Künstliche Intelligenz

Krönung eines digitalisierten Gesundheitssystems

Das Thema künstliche Intelligenz (KI) liegt momentan im Trend. Angesichts der oft überzogenen Hoffnungen und Ängste kann auch gut von einem Hype, von einer irrationalen Überhöhung von KI gesprochen werden. Dieser Hype verdeckt leider den besonnenen Blick auf die Potenziale von KI. Im Folgenden wird versucht, einen nüchternen Überblick zu Gegenwart und naher Zukunft anzubieten: Die Realität ist weniger bombastisch, aber auch weniger bedrohlich als der Hype und nichtsdestoweniger vielversprechend.

Illustration: Ärzte werten Daten aus

Künstliche Intelligenz kann dort angewendet werden und Vorteile bringen, wo digitale Daten erhoben und verarbeitet werden. Somit ist KI eine Chance der Digitalisierung im Gesundheitswesen. Ein digitales Gesundheitswesen wiederum setzt klar definierte Prozesse und Standards voraus, mit denen messbare Outcomes optimiert werden. KI sitzt als „Kirsche auf dem Kuchen“, als Krönung eines modernen, digitalisierten Gesundheitssystems – sie ersetzt aber niemals die darunter liegenden Schichten. Diese umfassen teilbare, elektronische Behandlungsdaten, beispielsweise in Form einer elektronischen Patientenakte, ebenso wie klar definiertes Entlassmanagement und messbare Qualität von Behandlungsepisoden.

Definition von künstlicher Intelligenz

Der Begriff der künstlichen Intelligenz kann in die Irre führen, auch weil der ursprüngliche Begriff der Intelligenz nicht abschließend definiert ist: Allein richtige Antworten in IQ-Tests erfassen das Konzept nicht abschließend. Ganz ohne Definition von Intelligenz stellen wir aber fest, dass spezialisierte Algorithmen in immer schnellerer Folge übermenschliche Fähigkeiten in sehr spezifischen Denkaufgaben beweisen. Bei solchen spezifischen Aufgaben wird es zunächst auch bleiben, „menschenähnliche“ KI (artificial general intelligence) ist derzeit nicht abzusehen. Und doch haben wir in den letzten 20 Jahren Algorithmen gesehen, die besser als Menschen Brettspiele spielen, Auto-Routen berechnen, Wetter vorhersagen oder Brustkrebs in Röntgenbildern identifizieren. Eine breite, realistische Definition von KI umfasst somit also Algorithmen, die Computer befähigen, spezifische Aufgaben zu erledigen, die bisher menschliches Denken erforderten.

In den letzten 20 Jahren wurden besonders große Fortschritte mit Algorithmen des maschinellen Lernens gemacht. Diese eint, dass sie effizient Muster in großen Datenmengen erkennen können. Einige der zugrunde liegenden Ideen sind bereits seit den 1960er Jahren bekannt. Ihr heutiger Erfolg ist vor allem der rasant gewachsenen weltweit verfügbaren Rechenleistung und Speicherkapazität geschuldet.

Gegenwart

Schon heute finden sich in fast allen Bereichen des Gesundheitswesens funktionierende Anwendungen von KI. Grundsätzlich sind es dabei meist Routinetätigkeiten, die vereinfacht werden. So gibt es etwa Werkzeuge, die die ärztliche oder pflegerische Dokumentation erleichtern, indem Textvorschläge automatisch produziert werden. Auch zu Abrechnungszwecken kann KI zum Beispiel auf potenzielle Fehler in der Dokumentation hinweisen. Krankenkassen setzen zur Betrugsabwehr ihrerseits KI ein, um Auffälligkeiten zu
identifizieren.

