KI im Gesundheitswesen

Egal ob am Digitaltag – einem Thementag zur gemeinsamen Gestaltung der Digitalisierung – oder dem Wissenschaftsjahr 2019 zur Künstlichen Intelligenz: KI steht auf dem Programmplan. Denn künstliche Intelligenz ist zu einem wichtigen gesellschaftlichen Thema mit vielen Anwendungsbereichen geworden. Gerade wenn Europa und Deutschland als Wirtschafts- und Innovationsstandort Schritt halten will, muss es den digitalen Wandel aktiv gestalten. Denn Digitalisierung verändert unseren Alltag und das Zusammenleben, aber auch verschiedene Wirtschaftszweige und Bereiche wie das Gesundheitswesen.

Was ist KI?

Zunächst einmal sollten wir klären, was unter Künstlicher Intelligenz verstanden wird. Dazu gibt es ein einfaches Modell, das aus vier Ebenen besteht:

1. Künstliche Intelligenz als Sammelbegriff für alle Systeme, die mit Algorithmen bestimmte Aufgaben lösen
2. Maschinelles Lernen (Machine Learning) ist ein Teilgebiet, das selbstlernende Algorithmen beschreibt, die aus der Analyse von Daten Muster erkennen können
3. Künstliche neuronale Netze sind Systeme, die wie etwa das menschliche Gehirn Informationen aus verschiedenen Ebenen („Neuronen“) verarbeiten können
4. Deep Learning umfasst ein komplexes Netz, das tiefgehende Lernprozesse aus Daten aus vielen Schichten und Verbindungen verschiedener Ebenen möglich macht

Chancen und Risiken von KI für die Gesundheitsbranche

Die Forschung zur Künstliche Intelligenz steht natürlich noch immer am Anfang. Doch langfristig gesehen besitzen KI und Machine Learning – als Aspekte der Digitalisierung – ein unheimlich großes Potential für Innovationen, die auch die Medizin und das Gesundheitswesen verändern werden.

Etwa können durch den Einsatz von intelligenter Software Behandlungsmethoden verbessert werden. Durch die Analyse großer Datenmengen und dem Erkennen von Mustern könnten Krankheiten früher erkannt werden, Therapien personalisiert und Personal entlastet werden. Außerdem könnten seltene Krankheiten erkannt werden, Prozesse optimiert und dadurch beschleunigt, Kosten gesenkt und generell die Patientenversorgung verbessert werden. Durch die Auswertung von medizinischem Bildmaterial kann zum Beispiel KI den Therapeuten dabei unterstützen eine Diagnose zu stellen.

Erfolge dabei wurden beispielsweise bei der Erkennung von schwarzem Hautkrebs in einer Studie der Universität Heidelberg und des Deutschen Krebszentrums erzielt. Auch eine Studie aus Stanford zeigt positive Ergebnisse bei der Erkennung von Hautkrebs durch künstliche Intelligenz. Eine weitere Studie, die im Fachmagazin Radiology veröffentlicht wurde, zeigt auch, dass KI dabei helfen kann, unnötige Behandlungen zu minimieren. Die Rate von Brustkrebsoperationen konnte dieser Studie zufolge um 30 % gesenkt werden. 

KI im Gesundheitswesen: Chancen und Herausforderungen

Aber der Einsatz von KI hält nicht nur Chancen aus Verbesserungen, sondern auch Herausforderungen und Risiken bereit. Datensicherheit, Verantwortung und Transparenz sowie juristische Rahmenbedingungen sind hier die Schlagworte.

Künstliche Intelligenz braucht vor allem Daten und am besten so viele wie möglich. Diese müssen in digitalisierter und strukturierter Form vorliegen, um genutzt werden zu können. Außerdem muss eine hohe Datenqualität gewährleistet sein und es darf nicht zu Diskriminierung etwa wegen Geschlecht, Alter oder Abstammung durch die Datensätze kommen, da aussagekräftige Daten für bestimmte Gruppen fehlen. Eine Studie fand beispielsweise heraus, dass bestimmte KI-gestützte-Diagnostikverfahren bei Schwarzen häufiger zu Fehldiagnosen führen. Außerdem gibt es Forschungslücken beim Thema KI und Medizin in Bezug auf das Geschlecht des Patienten, da die meisten Probanden männlich sind.

