Machine Learning & Healthcare: Wie Algorithmen Krankenkassenbeiträge fairer gestalten können

bei

 / 17. May. 2019

Machine Learning Algorithmen (zu deutsch: Algorithmen für maschinelles Lernen) helfen Organisationen, große Datenmengen zu analysieren, um die Entscheidungsfindung bei den Krankenkassenbeiträgen zu verbessern. Diese Tools werden in Krankenhäusern zunehmend dazu verwendet, Behandlungsentscheidungen zu treffen und die Effizienz zu verbessern. Die Algorithmen „lernen“, indem sie Muster in über viele Jahre gesammelten Daten identifizieren.

Was passiert also, wenn die analysierten Daten die historische Tendenz gegenüber gefährdeten Bevölkerungsgruppen widerspiegeln? Experten arbeitet daran, in allen Bereichen des Gesundheitssystems Gerechtigkeit sicherzustellen, einschließlich der Datenanalyse. Sie arbeiten seit mehreren Jahrzehnten an der Prüfung und Entwicklung von Lösungen für gesundheitliche Ungleichheiten.

Die Idee hinter den Algorithmen

Gesundheitssysteme stehen weltweit vor vielfältigen Herausforderungen: zunehmende Krankheitslast, Multimorbidität und Behinderung, die auf Alterung und epidemiologischen Wandel zurückzuführen sind, höhere Nachfrage nach Gesundheitsdienstleistungen, höhere gesellschaftliche Erwartungen und steigende Gesundheitsausgaben, so die Experten vom Online-Gesundheitsmagazin Medmeister [1].

Eine weitere Herausforderung betrifft die Ineffizienz mit schlechter Produktivität. Diese Herausforderungen des Gesundheitssystems bestehen vor dem Hintergrund des fiskalischen Konservatismus und einer fehlgeleiteten Sparpolitik, die die Investitionen in die Gesundheitssysteme einschränkt. Eine grundlegende Umgestaltung der Gesundheitssysteme ist von entscheidender Bedeutung, um diese Herausforderungen zu bewältigen und eine umfassende Gesundheitsversorgung für die Zukunft zu erreichen.

Machine Learning, die greifbarste Manifestation künstlicher Intelligenz – und das neueste Wachstumsfeld der digitalen Technologie – verspricht mit weniger mehr zu erreichen und könnte der Katalysator für eine solche Umwandlung sein.

Vorteile für den Gesundheitssektor

Die ständig wachsende Weltbevölkerung hat den Gesundheitssektor enorm unter Druck gesetzt, qualitativ hochwertige Behandlungs- und Gesundheitsleistungen anzubieten. Mehr denn je verlangen die Menschen nach intelligenten Gesundheitsdienstleistungen und Anwendungen, die ihnen helfen, ein besseres Leben zu führen und ihre Lebensdauer zu verlängern. Dieses Bedürfnis nach einem „besseren“ Gesundheitsdienst schafft immer mehr Möglichkeiten für Anwendungen der künstlichen Intelligenz und des maschinellen Lernens, um in die Gesundheits- und Pharmawelt einzusteigen. Da es im Gesundheitswesen keinen Datenmangel gibt, ist die Zeit reif, um das Potenzial dieser Daten mit KI- und ML-Anwendungen zu nutzen.

Wie verbreitet sind diese Algorithmen heute im Gesundheitswesen?

Dies variiert je nach Einstellung, sie werden jedoch zunehmend für die klinische Behandlung verwendet [2], beispielsweise das Lesen von Röntgenstrahlen und Bildern zur Diagnose von Erkrankungen wie Augenerkrankungen oder Hautkrebs. Sie werden auch aus betriebswirtschaftlicher Sicht zur Analyse von Krankenakten und Versicherungsansprüchen verwendet, um die Effizienz der Organisation zu steigern und die Kosten zu senken.

An der University of Chicago Medicine gibt es eine Datenanalyse-Gruppe. Sie erstellen Algorithmen zur Analyse von Daten in elektronischen Patientenakten. Eines der Projekte, an denen sie arbeiten, besteht darin, die Aufenthaltsdauer für Patienten zu verkürzen, da es im besten Interesse ist, dass Patienten nach Hause gehen, sobald sie bereit sind. Der Gedanke war: Wenn Patienten identifiziert werden können, bei denen die Wahrscheinlichkeit einer frühzeitigen Entlassung besteht, kann ein Fallmanager beauftragt werden, um sicherzustellen, dass keine weiteren Blockaden oder Barrieren vorhanden sind, die das rechtzeitige Verlassen des Krankenhauses verhindern könnten.

Probleme bei der Verwendung

Die Datenanalysegruppe entwickelte zunächst die Algorithmen auf der Grundlage klinischer Daten und stellte dann fest, dass das Hinzufügen der Postleitzahl, in der der Patient lebt, die Genauigkeit des Modells verbessert und die Personen mit kürzeren Aufenthaltszeiten identifiziert. Das Problem war jedoch, dass wenn man eine Postleitzahl hinzufügen würde, wenn der Patient in einem armen Viertel wohnt, erhält man eher die längere Aufenthaltsdauer.

