Künstliche Intelligenz - im Gesundheitswesen - Sozialversicherung
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Health System Watch ı Künstliche Intelligenz im Gesundheitswesen
Künstliche Intelligenz
im Gesundheitswesen
Aufgrund der raschen Entwicklung ist künstliche Intelligenz (KI) bereits in einigen
alltäglichen Anwendungen (z.B. Suchmaschinen) fixer Bestandteil geworden. Die
Europäische Kommission hat zur weiteren Entwicklung von KI 2020 ein „white paper“
entworfen (Europäische Kommission, 2020). Die Auseinandersetzung damit ist höchst
–
aktuell, da alle Bereiche der Digitalisierung von dieser Entwicklung erfasst werden.
Text: Thomas Czypionka, Fabian Hobodites, Institut für Höhere Studien 1
Was ist künstliche Intelligenz? Innerhalb des Überbegriffs der KI Deep Learning auszeichnet, ist, dass
Künstliche Intelligenz ist ein sehr all- gibt es zahlreiche Begrifflichkeiten, die Ebenen, in denen die künstliche
gemeiner Begriff, der weitgehend als die am Beispiel Deep Learning in Intelligenz Outputs generiert, nicht
ein Prozess verstanden wird, in dem Abbildung 1 skizziert werden. In die- von Menschen entwickelt werden,
Maschinen oder Softwareprogram- ser Stufengrafik werden, auf mehre- sondern in einem Lernprozess entste-
me menschliches Denken imitieren. ren Ebenen, die in diesem Rahmen hen, der durch Datenzufuhr gestützt
Die Möglichkeiten solcher Innova- relevanten KI-Begriffe genauer erklärt. wird (LeCun et al., 2015). Dement-
tionen sind in der Theorie nahezu Aufgrund der technischen Mög- sprechend wichtig ist es, diesen Lern-
unbegrenzt. Es gibt längst Beispiele, lichkeiten hat Machine Learning (ML) prozess bestmöglich zu konzipieren
bei denen Softwareumsetzungen die im Gesundheitswesen besonders an und sich möglicher Fehlerquellen be-
kognitiven Leistungen von Menschen Relevanz gewonnen. Vereinfacht ge- wusst zu sein.
übertreffen können. Schachcompu- sagt beschreibt Machine Learning die In der Praxis können unverarbei-
ter können beispielsweise selbst von Fähigkeit eines Programms, anhand tete Informationen, wie zum Beispiel
den besten menschlichen Spielern von neuen Informationen dazuzuler- Bilder, durch die Verwendung von
nicht mehr geschlagen werden. Zu- nen und auf Basis des Erlernten Ent- Deep Learning-Algorithmen analy-
dem werden viele Aspekte des täg- scheidungen zu treffen. Deep Lear- siert werden, was für den diagnos-
lichen Lebens schon von künstlicher ning-Algorithmen stellen innerhalb tischen Bereich in der Medizin von
Intelligenz geprägt. So kommt KI im des Machine Learning eine Subgrup- großer Bedeutung ist. Die Möglich-
Transportwesen bereits seit länge- pe dar. Beim Deep Learning werden keiten gehen jedoch weit darüber
rem zum Einsatz; sowohl im Flug- als durch künstliche neuronale Netzwer- hinaus, auch wenn Anwendungsbe-
auch im Zugverkehr ist künstliche ke (engl. artificial neural networks) reiche jenseits der Bildanalyse noch
Intelligenz in den Alltag eingebunden Prozesse des menschlichen Gehirns weniger entwickelt sind. In der Theo-
(Mintz & Brodie, 2019). Andere alltäg- imitiert. In unserem Gehirn reagieren rie kann KI in verschiedensten Berei-
liche Beispiele, bei denen KI-Systeme Nervenzellen auf äußere Reize und chen der medizinischen Versorgung
genutzt werden, sind Sprachverarbei- verknüpfen sich neu, um Lernprozes- einen Nutzen bringen. Von der Dia-
tung, Suchmaschinen oder Bilderken- se durchzuführen oder Muster zu er- gnostik über die direkte Patienten-
nung. Für den medizinischen Bereich kennen (Beam & Kohane, 2016). Deep versorgung bis hin zur Kontrolle von
sind vor allem die Bildverarbeitung Learning-Algorithmen sind ähnlich menschlichen Vitalfunktionen gibt
und computergestütztes Sehen auch organisiert: Innerhalb des Software- es Bereiche, in denen künstliche In-
jetzt schon von größerer Bedeutung. Netzwerks gibt es ein komplexes Be- telligenz im medizinischen Alltag zu-
ziehungsgeflecht aus Analysefiltern, mindest unterstützend wirken kann.
welche den ursprünglichen Input In späteren Kapiteln werden einige
immer weiter verarbeiten, um über Beispiele, wie automatisierte Bild-
1
Frühere Ausgaben des Health System Watch sind ab- verschiedene versteckte Ebenen zu analysen oder KI-gestützte Medika-
rufbar im Internet unter: http://www.ihs.ac.at oder
https://www.sozialversicherung.at/cdscontent/?conten- einem Gesamtergebnis zu kommen mentenentwicklung, dargestellt. Es
tid=10007.846163&portal=svportal. (LeCun, Bengio & Hinton, 2015). Was gibt neben den vielen Stärken aber
94
auch Herausforderungen, die wir im besagte Technologie, einzig, weil sie ten führen und KI-Applikationen in
Folgenden diskutieren. eine Innovation darstellt, schon eine speziellen Bereichen sogar unbrauch-
intrinsische Rechtfertigung hat. Da- bar machen. Oftmals hängt diese
Stärken & Schwächen künstli- bei ist zu beachten, dass nicht jede Schwäche mit den Daten zusam-
cher Intelligenz Anwendung von künstlicher Intelli- men, anhand derer eine künstliche
In der Literatur findet man in Bezug genz automatisch zu einem klinischen Intelligenz lernt. Ein Bias, der Teil der
auf künstliche Intelligenz ein breites Nutzen oder einer Qualitätssteigerung Daten ist, kann von der KI nicht als
Spektrum an positiven Darstellungen. für Patient*innen führt. In der Litera- solcher erkannt werden und wird er-
KI und im Spezielleren Machine Lear- tur wurden mittlerweile auch einige lernt. Wenn eine KI beispielsweise in
ning-Systeme sind in der Lage, Millio- Schwächen aufgezeigt. einem Krankenhaussetting lernt, kann
nen von Daten in einer viel kürzeren Ein solcher Aspekt ist die Tatsa- es sein, dass diese KI in einem ande-
Zeit zu verarbeiten, als es Menschen che, dass auch KI-Systeme inhärente ren Setting nicht anwendbar ist. Eine
je möglich wäre. Mit der Weiterent- Befangenheiten aufweisen können Lösung für solche Probleme wäre ein
wicklung der künstlichen neuronalen (Liyanage et al., 2019; Noorbakhsh- standardisiertes Vorgehen in der Kali-
Netzwerke werden KI-Systeme stets Sabet, Zand, Zhang & Abedi, 2019). brierungsphase (Noorbakhsh-Sabet et
leistungsfähiger. Innovationen im Technologie, die die Fähigkeiten hat, al., 2019).
