Künstliche Intelligenz hilft medizinische Diagnosen zu stellen

Um in Krankheitsfällen passende Diagnosen zu stellen, erfordert es ein langjähriges Studium der Medizin. Trotzdem ist die richtige Diagnose oft noch ein schwieriger und zeitintensiver Prozess. Durch Ärzte*innenmangel, fehlendes Budget im Gesundheitssektor und Sparmaßnahmen der Krankenkassen übersteigt die Nachfrage nach Fachärzten*innen die verfügbare Kapazität. Diese Unruhe erhöht den Druck auf Ärzte*innen und die oben genannten Faktoren führen zu Verzögerungen von passenden Therapiemaßnahmen, die sich drastisch auf den Gesundheitszustand der Patienten auswirken. Eine Entlastung durch den Einsatz von automatisierten Diagnosen kann sowohl das Patientenwohl als auch die Arbeitsbedingungen der Ärzte*innen steigern.

In dem Bericht der Deutschen Bundesärztekammer aus 2018 sind die häufigsten Fehler in der medizinischen Behandlung aufgelistet, welche durch die Gutachterkommission der Schlichtungsstelle geregelt wurden. Daraus geht hervor, dass im niedergelassenen Bereich 144 von insgesamt 1669 Fehlern und im Krankenhausbereich 323 von 5259 Fehlern mit falscher Diagnostik bildgebender Verfahren begründet waren (1).

Das University of Virginia Health System testet gegenwärtig eine auf künstliche Intelligenz (KI) basierende technische Einrichtung. Diese dient zur Integration des Bildarchivierungs- und Kommunikationssystems zur Rationalisierung des Arbeitsablaufs für eine bessere Diagnostik. So kann z.B. mittels KI der Knochendichteschwund in einem früherem Stadium sichtbar gemacht werden, als es durch einen Radiologen möglich wäre. Dadurch können Schwachstellen früh erkannt und therapiert werden, um vor Knochenbrüchen zu schützen. Mit der Software von ZebraMedical Vision werden medizinische Ergebnisse, je nach Bewertung mit Grün für normale Resultate und Rot für abnormale markiert. Damit kann der Radiologe mit einem Blick erkennen ob eine Intervention erforderlich ist (2).

Wie in der Fachzeitschrift Nature publiziert, konnte durch die Anwendung von KI bei der Diagnose von Brustkrebs in den USA eine Reduktion um 5,7 % und in Großbritannien um 1,2 % der falsch positiven Diagnosen nachgewiesen werden und eine Reduktion um 9,4 % in den USA und 2,7 % in Großbritannien von falsch negativen Diagnosen nachgewiesen werden (3).

Dabei wurden die Daten von 25.856 Mammografien von Frauen in Großbritannien und 3.097 von Frauen aus den USA mit Krebsdiagnose herangezogen, um das System „lernen“ zu lassen. Als Ursache für Fehldiagnosen wurde die limitierte Kapazität der zu verarbeitenden Daten im CAD (computer-aided detection) angesehen, welche einen Verlaufsvergleich unmöglich macht. Ursächlich war auch, dass das CAD System Daten auswertete, welche bereits Fehldiagnosen durch den Arzt*in gespeichert hatte (4).

Künstliche Intelligenz setzte Anfang 2020 einen weiteren Meilenstein in der Krebsforschung. Durch die begrenzte Auflösung von Bildgebungsverfahren konnten bisher nicht alle Zellen im Körper erfasst werden. Dadurch konnten Verbreitungsmechanismen der unterschiedlichen Krebsarten nicht erkannt werden. Durch vDISCO, eine Methode, um das ganze Gewebe transparent zu machen, kann man durch Laser-Scanning-Mikroskope kleinste Metastasen und einzelne Krebszellen erkennen. Forscher*innen entwickelten den DeepMACT Algorithmus, um die enorme Datenmenge der hochauflösenden Bilder schnell und zuverlässig zu verarbeiten. Diese Deep Learning Methode arbeitet gleich präzise wie ein Arzt, jedoch 300 Mal schneller. Dadurch können neue Erkenntnisse über die spezifischen metastatischen Profile verschiedener Tumormodelle gewonnen werden und spezielle Therapien für unterschiedliche Krebsarten entwickelt werden (5).

