KI-Anwendungen in der Patientenversorgung heute und morgen

ZUSAMMENFASSUNG

Seit der Konzeption des Turing-Testes 1950 von Alan Turing und über die Beschreibung und Entwicklung erster künstlicher neuronaler Netzwerke 1951 durch Minsky, wenden wir im Jahr 2020 Methoden der Künstlichen Intelligenz (KI) regelhaft an, ohne dass uns dies bewusst ist. Navigationssysteme, automatische Übersetzungssysteme, die Spracherkennung in den Mobiltelefonen oder der Hochgeschindigkeitshandel an den Börsen verwenden heute bereits Methoden des sog. maschinellen Lernens. Die Entwicklung der kommenden Dekaden ist derzeit noch nicht abzuschätzen. Experten stellen für die Anwendung von künstlicher Intelligenz nicht mehr in Frage, ob sie kommt, sondern differieren nur noch in den unterschiedlichen Annahmen wann sie kommt.

Die ersten weit verbreiteten Anwendungen der KI werden wahrscheinlich in Form von Computer-Augmentation der menschlichen Leistungsfähigkeit sein. In Zukunft wird ein Chirurg feststellen, dass die AI-Analyse von bevölkerungs- und patientenspezifischen Daten jede Phase der Versorgung ergänzen wird. Eine automatisierte Analyse aller präoperativen mobilen und klinischen Daten könnte einen patientenspezifischeren Risikoscore für die operative Planung liefern und wertvolle Prädiktoren für die postoperative Versorgung bieten. Im Vordergrund stehen für klinisch tätige Ärzte unter dem Stichwort Digitalisierung und Health IT vornehmlich Aspekte der Patientensicherheit, der sicheren Anwendung von KI-Algorithmen per se und der Datensicherheit. Um die klinische Akzeptanz von KI-Anwendungen zukünftig zu erhöhen, sind curriculäre und extracurrikuläre Ausbildungen aufseiten des medizinischen Personals notwendig. Der notwendige Kompetenzerwerb verlangt eine aktive Auseinandersetzung mit den Kernthemen der digitalen Transformation.

• Literatur

• 1 Alan M. Turing: Computing Machinery and Intelligence. In: MIND Band LIX, Nr. 236 1950
• 2 Minsky M. “Steps toward Artificial Intelligence”. Proceedings of the IRE 1961; 49: 8-30
• 3 Müller VC, Bostrom N. Future progress in artificial intelligence: A survey of expert opinion. In Vincent C. Müller. ed Fundamental Issues of Artificial Intelligence. Synthese Library; Berlin: Springer; 2016: 553-571
• 4 Wang D, Khosla A, Gargeya R. et al Deep learning for identifying metastatic breast cancer. arXiv preprint arXiv: 1606.05718 2016
• 5 Bahl M, Barzilay R, Yedidia AB. et al High-Risk Breast Lesions: A Machine Learning Model to Predict Pathologic Upgrade and Reduce Unnecessary Surgical Excision. Radiology 2018; 286: 810-818
• 6 Hashimoto DA, Rosman G, Rus D, Meireles OM. Artificial Intelligence in Surgery: Promises and Perils. Ann Surg 2018; 268: 70-76
• 7 Modifi R, Duff MD, Madhavan KK. et al Identification of severe acute pancreatitis using an artificial neural network. Surgery 2007; 141: 59-66
• 8 Monsalve-Torra A, Ruiz-Fernandez D, Marin-Alonso O. et al Using machine learning methods for predicting inhospital mortality in patients undergoing open repair of abdominal aortic aneurysm. J Biomed Inform 2016; 62: 195-201
• 9 Schuster Wu Y, Chen MZ. et al Google’s neural machine translation system: Bridging the gap between human and machine translation. arXiv preprint arXiv:1609.08144 2016
• 10 Esteva A, Kuprel B, Novoa RA. et al Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017; 542: 115-118
• 11 Soguero-Ruiz C, Hindberg K, Mora-Jimenez I. et al Predicting colorectal surgical complications using heterogeneous clinical data and kernel methods. J Biomed Inform 2016; 61: 87-96
• 12 Sellge E, Hagenmeyer EG. Digitalisierung und Patientensicherheit. In Klauber J. et al. (Hrsg) Krankenhausreport. 2019 https://doi.org/10.1007/978-3-662-58225-1_10
• 13 Wright A, Hickman TT, McEvoy D. et al (2016) Analysis of clinical decision support system malfunctions: a case series and survey. J Am Med Inform Assoc JAMIA 2016; 23: 1068-1076
• 14 Topol E. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine 2019; 25: 44-56
• 15 Maier-Hein L, Vedula SS, Speidel S. et al Surgical data science for next-generation interventions. Nat Biomed Eng 2017; 1: 691-696
• 16 Hung AJ. et al Automated performance metrics and machine learning algorithms to measure surgeon performance and anticipate clinical outcomes in robotic surgery. JAMA Surg 2018; 153: 770-771
• 17 Ryu B, Kim N, Heo E. et al Impact of an Electronic Health Record-Integrated Personal Health Record on Patient Participation in Health Care: Development and Randomized Controlled Trial of MyHealthKeeper. J Med Internet Res 2017; 19: e401
• 18 Weber GM, Mandl KD, Kohane IS. Finding the missing link for big biomedical data. Jama 2014; 311: 2479-2480
• 19 Kuhn S, Kadioglu D, Deutsch K, Michl S. Data Literacy in der Medizin. Welche Kompetenzen braucht ein Arzt?. Onkologe 2018; 24: 368-377