer Sermo-Umfrage unter Ärztinnen und Ärzte in den USA gaben ca. 40 % der Befragten an, dass eine unzureichende Integration ein Risikofaktor beim Einsatz von KI in der diagnostischen Medizin ist.
Ein US-Neurologe merkte an: “Viele Menschen, die zum Beispiel mit ChatGPT experimentiert haben, stellten fest, dass es dazu neigt, zu ‚halluzinieren‘ oder einfach nur belanglose Antworten zu erfinden, wenn es unsicher ist… Ich glaube nicht, dass es nützlich sein wird, wenn eine KI Antworten ‚halluziniert‘, wenn sie bei medizinischen Anwendungen unsicher ist. Und wer haftet dafür, wenn die KI etwas falsch macht?”
Ein anderes Sermo-Mitglied aus dem Bereich der Geriatrie führt aus: “… es ist wichtig, sicherzustellen, dass sie ethisch und verantwortungsbewusst verwendet wird und dass der Datenschutz und die Sicherheit der Patientendaten berücksichtigt werden.”
Erfahren Sie, wie andere Ärztinnen und Ärzte maschinelles Lernen einsetzen
Eine Sermo-Umfrage unter über 100 Ärztinnen und Ärzten ergab, dass sich 60 % auf Large Language Models (LLMs) – eine Untergruppe des Deep Learning – verlassen, um Arzneimittelwechselwirkungen zu überprüfen. Mehr als die Hälfte nutzt diese Tools zur Diagnoseunterstützung und fast die Hälfte für die Erstellung klinischer Dokumentationen oder Behandlungspläne. Tatsächlich nutzen 70 % LLMs für die Patientenaufklärung und Literaturrecherche.
Dr. Sara Farag, gynäkologische Chirurgin und Mitglied des Medical Advisory Board von Sermo, merkte an: “Diese Ergebnisse sind nicht überraschend. Mit wachsender Arbeitsbelastung und zunehmendem Informationsvolumen erweisen sich LLMs für Ärztinnen und Ärzte als immer wertvoller.“
Auf Sermo diskutieren Ärztinnen und Ärzte ihre Gedanken zu künstlicher Intelligenz, maschinellem Lernen und anderen folgenreichen Technologien. Beteiligen Sie sich an der Diskussion. Werden Sie heute Mitglied bei Sermo.