Hardware-Bereich begünstigen diese selbst zu lernen, kann einen Bias he- Die Qualität der vorhandenen
Entwicklung (Liyanage et al., 2019). rausbilden, wenn die Datengrundla- Daten ist ebenfalls wichtig, denn
Computerleistung sowie Cloudspei- ge diesen Umstand begünstigt. Das Krankheitsbilder können von individu-
cher erfahren seit langer Zeit ein ex- kann in der Folge zu Ungenauigkei- ellen Charakteristika wie kulturellem
ponentielles Wachstum, was den
KI-Bereich beflügelt hat (Yu, Beam &
Kohane, 2018). Deep Learning-Algo-
rithmen werden durch diese Innova-
tionen immer mächtiger. Der Vorteil
Zusammenfassung verschiedener KI-Begriffe Abbildung 1
des Deep Learnings ist, dass Pro-
gramme selbst Muster erkennen und
somit die Analysen ohne mensch-
liches Eingreifen optimieren kön- Künstliche Intelligenz (KI):
nen. Prozesse, die ohnehin schneller Schwache KI: Ahmt Expert*innen nach und hat eine klare Input-Output-
durchgeführt werden, können auf Struktur, z.B. Insulinpumpe
diese Weise noch genauer werden. Starke KI: Beschreibt KI im eigentlichen Sinn und ist zu eigenständigem
Durch Deep Learning wurde es mög- Lernen fähig, z.B. Machine Learning
lich, Probleme zu lösen, die selbst im
Bereich der (schwächeren) künstli-
chen Intelligenz über viele Jahre nicht
Machine Learning (ML):
gelöst werden konnten (LeCun et al.,
Beschreibt eine Reihe von Methoden, die Datenmuster erkennen können
2015).
(Murphy, 2012)
Bei neuen Technologien ist es sehr
Supervised ML: Der gewünschte Output wird in einer Trainingsphase von
einladend, die möglichen Chancen
Menschen definiert
in den Vordergrund zu stellen. Im
Unsupervised ML: Ungekennzeichnete Daten werden verwendet, um Muster
Medizinbereich verspricht künstliche
selbst zu erkennen
Intelligenz die Verbesserung verschie-
denster Behandlungsbereiche. Ein
derartig positiver Blickwinkel kann
jedoch auch dazu führen, dass wichti-
Deep Learning:
ge Schritte im Bereich der Ausgestal- Ist eine Art von Machine Learning. Inputs werden in unterschiedlichen Ebenen
tung in den Hintergrund geraten. In evaluiert. Die Vorgänge innerhalb der Ebenen sind nicht transparent, z.B. wird
der Literatur wird in diesem Kontext ein Bild vervielfacht und läuft durch verschiedene Analysefilter. Dieser Prozess
an einer Stelle von „self-evident ad- kann sich bis zum finalen Output mehrmals wiederholen (Mintz & Brodie, 2019).
vanced technology“ (dt. selbstver-
ständlich fortgeschrittene Technolo-
gie) gesprochen (Vollmer et al., 2018).
Dieses Phänomen beschreibt, dass Quelle: IHS-Darstellung
95Health System Watch ı Künstliche Intelligenz im Gesundheitswesen
Hintergrund, Lebensstil und sozio-
ökonomischen Umständen abhängig
sein (Lee & Yoon, 2021). Wenn diese
Spezifika in der Datenbasis nicht ent-
halten sind, kann eine KI diese auch
nicht berücksichtigen und wird in der
Praxis fehlerhafte Ergebnisse liefern.
Nur in wenigen klinischen Studien im
Gesundheitswesen werden diese As-
pekte der künstlichen Intelligenz um-
fassend reflektiert (Nagendran et al.,
2020). Sollte KI im Gesundheitswesen
flächendeckend angewendet werden,
ist es wichtig, solche Fehlerquellen
in Bezug auf die Datenqualität zu be-
rücksichtigen.
Black Box-Problem
Künstliche Intelligenz kann im Ver-
gleich zu Menschen sehr komplexe
Analysen in viel geringerer Zeit ver-
wirklichen. Gepaart mit den techno-
logischen Eigenschaften von neuro-
nalen Netzwerken stellt sich jedoch
die Frage, inwieweit die Ergebnisse
oder Outputs überhaupt interpre-
tierbar sind. Einer der wichtigsten niert werden, die nicht in Form von wer im Falle von Fehlentscheidungen
Vorteile von Deep Learning-Algo- Bildern oder Abbildungen existieren. verantwortlich gemacht werden kann.
rithmen ist, dass Programme selbst In diesen Fällen ist es noch schwerer, Dieser Aspekt ist auch innerhalb von
dazulernen und Informationen in die Outputs selbst auf ihre Korrekt- Expertenkreisen nicht unumstrit-
einer Vielzahl von versteckten Ana- heit zu überprüfen (Yu et al., 2018). ten. In einem Panel in den USA gab
lyseebenen bearbeiten können. So Relevant ist das Black Box-Phänomen es vor allem Uneinigkeit darüber, ob
können Muster erkannt werden, die vor allem, weil sowohl das Vertrauen das Prinzip des erlernten Vermittlers
von Menschen übersehen werden. der Ärzt*innen als auch das der Pa- auch für KI gilt (Liyanage et al., 2019).
Kritiker von KI-Systemen im Medizin- tient*innen wichtige Faktoren für die Nach diesem Prinzip liegt die Verant-
bereich sehen hier eines der Schlüs- Umsetzung von künstlicher Intelligenz wortung bei der Person, die Technolo-
selprobleme. Das sogenannte „Black im Gesundheitswesen sind (Mehta & gie in Kombination mit ihrem profes-
Box-Problem“ beschreibt das Phäno- Devarakonda, 2018). sionellen Wissen verwendet (Sullivan
men, dass der Weg, wie sich neuro- & Schweikart, 2019). In der Praxis
nale Netze bilden, per definitionem Ethische und technische muss dieser Aspekt rechtlich gere-
nicht vorgegeben und damit nach- Herausforderungen gelt werden, um künstliche Intelligenz
vollziehbar ist. Somit gerät auch die Neben den technischen Stärken und umfassend anwenden zu können.
