Technikgetriebene Innovationen waren immer schon ein Treiber für Umwälzungen in der Medizin. Künstliche Intelligenz hat es allerdings noch nicht in der Breite in die klinische Routineversorgung geschafft – Ausnahmen bestätigen die Regel. Das mag zum einen an überzogenen Erwartungen der Anwender oder einer fehlenden Infrastruktur in den Gesundheitseinrichtungen liegen. Zum anderen aber hat die Digitalisierung in Deutschland gerade erst angefangen. Künstliche intelligenz ct. Daneben erweisen sich gesetzliche Vorgaben immer wieder als Hürden: aktuell etwa die europäische Medizinprodukteverordnung (Medical Device Regulatory, MDR), nach der Softwarelösungen höher klassifiziert werden als bislang und damit zeitaufwendig und kostspielig zertifiziert werden müssen. Plattformen statt Marktplätze In jüngster Vergangenheit hat KI die Radiologie mehr als jede andere Disziplin des Gesundheitswesens beeinflusst. Das zeigt sich nicht nur an der Zahl von Start-ups in diesem Bereich, sondern auch daran, dass jeder Modalitätenanbieter mehr oder minder intelligente Algorithmen in seine Lösungen einbindet.
Neue Methoden zeigen Entscheidungswege künstlicher Intelligenz auf Machine Learning erzeugt heute KI-Systeme, die Entscheidungen schneller treffen als ein Mensch. Darf dieser sich aber entmündigen lassen? Neue Methoden machen Entscheidungswege transparent und nachvollziehbar und schaffen damit Vertrauen und Akzeptanz – oder sie decken Missverständnisse auf. A utonomes Fahren, Gesichtserkennung, Sprachverstehen und Empfehlungssysteme werden heute als KI-Systeme verwirklicht, zumeist in Form neuronaler Netze. Künstliche Intelligenz im CT • healthcare-in-europe.com. Diese entstehen nicht durch manuelle Programmierung, sondern durch maschinelles Lernen, indem sie automatisiert mit vorgegebenen großen Mengen an Beispieldaten trainiert werden – das sogenannte Deep Learning. Am Ende ist allerdings nur sehr schwer nachzuvollziehen, wie neuronale Netze tatsächlich Entscheidungen treffen, zahlreiche versteckte Ebenen zwischen Eingabe- und Ausgabeschicht und Millionen von Parametern machen sie zu äußerst schwer zu durchschauenden Black-Box-Modellen. Der Grund, warum Deep-Learning-Verfahren trotzdem zunehmend eingesetzt werden: Abstrakte Algorithmen finden in komplexen und hochdimensionalen Datenmengen Muster, die kein Mensch jemals in der Lage wäre zu entdecken.
"Wichtig bleibt, dass wir bei der Entscheidung mit diesem KI-basierten Tool einen unparteiischen Qualitätsassistenten zur Seite stellen", hebt Innovationsleiter Köth hervor. Im Rahmen von Diplomarbeiten untersucht der Gesundheitskonzern in diesem Zusammenhang, welche Maßnahmen erforderlich sind, um die Unabhängigkeit der Entscheidungen der Qualitätsexperten von den Vorschlägen der KI zu gewährleisten. "Je besser die Empfehlungen werden, desto höher ist die Akzeptanz der Menschen. Medizin: KI hilft bei der Analyse von CT-Befunden. Daher müssen wir sicherstellen, dass der Mitarbeiter zu jedem Zeitpunkt proaktiv den Vorschlag der künstlichen Intelligenz überprüft", betont Köth. Schmiedhofer, Ratheiser, Köth, Weber (v. l. n. r. - Fotocredit: Leftshift One) Werk Graz (Fotocredit: Fresenius Kabi Austria) Zurück zur Übersicht