Ein weiterer Einsatz von KI in der Diagnostik ist im Bereich der Nierenerkrankungen zu finden. Die Prävention und die Behandlung von Nierenerkrankungen wurden wegen deren Bedeutung vom Department of Health and Human Services als Advancing American Kidney Health Initiative mit der höchsten Priorität im Gesundheitswesen der USA eingestuft, da jeder siebente Amerikaner*in daran leidet. Nierenerkrankungen zählen zu den zehn führenden Todesursachen und sie verursachen 23 % der medizinischen Behandlungskosten. Gleichzeitig ist der Hälfte der Personen ihre Erkrankung nicht bekannt. Künstliche Intelligenz wird zunehmend für die Diagnose und Prognose für akute und chronische Nierenerkrankungen herangezogen. Aus einer Studie, welche 2019 publiziert wurde, geht hervor, dass hierfür eine Vielzahl an Datenquellen herangezogen werden, darunter elektronische Gesundheitsakte, intraoperative physiologische Symptome, bildgebende Verfahren unter Verwendung von Ultraschall und digitalisierte Biopsiebefunde (6).

Neben der Diagnostik kann man im Gesundheitsbereich durch KI Vorteile im Bereich der personalisierten Medizin erreichen. Durch digitale Prozesse wird es möglich einen enormen Datenschatz zu erheben, prozessieren, analysieren und interpretieren. Nur durch die Digitalisierung kann mit anonymisierten Patientendaten geforscht werden und anhand der molekularen Informationen können neue Behandlungsansätze gefunden werden. Besonders im Bereich der Onkologie ist es durch neue Techniken wie Next Generation Sequencing möglich, Tumorprofile und Genomsequenzierungen zu erstellen. Onkologen*innen können durch Daten von ausreichenden Patientenpopulationen molekulare Profile erstellen und die Therapiepläne individuell anpassen. Eine innovative Software wird von der amerikanischen Firma Flatiron Health angeboten, um elektronische Patienten*innenakten im onkologischen Bereich optimal nutzen zu können. In der Software wird eine große Menge an Real-World-Evidence aus zwei Millionen anonymisierten Patientenakten verwaltet, vernetzt und für die Forschung zugänglich gemacht (7).

Nur durch digitale Technologien ist dieser entscheidende Sprung in der Medizin möglich und macht zukünftig den Einsatz von KI unerlässlich, um diese Unmengen an Daten verarbeiten und möglichst schnell richtig interpretieren zu können (7).

Quellen:

  1. Bundesärztekammer (s.a.): Statistische Erhebung der Gutachterkommissionen und Schlichtungsstellen für das Statistikjahr 2018.
    URL: https://www.bundesaerztekammer.de/fileadmin/user_upload/downloads/pdf-Ordner/Behandlungsfehler/Behandlungsfehler-Statistik_2018.pdf [4.2.2020]
  2. Siwicki, Bill (2017): Combination of PACS and AI helps uncover what radiologists sometimes miss.
    URL: https://www.healthcareitnews.com/news/combination-pacs-and-ai-helps-uncover-what-radiologists-sometimes-miss [4.2.2020]
  3. Mayer McKinney, Scott; Sienik, Marcin; Shetty, Shravya (2020): International evaluation of an AI system for breast cancer screening.
    URL: https://www.nature.com/articles/s41586-019-1799-6 [7.2.2020]
  4. Pisano, Etta D. (2020): AI shows promise for breast cancer screening.
    URL: https://www.nature.com/articles/d41586-019-03822-8 [7.2.2020]
  5. Vitapublic GmbH (2020): Neuer Algorithmus erkennt kleinste Krebsmetastasen.
    URL: http://www.vitanet.de/aktuelles/krebs/20200115-algorithmus-erkennt-metastasen [10.2.2020]
  6. Rashidi, Parisa und Bihorac, Azra (2019): Artificial intelligence approaches to improve kidney care.
    URL: https://www.nature.com/articles/s41581-019-0243-3 [7.2.2020]
  7. Roche Deutschland Holding GmbH (2019): Digitalisierung und Big Data in der Medizin.
    URL: https://www.roche.de/about/was-wir-bewegen/personalisierte-medizin/big-data.html?fbclid=IwAR14qwpAR5F-A0TGBr_qDcERZLESq2AnreVmPJghGB9f0kLxhuorRvKwSbE [10.2.2020]

Bilder: pixabay.com

1 Gedanke zu „Künstliche Intelligenz hilft medizinische Diagnosen zu stellen“

  1. Pingback: Companion Roboter auf dem Vormarsch - everydAI

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.