Verarbeitung eines Inputs zu einem Schwächen von künstlicher Intelli- Eine weitere Herausforderung
Output zu einer Black Box, es bleibt genz gibt es auch allgemeine Hürden hängt mit dem allgemeinen Phäno-
unklar, wie das Ergebnis im Einzelnen und Herausforderungen, die gera- men der Technologisierung von Be-
zustande gekommen ist (Liyanage et de in der Praxis wichtig sind. Viele rufsfeldern zusammen. Diese Debatte
al., 2019). In der Medizin ist es auf- dieser Hürden hängen mit ethischen ist nicht auf das Gesundheitswe-
grund der heiklen Natur des Gegen- Aspekten zusammen. Eine der wich- sen beschränkt, hat aber auch hier
stands somit schwierig, unter solchen tigsten Fragen, die im Medizinbereich Relevanz. Gerade in der Radiologie
Umständen Entscheidungen für oder besonders relevant ist, ist die der hat künstliche Intelligenz das Poten-
Foto: Getty Images
gegen diagnostische oder therapeuti- Verantwortung. Werden wichtige Ent- tial, schnellere und genauere Diag-
sche Verfahren zu treffen. Besonders scheidungen im Gesundheitswesen nosen zu stellen. Das wirft die Frage
herausfordernd ist es, wenn Deep auf Basis von Softwareapplikationen auf, ob eine weitreichende Nutzung
Learning-Algorithmen mit Daten trai- und KI getroffen, steht zur Debatte, von künstlicher Intelligenz in die-
96kontrolle triggern. Das medizinische an denen Sicherheitslücken entstehen
Personal kann auch die gewonnene können (Coventry & Branley, 2018).
Zeit für die direkte Patientenbetreu- Im Gegensatz zu analogen Dokumen-
ung nutzen und somit eine noch hö- tationsformen können Hacker aus
here Behandlungsqualität garantieren der Ferne auf sensible Patientendaten
(Lee & Yoon, 2021). Bestimmte Jobs zugreifen. Aber nicht nur die Größe
können natürlich durch solche Ent- der Datensätze selbst stellt ein poten-
wicklungen gefährdet werden. Man zielles Problem dar. Verschiedene
kann jedoch versuchen, dieses Perso- Technologien sind immer mehr auch
nal aktiv aufzufangen oder weiterzu- miteinander verbunden, um effizien-
bilden (Lee & Yoon, 2021), sodass es tere und weitreichendere Betreuung
lediglich zu einer Rollenveränderung zu ermöglichen. Im KI-Bereich wer-
kommt. den beispielsweise Roboter oder auch
Smartphones genutzt. Gerade private
Der Einsatz von KI im Datenschutz und Cybersecurity Smartphones stellen in puncto Cyber-
medizinischen Bereich Medizinische Daten, die unter Um- security eine potenzielle Schwachstel-
erfolgt vor allem in ständen sogar auf Einzelpersonen le dar (Kotz, Gunter, Kumar & Weiner,
der Bildanalyse, weil zurückgeführt werden können, sind 2016).
sich Abbildungen sehr besonders sensibel. Sie unterliegen Die Sensibilisierung von gewissen
gut für die Analyse besonderen Datenschutzbestimmun- KI-Algorithmen ist im Gesundheitsbe-
mittels Deep Learning- gen und ihre Nutzung ist mit ethi- reich an die Verfügbarkeit von Daten
Technologien eignen. schen Fragen verbunden. Die gro- gebunden. Zudem gibt es verschiede-
ße Stärke von künstlicher Intelligenz ne Beispiele, in denen technologische
liegt darin, aus einer riesigen Men- Schnittstellen miteinander oder mit
ge von Daten sinnvolle Outputs zu einem Netzwerk verbunden werden.
generieren. Um eine bestmögliche Die Nutzer von Gesundheitstechno-
sem Bereich zu Jobverlusten füh- Umsetzung zu garantieren, muss die logie haben jedoch nicht immer Zu-
ren könnte. Eine solche Überlegung Datenbasis möglichst vollständig und griff auf die interne Software, die sie
kann dazu führen, dass vor allem ihre Qualität hoch sein. Elektronische verwenden. Gesundheitsdienstleis-
betroffene Menschen skeptisch sind, Gesundheitsunterlagen werden in ter müssen sich also auf die Herstel-
wenn von KI gesprochen wird. In der der Medizin immer mehr zum Stan- ler verlassen, dass diese die nötige
Literatur gibt es jedoch auch positi- dard. Dadurch wird es auch möglich, Sicherheit gewährleisten, was nicht
vere Ausblicke, die nahelegen, dass Gesundheitsdaten über verschiedene immer der Fall ist (Coventry & Bran-
diese Innovationen sogar zusätzliche Spitäler oder gar zwischen Ländern ley, 2018). Vorfälle, in denen wirklich
Daten gestohlen werden, sind aus
mehreren Gründen problematisch.
Es können beispielsweise Synergien zwischen Einerseits bedeuten sie potenzielle
medizinisch Tätigen und der künstlichen Intelligenz Eingriffe in Patientendaten und sind
mit Kosten verbunden. Auf der an-
geschaffen werden. Die technischen Möglichkeiten deren Seite kann der Ruf von neu-
können z.B. auch die Nachfrage nach häufigeren en Technologien maßgeblich beein-
flusst werden. Wenn Technologien
Untersuchungen und kürzeren Intervallen in der in der Öffentlichkeit eher mit nega-
tiver Berichterstattung, wie etwa zu
Verlaufskontrolle triggern.