Forscher der Universität Heidelberg dämpfen die Euphorie zum Thema KI etwas im „Ärzteblatt“: "Man sollte sich nicht täuschen lassen. Wirklich große Datensätze, die Tausende von Patienten einschließen und gleichzeitig gute Datenqualität aufweisen, wird es auch in Zukunft eher selten geben." 

Auch brauche es mehr verlässliche Studien, die gewährleisten, dass KI auch im Alltag der Klinik eingesetzt werden kann, was eine Studie, die im Wissenschaftsmagazin The Lancet erschien, bekräftigt.

KI im Gesundheitswesen: Voraussetzungen

Da das Thema Künstliche Intelligenz in der Medizin so viele Chancen birgt, aber eben auch vor noch so vielen Herausforderungen steht, steht es auch im Bundesforschungsministerium auf dem Plan, um die technischen, gesellschaftlichen und politischen Voraussetzungen zu klären. Dafür wurden verschiedene Maßnahmen getroffen.

Rahmenbedingungen sollen durch „Strategie Künstliche Intelligenz“ der Bundesregierung geschaffen werden. Schon im Juni 2018 hatte der Bundestag auch die Einsetzung einer Enquete-Kommission „Künstliche Intelligenz – Gesellschaftliche Verantwortung und wirtschaftliche, soziale und ökologische Potenziale“ beschlossen.

Außerdem wurde die Medizininformatik-Initiative gegründet, um Patientendaten aus Forschung und Versorgung zusammenführen zu können und damit für verschiedene Anwendungsbereiche nutzbar zu machen. Denn Datensätze, etwa aus der elektronischen Patientenakte, sind das A und O, wenn es um KI geht. Aber deren Qualität muss eben gewährleistet sein, weshalb Forschungsprojekte zu ethischen, rechtlichen und sozialen Aspekten des Einsatzes von KI vom BMBF gefördert werden sollen (ELSA).

Auch heißt es aus dem Ministerium, dass vor allem interdisziplinäre Forschung für verantwortungsvollen Einsatz von und Rahmenbedingungen für KI notwendig ist. Dafür wurde die Plattform „Lernende Systeme“ ins Leben gerufen. Diese umfasst Experten aus Wissenschaft, Wirtschaft und Politik sowie zivilgesellschaftliche Organisationen und hat im April 2020 den Bericht Sichere KI-Systeme in der Medizin vorgelegt. 

Vor allem seien Einblicke und Beurteilung der KI-Systeme durch unabhängige Experten wichtig und die Kriterien der Entscheidung durch den Algorithmus müssen transparent gemacht werden und nachvollziehbar sein. Deshalb fordern die Experten die Zertifizierung von KI-Systemen, die regulatorische Aufsicht über KI-Analyseverfahren und Testdatensätze, Zugriffskontrollmechanismen, sichere Übertragungswege und die Integrität von Datensätzen. Sie fordern aber auch weit mehr Patientendaten in die ePA aufzunehmen und so etwa für Forschungsdatenspenden nutzbar zu machen. Digitalverbände hingegen kritisieren, dass Hürden abgebaut werden und die Zulassungsverfahren für die neuen Technologien angepasst werden müssen, damit sie schneller nutzbar würden.

Vier Anwendungsbereiche der KI

Kommen wir aber jetzt von der Theorie zur Praxis. Der Einsatz von KI führt aktuell in Teilen schon zur Kostenreduktion und der Entlastung von Personal. In diesen vier Anwendungsbereichen findet KI ihren Einsatz:

1. Diagnostik von Krankheiten

Die Diagnose von Krankheiten ist vielmals ein schwieriger und zeitaufwendiger Prozess, der viel Erfahrung verlangt. Der Druck auf Ärzte ist sehr groß und es kommt zu Verzögerungen, da die Nachfrage an Experten höher ist als ihr Angebot. 

