Freischaltung neuer Möglichkeiten im Gesundheitswesen mit KI

Das Gesundheitswesen in den Vereinigten Staaten befindet sich in den Anfängen einer signifikanten potenziellen Disruption aufgrund der Verwendung von Machine Learning und künstlicher Intelligenz. Diese Verschiebung ist bereits seit über einem Jahrzehnt im Gange, aber aufgrund der jüngsten Fortschritte scheint sie für schnellere Veränderungen bereit zu sein. Es bleibt noch viel Arbeit zu tun, um die sichersten und effektivsten Anwendungen von KI im Gesundheitswesen zu verstehen, um das Vertrauen der Kliniker in die Verwendung von KI aufzubauen und um unser klinisches Bildungssystem anzupassen, um eine bessere Verwendung von KI-basierten Systemen zu fördern.

Anwendungen von KI im Gesundheitswesen

KI ist im Gesundheitswesen seit Jahrzehnten in Evolution, sowohl in patientenorientierten als auch in Back-Office-Funktionen. Einige der frühesten und umfassendsten Arbeiten haben in der Verwendung von Deep-Learning- und Computer-Vision-Modellen stattgefunden.

Zunächst einige Terminologie. Traditionelle statistische Ansätze in der Forschung – z. B. Beobachtungsstudien und klinische Studien – haben populationsspezifische Modellierungsansätze verwendet, die auf Regressionsmodellen basieren, bei denen unabhängige Variablen verwendet werden, um Ergebnisse vorherzusagen. Bei diesen Ansätzen ist mehr Daten besser, aber es gibt einen Plateau-Effekt, bei dem über eine bestimmte Datengröße hinaus keine besseren Rückschlüsse aus den Daten gezogen werden können.

Künstliche Intelligenz bringt einen neuen Ansatz zur Vorhersage. Eine Struktur, die als Perzeptron bezeichnet wird, verarbeitet Daten, die zeilenweise weitergeleitet werden, und wird als Netzwerk von Schichten von Differentialgleichungen erstellt, um die Eingabedaten zu modifizieren und eine Ausgabe zu erzeugen. Während der Trainingsphase wird jedes Datenzeile, das durch das Netzwerk – auch Neuronales Netzwerk genannt – verarbeitet wird, die Gleichungen in jeder Schicht des Netzwerks so modifiziert, dass die vorhergesagte Ausgabe der tatsächlichen Ausgabe entspricht. Wenn die Daten in einem Trainingsset verarbeitet werden, lernt das neuronale Netzwerk, wie es das Ergebnis vorhersagen kann.

Es gibt mehrere Arten von Netzwerken. Convolutional Neural Networks, oder CNNs, waren unter den ersten Modellen, die im Gesundheitswesen Erfolg hatten. CNNs sind sehr gut darin, aus Bildern zu lernen, in einem Prozess, der als Computer-Vision bezeichnet wird, und haben Anwendungen gefunden, bei denen Bilddaten im Vordergrund stehen: Radiologie, Netzhaut-Untersuchungen und Hautbilder.

Ein neuer Typ von neuronalen Netzwerken, der als Transformer-Architektur bezeichnet wird, ist aufgrund seines unglaublichen Erfolgs für Text und Kombinationen von Text und Bildern (auch multimodale Daten genannt) zu einem dominanten Ansatz geworden. Transformer-Neuronale Netzwerke sind außergewöhnlich, wenn sie eine Menge Text erhalten, bei der Vorhersage von nachfolgendem Text. Eine Anwendung der Transformer-Architektur ist das Large Language Model oder LLM. Mehrere kommerzielle Beispiele für LLMs sind Chat GPT, Anthropics Claude und Metas Llama 3.

Was bei neuronalen Netzwerken im Allgemeinen beobachtet wurde, ist, dass ein Plateau für die Verbesserung des Lernens schwer zu finden ist. Mit anderen Worten, wenn mehr und mehr Daten verfügbar sind, lernen neuronale Netzwerke weiter und verbessern sich. Die Hauptgrenzen ihrer Fähigkeiten sind größere und größere Datensätze und die Rechenleistung, um die Modelle zu trainieren. Im Gesundheitswesen ist die Erstellung von datenschutzschützenden Datensätzen, die die tatsächliche klinische Versorgung treu darstellen, eine wichtige Priorität, um die Modellentwicklung voranzutreiben.

LLMs können einen Paradigmenwechsel in der Anwendung von KI im Gesundheitswesen darstellen. Aufgrund ihrer Fähigkeit mit Sprache und Text sind sie ein guter Match für elektronische Aufzeichnungen, in denen fast alle Daten Text sind. Sie erfordern auch keine hoch annotierten Daten für die Trainingsphase, sondern können vorhandene Datensätze verwenden. Die zwei Hauptfehler dieser Modelle sind, dass 1) sie kein Weltmodell oder ein Verständnis der analysierten Daten haben (sie wurden als “fancy Autocomplete” bezeichnet) und 2) sie halluzinieren oder konfabulieren können, also Text oder Bilder erfinden, die genau erscheinen, aber Informationen als Tatsache präsentieren.

Anwendungsfälle, die für KI erforscht werden, umfassen die Automatisierung und Ergänzung der Lesung von Radiologie-Bildern, Netzhaut-Bildern und anderen Bildaten; die Reduzierung der Anstrengung und Verbesserung der Genauigkeit der klinischen Dokumentation, eine wichtige Quelle für den Burnout von Klinikern; bessere, empathischere Patientenkommunikation; und die Verbesserung der Effizienz von Back-Office-Funktionen wie Revenue Cycle, Betrieb und Abrechnung.