Sicherheitslücken, verbunden sind,
kann dies den Ausbau von künstli-
Chancen mit sich bringen könnten. zu vernetzen. An sich begünstigen cher Intelligenz verlangsamen. Wenn
Es können beispielsweise Synergien derartige Entwicklungen die Nut- Patient*innen kein Vertrauen in das
zwischen medizinisch Tätigen und zung von künstlicher Intelligenz. Die System haben, werden sie weniger
der künstlichen Intelligenz geschaffen heute immer weiter fortschreitende bereit sein, ihre Daten bereitzustellen
werden. Die technischen Möglichkei- Nutzung und Vernetzung von elek- (Coventry & Branley, 2018). Sowohl
ten können z.B. auch die Nachfrage tronischer Gesundheitsinformation für Auftraggeber als auch für Firmen,
nach häufigeren Untersuchungen und bedeutet jedoch auch, dass es immer die in die Entwicklung von KI-Sys-
kürzeren Intervallen in der Verlaufs- mehr potenzielle Schnittstellen gibt, temen eingebunden sind, wird es
97Health System Watch ı Künstliche Intelligenz im Gesundheitswesen
daher wichtig sein, Regeln in Bezug rung“, die notwendig ist, um klinische det werden können. Eine Meta-Studie
auf Vertraulichkeit zu berücksichtigen. Einschätzungen zu treffen, einer KI aus 2020 zeigt, dass einige Autor*in-
Für die Entwicklung von KI-Systemen leichter und schneller als Menschen nen im Gebiet der KI-Forschung be-
kann dies zusätzliche Hürden bedeu- zur Verfügung steht, die ihrerseits haupteten, dass ihr KI-Modell sofort
ten (Lee & Yoon, 2021). jahrelang praktizieren müssen, um in einem realen Setting verwendet
diese zu erlangen (Mintz & Brodie, werden könne. Von sieben Studien,
Künstliche Intelligenz im 2019). Zudem gibt es auch Chancen, die eine solche Behauptung aufstell-
Gesundheitswesen die Behandlungsqualität im direkten ten, wurden jedoch nur zwei in einem
In vielen medizinischen Bereichen Umgang mit Patient*innen zu ver- realen Setting getestet (Nagendran et
gibt es mittlerweile Anwendungsbei- bessern, wenn man KI mit anderen al., 2020).
spiele für künstliche Intelligenz. Auch technischen Innovationen wie der
auf österreichischer Ebene werden Robotik kombiniert. Einige Vorteile für Anwendungsbeispiele
die Potenziale von Seiten der Politik das Gesundheitswesen sind bereits Bilderkennung und andere
erkannt. 2018 einigte sich die damali- jetzt sichtbar. Schnellere oder frühe- diagnostische Verfahren
ge Bundesregierung auf eine Stra- re Diagnosen können in der Praxis Die Nutzung von KI in der Bildanalyse
tegie zum Umgang mit künstlicher einen Unterschied machen. Durch ist eine der bisher populärsten Um-
Intelligenz (Accenture, 2019). Beson- KI-unterstützte Technologien kann setzungen im Medizinsektor. Das liegt
ders häufig sind KI-Anwendungen auch Prävention leichter durchgeführt vor allem daran, dass sich Abbildun-
in den Fachgebieten der Radiologie, werden, was ein immenses Kosten- gen sehr gut dazu eignen, mit Deep
Pathologie oder Dermatologie zu fin- einsparungspotenzial mit sich bringt Learning-Technologien analysiert zu
den, da dort die schon angesproche- (Lee & Yoon, 2021). Abbildung 2 bie- werden. Bildbefunde enthalten zudem
nen Möglichkeiten in der Bildanalyse tet einen Überblick über die weiter die meisten Informationen, die benö-
besonders relevant ist. Die Geschwin- unten vorgestellten Bereiche des Ge- tigt werden, um zu einer korrekten Di-
digkeit, mit der künstliche Intelligenz sundheitswesens. Bei den vorliegen- agnose zu kommen (Yu et al., 2018).
Muster potenziell erkennen kann, den Beispielen ist zu berücksichtigen, Ein weiterer begünstigender Faktor
ist ein unumstrittener Vorteil. Hinzu- dass viele dieser Tools nicht ohne hängt damit zusammen, dass die Ver-
kommt, dass medizinische „Erfah- weiteres im klinischen Alltag verwen- sorgung mit radiologischen Unter-
Überblick der Chancen für das Gesundheitswesen Abbildung 2
Bildgebung & Diagnostik Medikamentenentwicklung
Unterstützung von Bildgebungsverfahren Medikamentenentdeckung
Eigenständige Diagnose anhand von Bildern Konzeption von klinischen Studien
Diagnose von seltenen Krankheiten „Drug Repurposing“
Produktionsprozess
CHANCEN VON KÜNSTLICHER INTELLIGENZ
Technische Schnittstellen Genetik
Bessere Überwachung von Patient*innen DNA-Sequenzierung
In Form von Apps Präzisionsmedizin
Roboter, die KI-Systeme nutzen
Quelle: IHS-Darstellung
98Abbildung 3
Automatisierte sagittale Rekonstruktion einer
Wirbelsäulen-Computertomographie
suchungen immer weiter ausgebaut Diese KI-gestützte Segmentierung wird verwendet, um Frakturen zu erkennen und
wurde. Zudem werden Bildgebungs- die trabekuläre Knochendichte zu bestimmen.
verfahren laufend verbessert (Mintz
& Brodie, 2019). Das notwendige
Expertenwissen, welches zur darauf-
folgenden Diagnose benötigt wird,
steht unter Umständen jedoch nicht
zur Verfügung. Mit den richtigen Vor-
aussetzungen kann eine KI in kürzerer
Zeit auf mehr Informationen zugreifen
und gleichzeitig mehr Input verarbei-
ten als das medizinische Personal.
Konkrete Beispiele gibt es bereits in
verschiedensten Bereichen der Bilder-
kennung. Der Algorithmus des israeli-
schen Start-ups Zebra Medical Vision
Ltd. kommt bereits in 50 Kranken-
häusern weltweit zum Einsatz. Der Al-
gorithmus ist in den örtlichen PACS2
integriert. Zu den derzeitigen Einsatz-
möglichkeiten gehören die Analysen
von Krankheitsbildern der Lunge,
Leber, Knochen sowie kardiovaskulä-
re Krankheiten. Wirbelbrüche können Quelle: Mintz, Y. & Brodie, R. (2019). Introduction to artificial intelligence in medicine. Minimally Invasive
auf diese Weise automatisch erkannt Therapy & Allied Technologies, 28(2), 73–81.