Der Algorithmus hätte also zu dem paradoxen Ergebnis geführt, dass das Krankenhaus zusätzliche Fallmanagementressourcen einer bereits wohlhabenden Bevölkerung zur Verfügung stellt, um sie früher aus dem Krankenhaus zu bringen, anstatt einer sozial stärker gefährdeten Bevölkerung, die diejenigen sein sollten, die mehr Hilfe erhalten. Mittlerweile arbeiten Datenanalyse-Teams nun daran sicherzustellen, dass diese Gerechtigkeitsprobleme explizit berücksichtigt werden, wenn Algorithmen entwickelt werden, und erforschen, wie sie das maschinelle Lernen proaktiv eingesetzt werden kann, um Gerechtigkeit zu verbessern.

Wie wird verhindert, dass diese unfairen Ergebnisse auftreten?

Der erste Schritt wäre zu untersuchen, wie die Modelle tatsächlich entwickelt werden. Hier gibt es technische Möglichkeiten, die Algorithmen so zu gestalten, dass sie bestimmte Prinzipien der ethischen Gerechtigkeit fördern. Man kann Algorithmen erstellen, die gleiche Ergebnisse für zwei Bevölkerungsgruppen gewährleisten, und so sicherstellen, dass die technische Leistung des Modells angemessen ist. Wenn es also ein Problem gibt, bei dem Algorithmen für die Diagnose von bestimmten Personengruppen unter bestimmten Umständen diagnostiziert werden, können die Parameter der Formeln geändert werden, um sie genauer zu machen.

Eine andere Möglichkeit zur Förderung der Gerechtigkeit besteht darin, Formeln so anzupassen, dass eine gleichmäßige Verteilung der Ressourcen gewährleistet ist. Das vorige Beispiel für die Zuweisung von Fallmanagern, damit die Menschen früher aus dem Krankenhaus nach Hause gehen können, ist ein gutes Beispiel. Sie können die Schwellenwerte für die Qualifizierung dieser Formeln ändern, um die Zuordnung der tatsächlichen Ressourcen zu verschiedenen Gruppen auszugleichen.

Wie lässt sich der Erfolg der Algorithmen überprüfen?

Trotz der Entwicklung einer guten Formel, muss man dennoch überwachen, was im wirklichen Leben passiert. Dazu gehört das Überwachen der Daten auf Ungleichheiten sowie das Gespräch mit den Leistungserbringern, den Patienten und den Administratoren, um festzustellen, ob sie Fairnessprobleme sehen.

Der genaue Ablauf bei Verwendung des maschinellen Lernens

Ein wirksames Management von Gesundheitssystemen, wie die Bereitstellung von öffentlicher Gesundheitsfürsorge, ist im Wesentlichen ein Netzwerk von Informationsverarbeitungsaufgaben. Die politischen Entscheidungsträger ändern die Gesundheitssystemfunktionen von Organisation, Finanzierung und Ressourcenmanagement, um die Ergebnisse des Gesundheitssystems (Gesundheitsdienste und öffentliche Gesundheit) und die Systemziele zu erreichen.

Die Gesundheitsfürsorge selbst umfasst zwei Hauptaufgaben der Informationsverarbeitung: Erstens das Screening und die Diagnose, d. h. die Klassifizierung von Fällen anhand von Anamnese und Untersuchungen und die zweite Behandlung und Überwachung, die die Planung, Implementierung und Überwachung eines mehrstufigen Verfahrens umfasst, um ein zukünftiges Ergebnis zu liefern.

Die wesentliche Form dieser Prozesse in allen Bereichen des Gesundheitssystemmanagements und der Versorgung umfasst die Generierung von Hypothesen, das Testen von Hypothesen und das Handeln. Maschinelles Lernen hat das Potenzial, Hypothesengenerierungs- und Hypothesentestaufgaben innerhalb eines Gesundheitssystems zu verbessern, indem zuvor verborgene Trends in Daten aufgedeckt werden, und hat daher das Potenzial, sowohl auf der Ebene des einzelnen Patienten als auch auf Systemebene erhebliche Auswirkungen zu haben.

Fazit

Maschinelles Lernen erweitert bestehende statistische Techniken, indem es Methoden verwendet, die nicht auf vorherige Annahmen über die Verteilung der Daten basieren, und kann Muster in den Daten finden, die wiederum zur Formulierung von Hypothesen und Hypothesentests verwendet werden können. Während maschinelle Lernmodelle schwieriger zu interpretieren sind, können sie jedoch viel mehr Variablen enthalten und sind für eine viel breitere Palette von Datentypen verallgemeinerbar und können in komplexeren Situationen zudem zu Ergebnissen führen.

Diese Methoden wurden im Forschungskontext für das Screening und die Diagnose und Vorhersage zukünftiger Ereignisse eingesetzt. Diese Einsätze finden in unterschiedlichen Bereichen statt, in der Regel im Krankenhaus und nicht in der Gemeinde. In den allermeisten Fällen basieren die Daten auf Daten einzelner Zentren, was sich auf die Reproduzierbarkeit und die Generalisierbarkeit auswirkt. Das rasante Tempo der Entwicklung des maschinellen Lernens setzt sich jedoch sowohl im Gesundheitswesen als auch bei allen Aufgaben der Informationsverarbeitung in der Gesellschaft fort.

Quellen und Referenzen

[1] https://www.medmeister.de/

[2] https://ceres.uni-koeln.de/fileadmin/user_upload/Bilder/Dokumente/ceres-Bertelsmann_Algorithmen.pdf

 

Alexander Eser gründete nach seinem Studium in Berlin, Oslo und Rotterdam das digitale Verbraucher-Magazin Kaufberater.io. Neben digitalen Geschäftsmodellen und Statistik, interessiert er sich vor allem für Fitness, Snowboarden und Reisen.