Democratizing AI in Healthcare with Open Medical Inference (OMI): Protocols, Data Exchange, and AI Integration

Abstract

Background

The integration of artificial intelligence (AI) into healthcare is transforming clinical decision-making, patient outcomes, and workflows. AI inference, applying trained models to new data, is central to this evolution, with cloud-based infrastructures enabling scalable AI deployment. The Open Medical Inference (OMI) platform democratizes AI access through open protocols and standardized data formats for seamless, interoperable healthcare data exchange. By integrating standards like FHIR and DICOMweb, OMI ensures interoperability between healthcare institutions and AI services while fostering ethical AI use through a governance framework addressing privacy, transparency, and fairness.

Method

OMI’s implementation is structured into work packages, each addressing technical and ethical aspects. These include expanding the Medical Informatics Initiative (MII) Core Dataset for medical imaging, developing infrastructure for AI inference, and creating an open-source DICOMweb adapter for legacy systems. Standardized data formats ensure interoperability, while the AI Governance Framework promotes trust and responsible AI use.

Conclusion

The project aims to establish an interoperable AI network across healthcare institutions, connecting existing infrastructures and AI services to enhance clinical outcomes.

Key Points

• OMI develops open protocols and standardized data formats for seamless healthcare data exchange.

• Integration with FHIR and DICOMweb ensures interoperability between healthcare systems and AI services.

• A governance framework addresses privacy, transparency, and fairness in AI usage.

• Work packages focus on expanding datasets, creating infrastructure, and enabling legacy system integration.

• The project aims to create a scalable, secure, and interoperable AI network in healthcare.

Citation Format

• Pelka O, Sigle S, Werner P et al. Democratizing AI in Healthcare with Open Medical Inference (OMI): Protocols, Data Exchange, and AI Integration. Rofo 2025; DOI 10.1055/a-2651-6653

Zusammenfassung

Hintergrund

Die Integration von Künstlicher Intelligenz (KI) im Gesundheitswesen verändert die klinische Entscheidungsfindung, Patientenergebnisse und Abläufe. KI-Inferenz, die Anwendung trainierter Modelle auf neue Daten, ist zentral für diese Entwicklung, wobei Cloud-Infrastrukturen skalierbare KI-Einsätze ermöglichen. Die Open Medical Inference (OMI)-Plattform demokratisiert den Zugang zu KI-Diensten durch offene Protokolle und standardisierte Datenformate für einen nahtlosen, interoperablen Austausch von Gesundheitsdaten. OMI integriert Standards wie FHIR und DICOMweb zur Sicherstellung der Interoperabilität zwischen Gesundheitseinrichtungen und KI-Diensten und fördert die ethische KI-Nutzung durch ein Governance-Framework für Datenschutz, Transparenz und Fairness.

Methode

Die Umsetzung von OMI erfolgt in Arbeitspaketen, die technische und ethische Aspekte abdecken. Dazu gehören die Erweiterung des Kerndatensatzes der Medizininformatik-Initiative (MII) für medizinische Bildgebung, die Entwicklung von Infrastrukturen für KI-Inferenz und die Erstellung eines Open-Source-DICOMweb-Adapters für Altsysteme. Standardisierte Datenformate gewährleisten Interoperabilität, während das KI-Governance-Framework Vertrauen und verantwortungsvolle Nutzung stärkt.

Schlussfolgerung

Das Projekt zielt darauf ab, ein interoperables KI-Netzwerk für Gesundheitseinrichtungen zu etablieren, bestehende Infrastrukturen und KI-Dienste zu verknüpfen und so die klinischen Ergebnisse zu verbessern.

Kernaussagen

• OMI entwickelt offene Protokolle und standardisierte Datenformate für den nahtlosen Austausch von Gesundheitsdaten.

• Die Integration mit FHIR und DICOMweb gewährleistet Interoperabilität zwischen Gesundheitssystemen und KI-Diensten.

• Ein Governance-Framework adressiert Datenschutz, Transparenz und Fairness in der KI-Nutzung.

• Arbeitspakete konzentrieren sich auf Datensatzerweiterung, Infrastrukturerstellung und Altsystemintegration.

• Das Projekt strebt ein skalierbares, sicheres und interoperables KI-Netzwerk im Gesundheitswesen an.