werden. Die Wirbelsäule wird mithil-
fe des Befundes automatisch bildlich
segmentiert und die KI versucht in
der Folge vorherzusagen, ob es An- bilder des nationalen Krebsinstitu- klinischen Versuch wurde in diesem
zeichen auf einen Wirbelbruch gibt tes, um Präkanzerosen zu erkennen. Kontext getestet, ob die Erfassung
oder nicht (Bar, Wolf, Amitai, Toleda- Forscher*innen berichten, dass der von Polypen oder Adenomen mithilfe
no & Elnekave, 2017). Abbildung 3 ist Algorithmus sogar eine viel höhere der KI verbessert werden kann. Ver-
ein Beispiel für dieses Verfahren. Genauigkeit erzielen konnte als Fach- glichen wurden KI-begleitete Untersu-
Für Augenerkrankungen wie Expert*innen (MDDI Staff, 2019). Im chungen und herkömmliche Diagno-
diabetische Retinopathie oder Ma- Rahmen einer Studie von Esteva et sen durch medizinische Expert*innen
kulopathie gibt es auch schon al. (2017) wurde versucht, Hautkrebs- ohne KI-Hilfsmittel. Während der
funktionierende KI-basierte Erken- erkrankungen mithilfe von neuronalen Untersuchung meldete das KI-Sys-
nungssysteme. Bei der Analyse von Netzwerken zu erkennen und zu klas- tem potenzielle Funde. In diesem
optischen Kohärenztomografiebildern sifizieren. Dazu wurde eine Software- Praxistest konnten in den KI-gestütz-
gibt es Anwendungen, bei denen mit- architektur verwendet, die einerseits ten Verfahren mehr Entdeckungen
hilfe von künstlicher Intelligenz bereits schon mit mehr als einer Million Bil- gemacht werden als durch herkömm-
sehr erfolgreich Krankheitsmerkmale dern einen Lernprozess durchlaufen liche Untersuchungen. Vor allem klei-
erkannt werden konnten (Kermany et hat und zusätzlich mit einem spezi- nere Adenome wurden öfter erkannt
al., 2018; Mintz & Brodie, 2019). Die fischen Datenset trainiert wurde. Das (P. Wang et al., 2019).
Genauigkeit der Diagnose war dabei neuronale Netzwerk erzielte in einem Bildgebungsverfahren sind nur ein
sehr hoch und die Ergebnisse waren Vergleich ähnlich genaue Ergebnisse Bereich, in dem künstliche Intelligenz
vergleichbar mit jenen von medizini- wie 21 Dermatolog*innen. bereits erfolgreich in der Diagnostik
schen Fach-Expert*innen. Ein weiteres Anwendungsbeispiel eingesetzt wird. Auch die genom-
Auch in der Onkologie findet man zeigt, wie KI-gestützte Erfassung in basierte Diagnose von sehr seltenen
diagnostische Umsetzungen. Die Echtzeit bei Koloskopien Verwen- Krankheiten kann durch KI verbessert
Mayo Clinic in den USA nutzt KI-ge- dung findet (P. Wang et al., 2019).
stützte Krebsvorsorgeuntersuchun- In diesem Verfahren analysiert ein
gen bei Gebärmutterhalskrebs. Die Algorithmus die Einzelbilder während
KI verwendet über 60.000 Beispiel- der Live-Untersuchung. Bei einem 2
Picture Archiving and Communication System.
99Health System Watch ı Künstliche Intelligenz im Gesundheitswesen
werden. Allein in der EU sind schät- und entwickelt werden (Macalino, von ungeeigneten Proband*innen
zungsweise 30 Millionen Menschen Gosu, Hong & Choi, 2015). Durch ge- eine der Hauptfehlerquellen ist (Fogel,
von einer seltenen Krankheit be- zielte und KI-gestützte Medikamen- 2018). Mithilfe von KI können passen-
troffen (Schieppati, Henter, Daina & tenentwicklung kann die Erfolgsquo- de Proband*innen anhand bestimm-
Aperia, 2008). Wenn die Krankheiten te von neuen Medikamenten steigen ter krankheitsbezogener Biomarker
überhaupt entdeckt werden, dauert und Kosten eingespart werden (Noor- rekrutiert werden und die Erfolgsquo-
es oft Jahre, bis es zu einer Diagno- bakhsh-Sabet et al., 2019). te steigen (Mak & Pichika, 2019).
se kommt, was ressourcenaufwändig In verschiedenen Forschungs- Es gibt jedoch nicht nur in der Ent-
und aufreibend für die Betroffenen ist phasen gibt es die Möglichkeit, wicklung von Medikamenten KI-Po-
(Schieppati et al., 2008). Das koreani- künstliche Intelligenz zu nutzen. Ein tenziale. „Drug Repurposing“ ist ein
sche Start-up 3Billion hat es sich zur wichtiger Schritt in der Medikamen- entstehendes Forschungsfeld (Park,
Mission gemacht, mithilfe von künst- tenentwicklung ist das Identifizie- 2019), in dem nun auch künstliche
licher Intelligenz seltene Krankheiten ren von sogenannten biologischen Intelligenz verwendet wird, um neue
Verwendungsmöglichkeiten für beste-
hende Medikamente zu finden. Diese
Kombiniert man künstliche Intelligenz mit anderen Methode wurde bereits genutzt, um
technischen Hilfsmitteln, ergeben sich weitere Chancen schneller Behandlungsmöglichkeiten
für COVID-19 zu finden (Zhou, Wang,
für die medizinische Versorgung. Ein einfaches Beispiel Tang, Nussinov & Cheng, 2020). Da-
rüber hinaus kann künstliche Intelli-
ist die Auswertung von Daten, die innerhalb von
genz auch im Produktionsprozess an-
elektronischen Gesundheitsinformationssystemen gewendet werden (Paul et al., 2021).
KI ist beispielweise in der Lage, die
ohnehin gesammelt werden.