Ebenso kann diagnostische Routine zunehmend unterstützt werden. In der Brustkrebsvorsorge beispielsweise befunden Radiologen ganz überwiegend unauffällige Röntgenbilder. Viele dieser Bilder können mit sehr hoher Sicherheit von automatisierten KI-Algorithmen als unproblematisch markiert werden, so dass Ärzte sich mehr auf nicht-offensichtliche Fälle konzentrieren können. Im Bereich der bildgebenden Diagnostik finden sich besonders viele Anwen- dungen von KI. Schon heute ist die Technologie in einzelnen Bereichen gut genug, um zumindest einen Teil der Fälle mit hoher Sicherheit als „unauffällig“ aussortieren zu können. Zusätzlich gibt es Anwendungen, die ähnlich einer Bildstabilisierung, etwa in CT- oder MRT-Scans, die Bildqualität für die menschliche Befundung intelligent verbessern. Die ersten KI-Produkte für Bildgebung drängen auf den Markt; rechtliche Rahmenbedingungen und teilweise ein niedriger Digitalisierungsgrad sind hier derzeit eine größere Bremse als die Verfügbarkeit der Lösungen.

Ein weiteres vielversprechendes Gebiet für KI-Anwendungen in der Medizin ist das kontinuierliche Monitoring, insbesondere in der Intensivmedizin. Wo die
Versorgung hinreichend digital erfasst ist, können Krankenhaussysteme zum Beispiel automatisch auf frühe Anzeichen einer Sepsis achten und im Verdachtsfall das medizinische Personal alarmieren. Auch solche Systeme sind vereinzelt bereits im Einsatz. Wenn sie eine Sepsis frühzeitig vorhersagen können, retten sie sehr direkt Leben.

KI-getriebene Entscheidungsunterstützung für Diagnose undTherapie gibt es für Hausärzte
ebenso wie für Spezialisten; großer Beliebtheit erfreuen sich aber auch Angebote direkt für kompetente Patienten. Solche Chatbot-Apps führen automatisch eine Anamnese durch und deduzieren aus gespeichertem Literaturwissen eine Differenzialdiagnose samt Handlungsvorschlägen – in erster Linie zur Triage zwischen Hausmitteln, Hausarzt und akuter medizinischer Hilfe.

Indem solche Systeme durch menschliche Lehrer stets auf dem aktuellsten Stand gehalten
werden, können sie dabei helfen, geänderte Leitlinien rasch umzusetzen. Auch zur Verdachtsdiagnose von seltenen Erkrankungen haben sie unter Umständen mehr Erfahrungsgrundlage als typische Hausärzte, die kaum in der Lage sind, alle Sonderfälle aus der Literatur zu beachten. Nicht unerwähnt bleiben sollten auch die typisch „industriellen“ Anwendungen von KI: So können beispielsweise die Tourenplanung der ambulanten Pflege oder die Lieferkette im Krankenhaus durch entsprechende Algorithmen optimiert werden, was Fahrzeiten verringern und Bettenkapazität vergrößern kann.

Zukunft

Wie die genannten Beispiele verdeutlichen, existiert bereits heute eine große Menge an KI-Anwendungen, wobei die meisten noch eher spärliche Verbreitung erfahren. Es scheint sehr wahrscheinlich, dass die nächsten zehn Jahre eher von weiterer Verbreitung, Verbesserung und Kommerzialisierung heute grundsätzlich schon bestehender Technologien geprägt sein werden als von bahnbrechenden neuen Entwicklungen. Dabei ist die Adoptionsgeschwindigkeit bei Patienten deutlich höher als bei den Leistungserbringern des Gesundheitswesens. So scheint es für die nächsten zehn Jahre wahrscheinlich, dass die größten Veränderungen durch KI von Patienten getrieben sein werden, die im viel größeren Maße als bisher aufgeklärt und durch KI-Unterstützung autonom sind.

Diese Veränderung wird befördert durch die zunehmende Verfügbarkeit von Konsumenten- Biomarkern: Neben den Daten aus Wearables wie Smartwatches oder auch Blutzucker-Messgeräten können hier die Ergebnisse von Genom-, Mikrobiom- und Trockenblut-Selbsttests einen signifikanten Einfluss haben. Langfristig ist absehbar, dass immer mehr Patienten durch kontinuierliche Selbstvermessung samt personalisierter Risikovorhersage ihre Gesundheit selbstständig verwalten werden. In diesem Zuge werden auch zunehmend Anbieter in das Gesundheitswesen drängen, die bisher eher für ihre Unterhaltungselektronik bekannt waren.