Keywords

AI Ethics in Healthcare - Artificial Intelligence in Healthcare - Healthcare Data Interoperability - Medical Inference

Publikationsverlauf

Eingereicht: 28. März 2025

Angenommen nach Revision: 03. Juli 2025

Artikel online veröffentlicht:
29. September 2025

• References

• 1 Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine 2019; 25 (01) 44-56
• 2 McKinney SM, Sieniek M, Godbole V. et al. International evaluation of an AI system for breast cancer screening. Nature 2020; 577: 89-94
• 3 Wilkinson MD, Dumontier M, Aalbersberg IJ. et al. The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data 2016; 3: 160018
• 4 Chen F, Wang L, Hong J. et al. Unmasking bias in artificial intelligence: a systematic review of bias detection and mitigation strategies in electronic health record-based models. J Am Med Inform Assoc 2024; 31 (05) 1172-1183
• 5 Boniface M, Haines R, Tan K. et al. Empowering the edge with AI: the AI4EU experiment. AI Communications 2020; 33 (02) 239-253
• 6 Boeckhout M, Zielhuis GA, Bredenoord AL. The FAIR guiding principles for data stewardship: fair enough?. Eur J Hum Genet 2018; 26: 931-936
• 7 Open Medical Inference (OMI) Homepage. Zugriff am 05. März 2025 unter: https://omi.ikim.nrw/#partners
• 8 Data Sharing Framework (DSF) Homepage. Zugriff am 05. März 2025 unter: https://github.com/datasharingframework/dsf
• 9 Hund H, Wettstein R, Heidt CM. et al. Executing Distributed Healthcare and Research Processes – The HiGHmed Data Sharing Framework. Stud Health Technol Inform 2021;
• 10 Ammon D, Kurscheidt M, Buckow K. et al. Arbeitsgruppe Interoperabilität: Kerndatensatz und Informationssysteme für Integration und Austausch von Daten in der Medizininformatik-Initiative. Bundesgesundheitsbl 2024; 67: 656-667
• 11 Pelka O, Friedrich CM, Nensa F. et al. Sociodemographic data and APOE-ε4 augmentation for MRI-based detection of amnestic mild cognitive impairment using deep learning systems. PLOS ONE 2020; 15 (09)
• 12 Cai Q, Wang H, Li Z. et al. A survey on multimodal data-driven smart healthcare systems: approaches and applications. IEEE Access 2019; 7: 133583-133599
• 13 Pelka O, Koitka S, Rückert J. et al. Radiology objects in context (ROCO): a multimodal image dataset. In CVII-STENT & LABELS 2018 Workshops. In: . Springer; 180-189
• 14 Shaik T, Tao X, Li L. et al. A survey of multimodal information fusion for smart healthcare: mapping the journey from data to wisdom. Information Fusion 2024; 102040
• 15 Ienca M, Ferretti A, Hurst S. et al. Considerations for ethics review of big data health research: a scoping review. PLOS ONE 2018; 13 (10) e0204937
• 16 Brossard PY, Minvielle E, Sicotte C. The path from big data analytics capabilities to value in hospitals: a scoping review. BMC Health Services Research 2022; 22 (01) 134
• 17 Sun L, Jiang X, Ren H. et al. Edge-cloud computing and artificial intelligence in internet of medical things: architecture, technology and application. IEEE Access 2020; 8: 101079-101092
• 18 Monteiro ACB, França RP, Arthur R. et al. An overview of medical Internet of Things, artificial intelligence, and cloud computing employed in health care from a modern panorama. In The Fusion of IoT, AI, and Cloud Computing in Healthcare 2021; 3-23
• 19 Guerra-Manzanares A, Lopez LJL, Maniatakos M. et al. Privacy-preserving machine learning for healthcare: open challenges and future perspectives. In Trustworthy Machine Learning for Healthcare. In: . Springer; 25-40
• 20 Rehman MU, Shafique A, Ghadi YY. et al. A novel chaos-based privacy-preserving deep learning model for cancer diagnosis. IEEE Trans. on Network Science and Engineering 2022; 9 (06) 4322-4337
• 21 Ayaz M. et al. The Fast Healthcare Interoperability Resources (FHIR) standard: systematic literature review. JMIR Med. Inform 2021; 9 (07) e21929