Echte Beispiele

KI wurde schrittweise in die klinische Versorgung eingeführt. Typischerweise folgte der erfolgreiche Einsatz von KI peer-reviewed Studien, die Erfolg nachgewiesen haben und in einigen Fällen die FDA-Zulassung für die Verwendung erhalten haben.

Unter den frühesten Anwendungsfällen, in denen KI gut funktioniert, sind die Erkennung von Krankheiten in Netzhaut-Bildern und Radiologie. Für Netzhaut-Untersuchungen hat die veröffentlichte Literatur über die Leistung dieser Modelle zu der Bereitstellung von automatisierter Fundoskopie zur Erkennung von Netzhaut-Krankheiten in ambulanten Einrichtungen geführt. Studien über die Bildsegmentierung, mit vielen veröffentlichten Erfolgen, haben zu mehreren Software-Lösungen geführt, die Entscheidungsunterstützung für Radiologen bieten, Fehler reduzieren und Anomalien erkennen, um die Arbeitsabläufe von Radiologen effizienter zu machen.

Neuere große Sprachmodelle werden für die Unterstützung von klinischen Arbeitsabläufen erforscht. Ambient Voice wird verwendet, um die Nutzung von Electronic Health Records (EHRs) zu verbessern. Derzeit werden KI-Schreiber implementiert, um bei der medizinischen Dokumentation zu helfen. Dies ermöglicht es Ärzten, sich auf Patienten zu konzentrieren, während KI den Dokumentationsprozess übernimmt, was die Effizienz und Genauigkeit verbessert.

Darüber hinaus können Krankenhäuser und Gesundheitssysteme die Vorhersagemodellierungsfähigkeiten von KI verwenden, um Patienten zu risikostufen, Patienten zu identifizieren, die ein hohes oder zunehmendes Risiko haben, und den besten Behandlungsverlauf zu bestimmen. Tatsächlich werden die Clustering-Erkennungsfähigkeiten von KI zunehmend in der Forschung und klinischen Versorgung verwendet, um Patienten mit ähnlichen Merkmalen zu identifizieren und den typischen klinischen Handlungsverlauf für sie zu bestimmen. Dies kann auch virtuelle oder simulierte klinische Studien ermöglichen, um die effektivsten Behandlungsverläufe zu bestimmen und ihre Wirksamkeit zu messen.

Ein zukünftiger Anwendungsfall kann die Verwendung von KI-gestützten Sprachmodellen in der Arzt-Patienten-Kommunikation sein. Diese Modelle haben gültige Antworten für Patienten, die empathische Gespräche simulieren, was es einfacher macht, schwierige Interaktionen zu bewältigen. Diese Anwendung von KI kann die Patientenversorgung erheblich verbessern, indem sie eine schnellere und effizientere Triagierung von Patientennachrichten basierend auf der Schwere ihrer Erkrankung und Nachricht ermöglicht.

Herausforderungen und ethische Überlegungen

Eine Herausforderung bei der Implementierung von KI im Gesundheitswesen ist die Gewährleistung der Einhaltung von Vorschriften, der Patientensicherheit und der klinischen Wirksamkeit bei der Verwendung von KI-Tools. Während klinische Studien der Standard für neue Behandlungen sind, gibt es eine Debatte darüber, ob KI-Tools dem gleichen Ansatz folgen sollten. Ein weiteres Anliegen ist das Risiko von Datenlecks und der Kompromittierung der Patientenvertraulichkeit. Große Sprachmodelle, die auf geschützten Daten trainiert werden, können möglicherweise Quelldaten leaken, was eine erhebliche Bedrohung für die Patientenvertraulichkeit darstellt. Gesundheitsorganisationen müssen Wege finden, um Patientendaten zu schützen und Verletzungen zu verhindern, um Vertrauen und Vertraulichkeit aufrechtzuerhalten. Voreingenommenheit in den Trainingsdaten ist auch eine kritische Herausforderung, die angegangen werden muss. Um voreingenommene Modelle zu vermeiden, müssen bessere Methoden entwickelt werden, um Voreingenommenheit in den Trainingsdaten zu vermeiden. Es ist wichtig, Trainings- und akademische Ansätze zu entwickeln, die eine bessere Modellierung und die Einbeziehung von Gerechtigkeit in allen Aspekten des Gesundheitswesens ermöglichen, um Voreingenommenheit zu vermeiden.

Die Verwendung von KI hat eine Reihe neuer Bedenken und Innovationen eröffnet. Weitere Studien sind erforderlich, um zu verstehen, wo ein echter klinischer Nutzen bei der Verwendung von KI gefunden werden kann. Um diese Herausforderungen und ethischen Bedenken anzugehen, müssen Gesundheitsversorgungs- und Software-Unternehmen darauf achten, Datensätze zu entwickeln, die Gesundheitsdaten genau modellieren, während sie Anonymität und Privatsphäre schützen. Darüber hinaus müssen Partnerschaften zwischen Gesundheitsversorgern, Systemen und Technologie-/Software-Unternehmen geschaffen werden, um KI-Tools in einer sicheren und bedachten Weise in die Praxis umzusetzen. Durch die Bewältigung dieser Herausforderungen können Gesundheitsorganisationen das Potenzial von KI nutzen, während sie die Patientensicherheit, Privatsphäre und Fairness aufrechterhalten.