Qualitätssicherung in der Tabletten-
produktion zu überwachen und auf
zu erkennen. Bis zu 7000 Krankheiten „Targets“, an die sich ein Wirkstoff Fehler hinzuweisen (Gams, Horvat,
können laut eigenen Angaben mithilfe binden kann. Künstliche Intelligenz Ožek, Luštrek & Gradišek, 2014). Es
von DNA-Analyse erkannt werden. kann Leitstrukturen schneller erken- gibt demnach verschiedenste Berei-
Der Vorteil liegt darin, dass Ärzt*innen nen und „Targets“ schneller validie- che der Pharmaindustrie, die von den
im Vergleich zu einer KI viel mehr Zeit ren (Mak & Pichika, 2019). Verschie- Möglichkeiten, die KI mitbringt, be-
benötigen, oder die nötige Expertise dene biochemische Charakteristika reits profitieren.
möglicherweise gar nicht besitzen, von Proteinen können in Machine
um eine solche Krankheit zu erken- Learning-Systemen als Datengrund- Kombination von KI mit anderen
nen. Die Anzahl der Patient*innen, lage verwendet werden, um solche Technologien
die auf diese Weise eine Diagnose er- Vorhersagen zu machen (Q. Wang, Kombiniert man künstliche Intelligenz
halten konnten, ist bisher jedoch sehr Feng, Huang, Wang & Cheng, 2017). mit anderen technischen Hilfsmitteln,
klein (Lee & Yoon, 2021). KI-Modelle sind auch in der Lage, aus ergeben sich weitere Chancen für die
chemischen Datenbanken Moleküle medizinische Versorgung. Ein einfa-
Medikamentenentwicklung zu erkennen, die laut ihren erlernten ches Beispiel ist die Auswertung von
Ein neues Medikament auf den Markt Mechanismen eher für Medikamente Daten, die innerhalb von elektroni-
zu bringen, ist mit viel Aufwand, nutzbar sind (Sellwood, Ahmed, Seg- schen Gesundheitsinformationssys-
Expertise und der Aufbringung von ler & Brown, 2018). Darüber hinaus temen ohnehin gesammelt werden.
finanziellen Ressourcen verbunden. kann mithilfe von KI auch die Toxizität Auf Intensivstationen sind beispiels-
Die Entwicklung von Medikamenten von Wirkstoffmolekülen prognostiziert weise Echtzeit-Beobachtungssyste-
setzt voraus, dass komplexe chemi- werden. me besonders wichtig. Diese kön-
sche Strukturen und Wechselbezie- In späteren Forschungsphasen nen von KI unterstützt werden, um
hungen verstanden und berücksich- wird künstliche Intelligenz ebenso beispielweise bessere Warnsysteme
tigt werden. Dieser Prozess beinhaltet immer mehr genutzt. Der Erfolg jeder zu entwickeln, die antizipieren, wenn
verschiedene Forschungsdisziplinen klinischen Studie hängt maßgeblich der Patientenzustand kritisch wird (Yu
wie chemische und strukturelle Biolo- von der Auswahl der Patient*innen et al., 2018). Zudem gibt es bereits
gie, organische Synthese und Phar- ab. In einer Studie kann die Registrie- in Form von Apps oder Robotern die
makologie. Deshalb dauert es gerade rung der Patient*innen ein Drittel der Möglichkeit, KI und andere Technolo-
bei neuen Medikamenten teilweise Zeit einnehmen. Hinzukommt, dass in gien zu kombinieren. Roboter können
10 bis 15 Jahre, bis diese entdeckt circa 86 Prozent der Fälle die Auswahl die physische Umwelt mithilfe von
100KI-Systemen wahrnehmen und auf wie Atemfrequenz, Sauerstofflevel, erfährt dank der raschen Entwick-
dieses äußere Umfeld reagieren. Es Puls, Blutdruck und die Körpertempe- lung von Rechnern und Speichern in
gibt bereits KI-Roboter, wie den Alexa ratur. Derartige Maßnahmen sind Teil einigen Bereichen bereits Marktreife.
Nursing Bot in den USA. Dieser erin- eines NHS-Pilotprogramms, welches Zudem wird künstliche Intelligenz als
nert die Patient*innen an ihre Medika- KI-Systeme in die medizinische Nach- einer der Schlüsselfaktoren gesehen,
mente oder kann auch medizinische sorge inkorporiert. Durch Maßnah- um im Gesundheitswesen eine Trans-
Fragen beantworten und somit im men wie diese wurden die Anzahl an formation hin zur Präzisionsmedizin
Krankenhausalltag eine Rolle über- Wiederaufnahmen sowie die Notwen- zu verwirklichen (Shimizu & Nakaya-
nehmen (Lee & Yoon, 2021). In Korea digkeit von Hausbesuchen reduziert. ma, 2020). Gerade im Pharmabereich
gibt es eine ähnliche Anwendung. oder in der Krebsforschung gibt es
Der Roboter „Paul“ unterstützt medi- Genetische Analysen mittels KI hier große Potenziale. KI darf jedoch
zinisches Personal bei seinen Sta- Die Analyse von DNA-Sequenzen er- nicht als Wundermittel betrachtet
tionsrunden. Er erkennt die Stimmen fährt dank neuer Verfahren wie Next werden. Die Literatur legt nahe, dass
der Stationsangestellten und ist in der Generation Sequencing, die rasch die Nutzung von künstlicher Intelli-
Lage, Sprache in Text umzuwandeln große Mengen an DNA sequenzie- genz einiges an Engagement voraus-
und transkribiert diese in elektroni- ren können, zunehmende Bedeutung. setzt. Das gilt sowohl in finanzieller
sche Textprotokolle. Zudem ist Paul Der Einsatz von KI ist dabei vonnö- Hinsicht als auch in Bezug auf die
auch in der Lage, Patienteninformati- ten, da die generierten Datenmengen Implementierung. In die nötigen tech-
onen wie z.B. Testergebnisse wieder- enorm groß sind (Marr, 2018). Eine nischen Voraussetzungen muss erst
zugeben (Lee & Yoon, 2021). Da- der großen Hoffnungen ist dabei die investiert werden. Die Möglichkeiten
durch können viele Routineprozesse Möglichkeit des Ausbaus von Prä- von KI-Modellen hängen mit der vor-
vereinfacht werden. Durch derartige zisionsmedizin. So können anhand handenen Hardwareinfrastruktur zu-
Anwendungen kann die medizinische von Genprofilen Pharmakotherapien sammen, die unter Umständen sehr
Versorgung der Patient*innen auch optimiert werden (Yu et al., 2018), wie teuer sein kann (Vollmer et al., 2018).
