Digitalisierung im Gesundheitswesen und der Prävention

Update für die Gesundheitsvorsorge: Das leisten digitale Smart Health-Technologien bereits heute

Definition: Smart Health steht für die Digitalisierung des Gesundheitswesens. Dabei werden beispielsweise Prozesse der Vor- und Nachsorge bis hin zur Betreuung und Pflege mittels digitaler Technologien wie Smartphones, Software oder Apps unterstützt, beziehungsweise komplett übernommen.

Künstliche Intelligenz, Digitalisierung und Automatisierung halten in vielen Bereichen unseres Lebens Einzug. Auch unser Gesundheitswesen befindet sich in einer digitalen Transformation:  Das Stichwort lautet „Smart Health“. Big Data, 3-D-Verfahren und neue Diagnostik-Methoden erlauben es uns, mehr Daten erheben und verarbeiten zu können als je zuvor. Durch diesen technischen Fortschritt wird es unter anderem möglich, Therapien anzubieten, die wesentlich besser auf die und den jeweiligen Patient:in zugeschnitten sind (Personalisierte Medizin). Auch bei einem weiteren zentralen Thema im Gesundheitswesen hilft die Digitalisierung: Eine Möglichkeit, den Fachkräftemangel zu bekämpfen, ist die verstärkte Implementierung unterstützender Robotik in Krankenhäusern und Pflegeheimen. Beispielsweise können Roboter bereits heute Patientenakten bearbeiten und pflegebedürftigen Menschen dabei assistieren, möglichst lange selbstständig zu leben. Auf diesem Weg wird das Fachpersonal entlastet und hat wieder mehr Zeit für die direkte Interaktionen mit den Patient:innen.

KI im Gesundheitswesen

Speziell die Künstliche Intelligenz (KI) wird im Gesundheitswesen eine Schlüsselrolle übernehmen. Bereits heute unterstützt sie Medizner:innen und Krankenhäuser, indem sie unter anderen dabei hilft, Erkrankungen frühzeitig zu erkennen, genaue Diagnosen zu stellen, geeignete Behandlungsmethoden zu finden und deren Effektivität zu erhöhen. Gibt ein/e Patient:in beispielsweise bestimmte Symptome an, kann eine KI der Ärztin oder dem Arzt bereits erste Diagnosevorschläge machen. Auch bei der Entwicklung neuer Medikamente gewinnt der Einsatz von KI zunehmend an Relevanz: Dank Machine Learning können viele analytischen Vorgänge in der Arzneimittelentwicklung erheblich effizienter gestaltet werden, was bestenfalls jahrelange Arbeit und Unsummen an Investionsgeldern einsparen kann.

Eine Hürde, die es jedoch noch zu überwinden gilt, sind juristische Fragen zum Datenschutz. Diese Problematik hindert aktuell noch viele Entscheider:innen daran, entsprechende Maßnahmen für die Einführung von KI zu treffen.

KI in der Prävention

Ein Zweig, der für die Medizin immer wichtiger wird, ist die Vorsorge. Die Zielsetzung lautet hier

1.      Durch regelmäßige Vorsorgeuntersuchungen Risiken sowie Vorbelastungen zu erkennen, ggf. frühzeitig gegenzusteuern und so die Gefahr einer möglichen Erkrankung auf ein Minimum reduzieren.

2.     Krankheiten frühzeitig zu diagnostizieren, wertvolle Zeit zu gewinnen und so die Chancen einer erfolgreichen Behandlung/Therapie maßgeblich zu erhöhen.

Mithilfe der von KI durchgeführten Datenanalyse ist es möglich, neue Erkenntnisse über Krankheiten und deren Verbreitung sowie Risikofaktoren zu gewinnen. Auf diesem Weg können Menschen, die ein erhöhtes Krankheitsrisiko besitzen, schneller identifiziert werden. Dies kann beispielsweise über die Analyse des Erbguts, bestimmter Mikroorganismen (Mikrobiom) oder auch der äußeren Erscheinung erfolgen. Personen, bei denen ein erhöhtes Risiko festgestellt wurde, können daraufhin gezielt beobachtet werden und ihren Lebensstil entsprechend anpassen.