Diagnostik kann durch Machine Learning Algorithmen also durch automatische Diagnose leichter zugänglich und preiswerter gemacht werden. Denn Maschinen können anhand von tausender konkreter Beispiele lernen, Muster zu erkennen und dem behandelnden Arzt Ergebnisse zur Interpretation liefern. Beispiele für Diagnoseverfahren mit vielen guten Daten wären beispielsweise CT-Scans der Lunge, Herz-MRT-Aufnahmen und Elektrokardiogramme, Hautbilder oder Augenbilder, die Indikatoren für Diabetische Retinopathie zeigen.

Natürlich wird die KI den Arzt in naher Zukunft nicht ersetzen. Die menschliche Interpretation der Ergebnisse durch die KI ist unabdingbar, da die Diagnostik bei Lebewesen mehr als die Auswertung der bloßen Daten ist und der Mensch kein binäres Wesen wie ein Computer. Aber die Kombination aus KI und Arzt hat eine Studie im Magazin Nature zufolge, eine besonders geringe Fehlerquote in der Auswertung von Röntgenaufnahmen der Brust.

2. Entwicklung von Medikamenten

Viele Prozesse können durch Machine Learning effizienter gestaltet werden. So auch der zeitaufwendige und sehr teure Prozess der Medikamentenentwicklung.

Zunächst einmal muss bei der Entwicklung von Arzneien der biologische Prozess hinter der Krankheit verstanden werden und die Targets zur Bekämpfung identifiziert werden. Machine Learning könnte hier Zielproteine für den Wirkstoff identifizieren, indem es verfügbare Daten analysiert.

Dann muss eine Verbindung zum Zielmolekül, mit dem man interagieren möchte, gefunden werden: es müssen also verschiedene Verbindungen auf Wirkung und Nebenwirkungen getestet werden. Hierbei kann Machine Learning die Eignung eines Moleküls anhand molekularer Deskriptionen vorhersagen.

Außerdem könnte KI klinische Studien beschleunigen, indem durch Auswertung bestimmter Daten schneller geeigneten Testpersonen gefunden werden können und die korrekte Verteilung der Studienteilnehmer vorgenommen werden kann.

Machine Learning könnte außerdem die Suche nach Biomarkern erleichtern, die wichtig für eine richtige Diagnose sind, indem sie bestimmte Moleküle klassifizieren, um Krankheiten zu identifizieren (diagnostischer Biomarker), ihren Verlauf vorherzusagen (prognostischer Biomarker), das Risiko für Krankheit anzuzeigen (Risikobiomarker) oder die Wirksamkeit eines Medikaments festzustellen (prediktiver Biomarker).

3. Personalisierte Behandlung

Jede Krankheit wirkt sich ganz unterschiedlich auch verschiedene Menschen aus. Eine personalisierte Behandlung hat also das große Potential, die Medizin erfolgreicher zu machen. Dazu ist es wichtig zu klären, welche Faktoren genau die Behandlung beeinflussen. Dabei kann Machine Learning vorhandene ähnliche Daten anderer Patienten abgleichen und damit statistisch auswerten, ob die Behandlung für den jeweiligen Patienten geeignet sein könnte.

4. Verbesserung der Genbearbeitung

Neben KI ist auch der Begriff CRISPR-CAS9 in Wissenschaft und Gesellschaft in aller Munde. Eine Genschere, die es möglich macht, bestimmte DNA-Sequenzen zu editieren. Um Gene zu bearbeiten müssen Guide RNAs entwickelt werden, um „Genschere“ an gewünschtem Genabschnitt ansetzen zu können und diesen zu bearbeiten. Diese sind in vielen Fällen aber noch nicht genau genug.

Auch hier kann Machine Learning zum Einsatz kommen, in dem durch die Auswertung vorhandener Daten, Vorhersagen dazu getroffen werden können, auf welche Weise eine bestimmte Stelle ausgewählt, angezielt und editiert werden kann, um unbeabsichtigte Nebenwirkungen bei der Genbearbeitung zu verhindern.