dann fortgeführt werden, wenn das dies z.B. in der Onkologie der Fall ist, Somit stellt sich die Frage nach dem
medizinische Personal nicht mehr di- wo die Identifikation von tausenden Kosten-Nutzen-Verhältnis. Ein mar-
rekt vor Ort ist (Lee & Yoon, 2021). möglichen Mutationen und ihres Zu- ginaler klinischer Vorteil ist keine
Ein schon breiter ausgerolltes Bei- sammenhangs mit dem Therapieer- Rechtfertigung für langanhaltendende
spiel für eine derartige Schnittstelle folg erforderlich ist (Zehir et al., 2017; Investitionen, wenn die Kosten sehr
ist die „GP at hand“ App. Sie kann Shimizu & Nakayama, 2020). hoch sind (Vollmer et al., 2018). Zu-
direkt von Patient*innen genutzt wer- dem ist die Art der Implementierung
den und als Erweiterung des Primär- Fazit – Mit entsprechendem entscheidend. Die Umsetzung von
versorgungsangebots gesehen wer- Engagement bringt KI KI-Tools führt nicht automatisch zu
den. In der App ist es möglich, mit großartige Möglichkeiten einer Verbesserung der Behandlungs-
einem Chatbot zu kommunizieren, der Künstliche Intelligenz wird in verschie- qualität. Umso genauer, besser und
medizinisch relevante Informationen densten Bereichen des Gesundheits- umfangreicher die Daten sind, die zur
liefert und in ernsteren Fällen auch wesens als Chance betrachtet und Verfügung stehen, desto hochwerti-
eine Videoverbindung mit einem/einer
Krankenpfleger*in herstellt. Die App
wird im englischen NHS genutzt und
steht somit allen Bezieher*innen der
Zusammenfassung
nationalen Gesundheitsversicherung
zur Verfügung. Das Service unter-
scheidet sich von anderen Apps da- Künstliche Intelligenz wird immer mächtiger und hält auch im Gesundheitswesen
durch, dass es auf einem KI-System Einzug. Wir beschreiben zunächst allgemeine Charakteristika von KI und gehen auf
basiert, welches aus verschiedenen Stärken und Schwächen KI-basierter Anwendungen ein. Im zweiten Teil wird der me-
medizinischen Datensets wie Patien- dizinische Nutzen von künstlicher Intelligenz diskutiert. Es gibt in mehreren Bereichen
tenakten lernen kann. der medizinischen Versorgung bereits Anwendungsbeispiele für KI-Systeme, die zum
Miyashita and Brady (2019) haben
Teil auch Marktreife erreichen. Aufgrund der Komplexität von KI gilt es bei der An-
eine Anwendung evaluiert, bei der Pa-
wendung im Gesundheitswesen in besonderem Maße, Einsatzgebiete zu erkennen, bei
tient*innen aus einigen Krankenhäu-
sern nach ihrer Entlassung mit Wi- denen die Patient*innen profitieren, und solche Anwendungen auf eine Weise zu im-
Fi-Armbändern ausgestattet wurden. plementieren, die eine hohe Akzeptanz bei allen Stakeholdern gewährleistet.
Diese Bänder überwachen Vitalwerte
101Health System Watch ı Künstliche Intelligenz im Gesundheitswesen
Durch die Kombination verschiedener Technologien im KI-Bereich – beispielsweise mit Robotern oder Smartphones –
ergeben sich zahlreiche neue Einsatzmöglichkeiten.
ger können die Outputs einer künst- Wie schon erwähnt gibt es auch schulcurricula um Inhalte sein, die
lichen Intelligenz sein. Um in einem einige Herausforderungen ethischer den Umgang mit künstlicher Intelli-
flächendeckenden Kontext verwendet Natur. Eine der Fragen ist, was mit genz im medizinischen Alltag behan-
zu werden, müssen demnach gewis- Personen passiert, deren Rolle von deln und somit die Hürde für Profes-
se Rahmenbedingungen gegeben künstlicher Intelligenz übernommen sionals senken (Lee & Yoon, 2021).
sein. Eine einheitliche Dateninfra- werden kann. In der Literatur wird Die Beschäftigung mit dem Thema KI
struktur ist beispielsweise von Vorteil. dieser Aspekt mehrfach thematisiert. ist jedenfalls allen im Gesundheitswe-
Derartige Herausforderungen werden Es gibt jedoch Einschätzungen, die sen Tätigen ans Herz zu legen, da die
in der Literatur an mehreren Stellen nahelegen, dass das Gesundheitswe- entsprechende rasche Entwicklung
hervorgehoben und können der um- sen von solchen Veränderungen auf unaufhaltbar scheint und ethische
fangreichen Nutzung von KI vorerst lange Sicht profitieren kann, wenn und rechtliche Grundsätze zu etablie-
im Wege stehen (Mintz & Brodie, nur früh genug agiert wird. Künstliche ren sind (Rigby, 2019) und gleichzeitig
2019; Noorbakhsh-Sabet et al., 2019). Intelligenz hat auch ihre Schwächen, KI auch in den Alltag vieler Professio-
Dennoch gibt es bereits sehr viele welche jedoch durch menschliches nals und Patient*innen Einzug halten
Praxisbeispiele, in denen die Nutzung Personal komplementiert werden wird. Wie im gesamten Bereich der
von künstlicher Intelligenz zu einer können. Im Einklang mit KI kann die Digitalisierung sollten die Systempart-
Foto: Getty Images
Verbesserung in der Behandlungs- medizinische Behandlung weiter ver- ner hier proaktiv agieren, um die Ent-
qualität geführt hat. Die reale Aussa- bessert werden, wenn einige Abläu- wicklung im Interesse der Patient*in-
gekraft von vielen Studien ist jedoch fe automatisiert werden. Bedeutsam nen mitzugestalten.
auch kritisch zu hinterfragen. könnte die Erweiterung von Hoch-
102Literaturverzeichnis
Accenture (2019). Wie Österreich seine Zukunft mit künstlicher Intelligenz gestaltet. Noorbakhsh-Sabet, N., Zand, R., Zhang, Y. & Abedi, V. (2019). Artificial Intelligence
Website: https://www.accenture.com/at-de/insights/consulting/mission-mit-vision. Transforms the Future of Healthcare. The American Journal of Medicine, 132(7),
795–801.
Bar, A., Wolf, L., Amitai, O. B., Toledano, E. & Elnekave, E. (2017). Compression fractures
detection on CT. Medical Imaging 2017: Computer-Aided Diagnosis, 10134, 1013440. Park, K. (2019). A review of computational drug repurposing. Transl. Clin.
Pharmacol.27: 59–63.
Beam, A. L. & Kohane, I. S. (2016). Translating Artificial Intelligence Into Clinical Care.
JAMA, 316(22), 2368–2369. Paul, D., Sanap, G., Shenoy, S., Kalyane, D., Kalia, K. & Tekade, R. K. (2021). Artificial
intelligence in drug discovery and development. Drug Discovery Today, 26(1), 80–93.
Coventry, L. & Branley, D. (2018). Cybersecurity in healthcare: A narrative review of
trends, threats and ways forward. Maturitas, 113, 48–52. Rigby, M. J. (2019). Ethical Dimensions of Using Artificial Intelligence in Health Care.