Natürlich ist KI und speziell das sogenannte „Superviced Machine Learning“, insbesondere in den Bereichen hilfreich, in denen die Digitalisierung der von den Mediziner:innen ermittelten diagnostischen Informationen bereits weit fortgeschritten ist.

Zum Beispiel:

• Bei der auf CT-Scans basierenden Erkennung von Schlaganfällen oder Lungenkrebs
• In der Dermatologie, speziell im Bereich der Klassifizierung von Hautläsionen in Hautbildern
• Beim Finden bestimmter Indikatoren in Augenbildern, die auf diabetische Retinopathie, (einer Erkrankung der Netzhaut, die schlimmstenfalls zur Erblindung führen kann)
• Bei der Beurteilung des Risikos eines Herzinfarkts, plötzlichen Herztodes oder anderer Herzerkrankungen

Praxisbeispiel aus der Herzvorsorge

Ein gutes Beispiel aus der Praxis stellt die Weiterentwicklung der Herzvorsorge da. Bislang mangelte es in der Medizin an zuverlässigen Methoden, um das Risiko von Minderdurchblutungen des Herzens mit einfachen, nicht-invasiven Mitteln frühzeitig und sicher zu erkennen. Das traditionelle EKG, welches seit über 100 Jahren nicht überholt wurde und dennoch als Standardvorsorgemethode genutzt wird, ist zwar unkompliziert und ungefährlich in der Anwendung, bietet jedoch nicht die erforderliche Zuverlässigkeit und Präzision, wenn es auf eine eindeutige Diagnose ankommt. Ein Herz-CT bzw. eine Herzkatheteruntersuchung sind zu aufwändig und für die Patientinnen zu belastend, um sie ohne konkreten Verdacht durchzuführen.

Dem jungen Healthcare-Unternehmen Cardisio ist es nun gelungen, dieses Dilemma zu beseitigen und auf Grundlage Künstlicher Intelligenz ein „Frühwarnsystem“ für Herzerkrankungen zu entwickeln, welches leicht anzuwenden und zu interpretieren ist, nur wenige Minuten in Anspruch nimmt und zudem nicht invasiv ist. Bei der neuen Screening-Methode handelt es sich um ein „3D-Vektor-EKG“ bei dem das Herz im dreidimensionalen Raum vermessen und die so gewonnenen Daten mit Hilfe eines Computer-Algorithmus ausgewertet werden. Für Mediziner:innen entsteht so innerhalb von wenigen Minuten ein präziser Überblick über das Infarktrisiko der Patient:innen.

Immer präzisere Prognosen dank Supervised Machine Learning

Künstliche Intelligenz ermöglicht es dem Algorithmus, die Genauigkeit der Voraussage fortlaufend zu optimieren. Dies geschieht mittels Supervised Machine Learning (überwachtes maschinelles Lernen), einer Methode des maschinellen Lernens, bei der ein Algorithmus mit einem Datensatz trainiert wird, dessen Zielvariable bereits bekannt ist. So ist der Algorithmus in der Lage, Zusammenhänge und Abhängigkeiten in den Daten zu erlernen, die diese Zielvariable spezifizieren. Nach dem Training folgt eine Beurteilung der Qualität der Vorhersage. Auf diesem Weg ist es möglich, die erlernten Muster auf bislang unbekannte Daten anzuwenden. Der Vorteil des Superviced Machine Learnings besteht also darin, dass die Lernerfahrung in den Prozess miteinfließen kann, was die Erstellung zunehmend genauerer Vorhersagen und Prognosen ermöglicht.

Fazit

Die Digitalisierung des Gesundheitswesens, bzw. der Gesundheitsprävention bietet unter anderem durch die Verbesserung von Diagnosemöglichkeiten, Entlastung von Pflegekräften mittels unterstützender Robotik und der Entschärfung des Fachkräftemangels sowohl für Mediziner:innen und Pflegekräfte als auch für Patient:innen enorme Chancen. Dabei sollen Automatisierung und Digitalisierung Pflegepersonal und Mediziner:innen nicht durch Algorithmen ersetzen. Viel eher liegt das Potenzial der Digitalisierung darin, Methoden zu entwickeln und zu implementieren, die den Menschen im Gesundheitswesen entlasten und ihm so wieder Raum für das zu geben, was ihn einzigartig macht und was Patient:innen benötigen: Emotionen und Empathie.