Neue Möglichkeiten in der Gesundheitsversorgung mit KI freischalten

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

Anwendungen von KI in der Gesundheitsversorgung

KI hat sich über Jahrzehnte in der Gesundheitsversorgung entwickelt, sowohl in patientenorientierten als auch in back-office-Funktionen. Einige der frühesten und umfassendsten Arbeiten haben sich auf die Verwendung von Deep-Learning- und Computer-Vision-Modellen konzentriert.

Zunächst einige Terminologie. Traditionelle statistische Ansätze in der Forschung – z. B. Beobachtungsstudien und klinische Studien – haben populationsorientierte Modellierungsansätze verwendet, die auf Regressionsmodellen basieren, bei denen unabhängige Variablen verwendet werden, um Ergebnisse vorherzusagen. Bei diesen Ansätzen ist, obwohl mehr Daten besser sind, ein Plateau-Effekt vorhanden, 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 übergeben 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 – verläuft, 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 die Ergebnisse vorhersagen kann.

Es gibt mehrere Arten von Netzwerken. Convolutional Neuronale Netzwerke oder CNNs waren unter den ersten Modellen, die in der Gesundheitsversorgung Erfolge erzielten. 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 prominent sind: Radiologie, Netzhaut-Untersuchungen und Hautbilder.

Ein neuerer Typ von Neuronalem Netzwerk, das als Transformer-Architektur bezeichnet wird, ist aufgrund seines außergewöhnlichen 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 einen Satz von 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 Hauptbegrenzungen ihrer Fähigkeiten sind größere und größere Datensätze und die Rechenleistung, um die Modelle zu trainieren. In der Gesundheitsversorgung ist die Erstellung von datenschutzfreundlichen Datensätzen, die die tatsächliche klinische Versorgung treu darstellen, eine wichtige Priorität, um die Modellentwicklung voranzutreiben.

LLMs können einen Paradigmenwechsel in der Anwendung von KI in der Gesundheitsversorgung darstellen. Da sie sehr gut mit Sprache und Text umgehen können, sind sie eine gute Übereinstimmung mit elektronischen Aufzeichnungen, in denen fast alle Daten Text sind. Sie erfordern auch keine stark annotierten Daten für die Trainingsphase, sondern können vorhandene Datensätze verwenden. Die beiden Hauptfehler dieser Modelle sind, dass 1) sie kein Weltmodell oder Verständnis der Daten haben, die analysiert werden (sie wurden als “fancy Autocomplete” bezeichnet), und 2) sie halluzinieren oder konfabulieren können, also Text oder Bilder erfinden, die genau erscheinen, aber Informationen präsentieren, die als Tatsache präsentiert werden.

Anwendungsfälle, die für KI erforscht werden, umfassen die Automatisierung und Ergänzung der Lesung von Radiologie-Bildern, Netzhaut-Bildern und anderen Bilddaten; die Verringerung der Anstrengung und Verbesserung der Genauigkeit der klinischen Dokumentation, einer der Hauptgründe für den Burnout von Klinikern; bessere, empathischere Patientenkommunikation; und die Verbesserung der Effizienz von Back-Office-Funktionen wie dem Rechnungskreislauf, den Betrieben und der Abrechnung.

Echte Beispiele

KI wurde schrittweise in die klinische Versorgung eingeführt. Typischerweise folgte der erfolgreiche Einsatz von KI peer-revieweden Studien, die Erfolge 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-Untersuchungen und Radiologie. Für Netzhaut-Untersuchungen hat die veröffentlichte Literatur über die Leistung dieser Modelle die Bereitstellung von automatisierter Fundoskopie zur Erkennung von Netzhaut-Krankheiten in ambulanten Einrichtungen gefolgt. Studien zur Bildsegmentierung, bei denen viele veröffentlichte Erfolge erzielt wurden, 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 Large Language Modelle 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 sich um die Dokumentationsprozesse kümmert, was die Effizienz und Genauigkeit verbessert.

Darüber hinaus können Krankenhäuser und Gesundheitssysteme die Vorhersagemodelle von KI verwenden, um Patienten zu risikostufen, um Patienten zu identifizieren, die ein hohes oder zunehmendes Risiko haben, und um den besten Behandlungsverlauf zu bestimmen. Tatsächlich werden die Cluster-Erkennungsfähigkeiten von KI immer mehr in der Forschung und der klinischen Versorgung verwendet, um Patienten mit ähnlichen Merkmalen zu identifizieren und den typischen Verlauf der klinischen Maßnahmen 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 gezeigt, 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 Triage von Patientennachrichten basierend auf der Schwere ihrer Erkrankung und ihrer Nachricht ermöglicht.

Herausforderungen und ethische Überlegungen

Eine Herausforderung bei der Implementierung von KI in der Gesundheitsversorgung 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 Datenlecks zu verhindern, um Vertrauen und Vertraulichkeit aufrechtzuerhalten. Bias in den Trainingsdaten ist auch eine kritische Herausforderung, die angegangen werden muss. Um voreingenommene Modelle zu vermeiden, müssen bessere Methoden entwickelt werden, um Bias in den Trainingsdaten zu vermeiden. Es ist wichtig, Trainings- und akademische Ansätze zu entwickeln, die eine bessere Modellierung und die Einbeziehung von Gerechtigkeit in alle Aspekte der Gesundheitsversorgung ermöglichen, um Bias zu vermeiden.

Die Verwendung von KI hat eine Reihe neuer Bedenken und Grenzen für die Innovation 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 Gesundheitsversorgungsorganisationen und Software-Unternehmen sich auf die Entwicklung von Datensätzen konzentrieren, die Gesundheitsdaten genau modellieren, während sie Anonymität und Vertraulichkeit gewährleisten. Darüber hinaus müssen Partnerschaften zwischen Gesundheitsversorgungsanbietern, Systemen und Technologie-/Software-Unternehmen etabliert werden, um KI-Tools in einer sicheren und bedachten Weise in die Praxis zu überführen. Durch die Bewältigung dieser Herausforderungen können Gesundheitsorganisationen das Potenzial von KI nutzen, während sie die Patientensicherheit, Vertraulichkeit und Fairness wahren. Ally, Partnerschaften zwischen Gesundheitsversorgungsanbietern, Systemen und Technologie-/Software-Unternehmen müssen etabliert werden, um KI-Tools in die Praxis zu überführen, in einer sicheren und bedachten Weise. Durch die Bewältigung dieser Herausforderungen können Gesundheitsorganisationen das Potenzial von KI nutzen, während sie die Patientensicherheit, Vertraulichkeit und Fairness wahren.