AMA Journal of Ethics, 21(2), 121–124.
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M. & Thrun, S.
(2017). Dermatologist-level classification of skin cancer with deep neural networks. Schieppati, A., Henter, J.-I., Daina, E. & Aperia, A. (2008). Why rare diseases are an
Nature, 542(7639), 115–118. important medical and social issue. The Lancet, 371(9629), 2039–2041.
Europäische Kommission (2020). On Artificial Intelligence -A European approach to Sellwood, M. A., Ahmed, M., Segler, M. H. & Brown, N. (2018). Artificial intelligence in
excellence and trust. Retrieved April 1, 2021, from Commission-white-paper-artificial- drug discovery. Future Medicinal Chemistry, 10(17), 2025–2028.
intelligence-feb2020_en.pdf. Website: https://ec.europa.eu/info/sites/info/files/
Shimizu, H. & Nakayama, K. I. (2020). Artificial intelligence in oncology. Cancer
commission-white-paper-artificial-intelligence-feb2020_en.pdf.
Science, 111(5), 1452–1460.
Fogel, D. B. (2018). Factors associated with clinical trials that fail and opportunities
Sullivan, H. R. & Schweikart, S. J. (2019). Are Current Tort Liability Doctrines Adequate
for improving the likelihood of success: A review. Contemporary Clinical Trials
for Addressing Injury Caused by AI? AMA Journal of Ethics, 21(2), 160–166.
Communications, 11, 156–164.
Vollmer, S., Mateen, B. A., Bohner, G., Király, F. J., Ghani, R., Jonsson, P., … & He-
Gams, M., Horvat, M., Ožek, M., Luštrek, M. & Gradišek, A. (2014). Integrating Artificial
mingway, H. (2018). Machine learning and AI research for Patient Benefit: 20 Critical
and Human Intelligence into Tablet Production Process. AAPS PharmSciTech, 15(6),
Questions on Transparency, Replicability, Ethics and Effectiveness. ArXiv:1812.10404
1447–1453.
[Cs, Stat]. Retrieved from http://arxiv.org/abs/1812.10404.
Kermany, D. S., Goldbaum, M., Cai, W., Valentim, C. C. S., Liang, H., Baxter, S. L., …
Wang, P., Berzin, T. M., Brown, J. R. G., Bharadwaj, S., Becq, A., Xiao, X., … & Liu,
& Zhang, K. (2018). Identifying Medical Diagnoses and Treatable Diseases by Image-
X. (2019). Real-time automatic detection system increases colonoscopic polyp and
Based Deep Learning. Cell, 172(5), 1122–1131.e9.
adenoma detection rates: A prospective randomised controlled study. Gut, 68(10),
Kotz, D., Gunter, C. A., Kumar, S. & Weiner, J. P. (2016). Privacy and Security in Mobile 1813–1819.
Health: A Research Agenda. Computer, 49(6), 22–30.
Wang, Q., Feng, Y., Huang, J., Wang, T. & Cheng, G. (2017). A novel framework for the
LeCun, Y., Bengio, Y. & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. identification of drug target proteins: Combining stacked auto-encoders with a biased
support vector machine. PLOS ONE, 12(4), e0176486.
Lee, D. & Yoon, S. N. (2021). Application of Artificial Intelligence-Based Technologies
in the Healthcare Industry: Opportunities and Challenges. International Journal of Yu, K.-H., Beam, A. L. & Kohane, I. S. (2018). Artificial intelligence in healthcare. Nature
Environmental Research and Public Health, 18(1), 271. Biomedical Engineering, 2(10), 719–731. https://doi.org/10.1038/s41551-018-0305-z.
Liyanage, H., Liaw, S.-T., Jonnagaddala, J., Schreiber, R., Kuziemsky, C., Terry, A. L. Zehir, A., Benayed, R., Shah, R. H., Syed, A., Middha, S., Kim, H. R., … & Berger, M. F.
& de Lusignan, S. (2019). Artificial Intelligence in Primary Health Care: Perceptions, (2017). Mutational landscape of metastatic cancer revealed from prospective clinical
Issues, and Challenges. Yearbook of Medical Informatics, 28(1), 41–46. sequencing of 10,000 patients. Nature Medicine, 23(6), 703–713.
Macalino, S. J. Y., Gosu, V., Hong, S. & Choi, S. (2015). Role of computer-aided drug Zhou, Y., Wang, F., Tang, J., Nussinov, R. & Cheng, F. (2020). Artificial intelligence in
design in modern drug discovery. Archives of Pharmacal Research, 38(9), 1686–1701. COVID-19 drug repurposing. The Lancet Digital Health, 2(12), e667–e676.
Mak, K.-K. & Pichika, M. R. (2019). Artificial intelligence in drug development: Present
status and future prospects. Drug Discovery Today, 24(3), 773–780.
Marr B. (2018). The wonderful ways artificial intelligence is transforming genomics
and gene editing. Forbes. Online verfügbar: https://www.forbes.com/sites/
bernardmarr/2018/11/16/the-amazing-ways-artificial-intelligence-is-transforming-
genomics-and-gene-editing/#70e819a642c1 (abgefragt: 31.03.2021).
MDDI Staff (2019). Can AI really be a Game Changer in Cervical Cancer Screenings?
Medical Device and Diagnostic Industry (MDDI). Online verfügbar: https://www.
mddionline.com/can-ai-really-be-game-changer-cervical-cancer-screenings (abgefragt:
31.03.2021).
Mehta, N. & Devarakonda, M. V. (2018). Machine learning, natural language
programming, and electronic health records: The next step in the artificial intelligence
journey? Journal of Allergy and Clinical Immunology, 141(6), 2019–2021.e1.
Mintz, Y. & Brodie, R. (2019). Introduction to artificial intelligence in medicine.
Minimally Invasive Therapy & Allied Technologies, 28(2), 73–81.
Miyashita, M.; Brady, M. (2019). The Health Care Benefits of Combining Wearables and
AI. Harv. Bus. Rev. Online verfügbar: https://hbr.org/2019/05/the-health-care-benefits-
of-combining-wearables-and-ai (abgefragt: 31.03.2021).
Nagendran, M., Chen, Y., Lovejoy, C. A., Gordon, A. C., Komorowski, M., Harvey, H., …
& Maruthappu, M. (2020). Artificial intelligence versus clinicians: Systematic review of
design, reporting standards, and claims of deep learning studies. The BMJ, 368.
103Sie können auch lesen