• 22 de Mello BH, Rigo SJ, da Costa CA. et al. Semantic interoperability in health records standards: a systematic review. Health and Technology 2022; 12 (02) 255-272
• 23 Nan J, Xu LQ. Designing interoperable healthcare services based on FHIR: literature review. JMIR Med. Inform 2023; 11 (01) e44842
• 24 Genereaux BW. et al. DICOMweb: background and application of the web standard for medical imaging. J Digit Imaging 2018; 31 (03) 321-326
• 25 Schaffter T. et al. Evaluation of combined AI and radiologist assessment to interpret screening mammograms. JAMA Netw Open 2020; 3 (03)
• 26 Shen D, Wu G, Suk HI. Deep learning in medical image analysis. Annu Rev Biomed Eng 2017; 19: 221-248
• 27 Han H, Liu X. The challenges of explainable AI in biomedical data science. BMC Bioinformatics 2021; 22 (Suppl. 12) 443
• 28
• 29 Chen Y, Clayton EW, Novak LL. et al. Human-centered design to address biases in AI. J Med Internet Res 2023; 25: e43251
• 30 Borkowski AA, Jakey CE, Thomas LB. et al. Establishing a hospital artificial intelligence committee to improve patient care. Fed Pract 2022; 39 (08) 334-336
• 31 Karimian G, Petelos E, Evers SM. The ethical issues of AI in healthcare: a systematic scoping review. AI and Ethics 2022; 2 (04) 539-551
• 32 Čartolovni A, Tomičić A, Mosler EL. Ethical, legal, and social considerations of AI-based decision-support. Int J Med Inform 2022; 161: 104738
• 33 Apfelbacher T, Koçman SE, Prokosch HU. et al. A governance framework for AI applications in hospitals. Stud Health Technol Inform 2022; 316: 776-780
• 34 Bekbolatova M, Mayer J, Ong CW. et al. The transformative potential of AI in healthcare: navigating ethics and public views. Healthcare 2024; 12 (02) 125
• 35 AIDOC Homepage. Zugriff am 05. März 2025 unter: https://www.aidoc.com/
• 36 Arterys Homepage. Zugriff am 05. März 2025 unter: https://www.arterys.com/
• 37 Nuance Precision Imaging Network. Zugriff am 05. März 2025 unter: https://www.nuance.com/healthcare/
• 38 Deepc Homepage. Zugriff am 25. September 2024 unter: https://www.deepc.ai/
• 39 Alowais SA, Alghamdi SS, Alsuhebany N. et al. Revolutionizing healthcare: the role of AI in clinical practice. BMC Med Educ 2023; 23: 689
• 40 Bajwa J, Munir U, Nori A. et al. Artificial intelligence in healthcare: transforming the practice of medicine. Future Healthc J 2021; 8 (02) e188-e194
• 41 Radiological Cooperative Network (RACOON) Homepage. Zugriff am 05. März 2025 unter: https://www.netzwerk-universitaetsmedizin.de/projekte/racoon
• 42 Fit 4 Translation Homepage. Zugriff am 05. März 2025 unter: https://fit4translation.de/
• 43 Deutsche Röntgengesellschaft (DRG) Homepage. Zugriff am 05. März 2025 unter: https://www.drg.de/
• 44 Deutsche Gesellschaft für Neurologie (DGN) Homepage. Zugriff am 05. März 2025 unter: https://dgn.org/uber-uns
• 45 European Soceity of Medical Imaging Informatics (EUSOMII) Homepage. Zugriff am 05. März 2025 unter: https://www.eusomii.org/
• 46 Gematik Homepage. Zugriff am 05. März 2025 unter: https://www.gematik.de/
• 47 PlanetAI Homepage. Zugriff am 05. März 2025 unter: https://planet-ai.com/
• 48 PrivateAim Homepage. Zugriff am 05. März 2025 unter: https://privateaim.de/
• 49 mio42 GmbH Homepage. Zugriff am 05. März 2025 unter: https://mio42.de/
• 50 NVIDIA Triton Inference Server. Zugriff am 05. März 2025 unter: https://developer.nvidia.com/triton-inference-server
• 51 Sigle S, Werner P, Schweizer S. et al. Bridging the Gap Between (AI-) Services and Their Application in Research and Clinical Settings Through Interoperability: the OMI-Protocol. 2024.
• 52 Celery python framework. Zugriff am 05. März 2025 unter: https://github.com/celery
• 53 Medical Informatics Initiative Homepage. Zugriff am 05. März 2025 unter: https://www.medizininformatik-initiative.de/de/start
• 54 Network of University Medicine Homepage. Zugriff am 05. März 2025 unter: https://www.netzwerk-universitaetsmedizin.de/