In der Medizin werden insbesondere KI-gestützte Diagnose- und Entscheidungsunterstützungs-Anwendungen im Zuge einer zunehmenden Professionalisierung weitere Verbreitung finden. Dabei werden das regulatorische Umfeld und die Vergütung darüber entscheiden, ob die heute verfügbaren Anwendungen sich primär bei ökonomisch optimierenden und langfristig investierenden Spezialisten verbreiten oder bis in die „normale Hausarztpraxis“ vordringen.

Absehbar ist auch, dass künftig in immer mehr Spezialgebieten KI-Diagnostik deutlich genauere Ergebnisse erzielen wird als „normale“ Ärzte. So gibt es beispielsweise Indizien, dass aus Bildern der Augenrückwand oder aus Elektrokardiografien mittels KI ungeahnte, für das menschliche Auge bislang unsichtbare Diagnosen möglich sind. Neben immer differenzierteren Befunden in der Radiologie sind mittelfristig auch in der Pathologie erste KI-Anwendungen abzusehen, die zu genaueren Krebsdiagnosen verhelfen können. Gerade in der Pathologie gibt es durch schnellere und bessere Befundung enorme Chancen. Nicht zuletzt kann die bessere Integration pathologischer Parameter in die Pharma-Entwicklung auch zu individualisierter Therapie führen, bei der Wirkstoffe und Dosis genau auf den Patienten angepasst werden. Die Entwicklung solcher Therapien wird bereits heute durch KI unterstützt. Zukünftig könnte auch die Empfehlung zunehmend algorithmisch unterstützt werden.

KI berührt bereits heute weite Teile des Gesundheitswesens und es ist absehbar, dass sie zukünftig in immer mehr Bereichen breitere Anwendung findet. Dabei werden KI-Algorithmen allerdings kaum den Arzt oder Pfleger abschaffen. Aber der Einsatz von KI fördert und fordert manchen Paradigmenwechsel, etwa durch kontinuierliches Lernen mit sogenannter Real-World-Evidence. Dabei sollten allerdings die Technikfolgen nicht außer Acht gelassen werden. Für KI werden neue Arten der Validierung benötigt, die auf sogenannten Testdaten basieren. Die Idee dabei ist einfach: Wenn der Algorithmus bei hinreichend vielen Fällen, die er nie zuvor gesehen hat, eine korrekte Empfehlung gibt, dann scheint es plausibel, dass er wirklich funktioniert.

Allerdings ist diese Schlussfolgerung nur zulässig, wenn die Testdaten ausreichend repräsentativ für alle Patienten sind. Genau daran kranken derzeit verfügbare Datensätze: In ihnen sind zum Beispiel Männer oder einige wenige CT-Scanner-Modelle überrepräsentiert. Hier müssen neue Evidenzstandards etabliert und kontrolliert werden – gleichzeitig könnten diese aber auch eine deutliche Verbesserung gegenüber klinischen Pharmastudien bedeuten, da es erheblich praktikabler ist, repräsentative Testdaten zu sammeln, als für jede Studie neue repräsentable Teilnehmer zu rekrutieren.

Für den Bereich der Versicherungen bedeuten die Erfolge der KI eine immer größere Vorhersagbarkeit. Letztlich führt das dazu, dass Pech sich früher materialisiert: Chronisch Kranke werden zukünftig schon vor Ausbruch ihrer Krankheit per Risikoanalyse identifiziert werden können. In freien Versicherungsmärkten würde das zu unbezahlbaren Prämien führen – das Konzept der solidarischen Sozialversicherung wird durch die größere Vorhersagbarkeit noch wichtiger, um Versicherte etwa vor „genetischem Pech“ zu schützen.

Das größte Risiko von KI geht aber wohl von überhöhten Erwartungen und Ängsten
aus, von Hype. Substanzlose Vorstellungen von einem menschenähnlichen Terminator nschüren diffuse Ängste; Ideen zu Dr. med. KI wecken Hoffnungen auf eine gänzlichn neuzeitliche Medizin. Beides ist mit einem realistischen Blick auf KI nicht zu vereinen. Dabei gibt es so viele Potenziale mit künstlicher Intelligenz.

Weitere Artikel aus ersatzkasse magazin. 6. Ausgabe 2019

  1. Illustration: Ärztin verabreicht einem Kind eine Spritze
    Innovationsreport der TK

    Durchwachsene Bilanz