Künstliche Intelligenz in der internistischen Versorgung

Besondere Herausforderungen bei der Anwendung von KI-basierten Algorithmen in der Medizin sind zum einen die hohen Anforderungen an die fachliche Verlässlichkeit der ausgegebenen Resultate im Falle von Entscheidungsunterstützungsprogrammen und zum anderen das Bedürfnis nach Nachvollziehbarkeit des Entscheidungswegs. Diese Konstellation führt dazu, dass KI-Anwendungen, bei denen die zugrunde liegenden Quelldaten den Anwender:innen für eine eigene Beurteilung zur Verfügung stehen, schneller Vertrauen schaffen als solche, bei denen ein möglicherweise plausibles, aber nicht überprüfbares Resultat ausgegeben wird [1, 2]. Für beides sei ein Beispiel genannt.

Eine frühe, inzwischen fest in den Leitlinien verankerte Anwendung ist die Nutzung von Photoplethysmographie(PPG)-Signalen, die mittels Translumineszenz der Haut beispielsweise mit Smartphone-Kameras oder Wearables (mobile Sensoren) erzeugt werden. Dabei wird die pulssynchron wechselnde Signalintensität des durch die Haut reflektierten Lichts aufgezeichnet und mittels eines KI-basierten Algorithmus analysiert. So kann beispielsweise Vorhofflimmern ausgeschlossen oder als wahrscheinlich identifiziert werden. Die Technologie wird von internationalen Fachgesellschaften für das Vorhofflimmerscreening empfohlen. Seit 2020 wird zudem die Diagnose von Vorhofflimmern mittels mobiler Elektrokardiogramme (EKG) und KI-gestützter Analyse akzeptiert [3]. Wichtig ist, dass die zuständigen Ärzt:innen bei diesen Anwendungen neben den KI-basierten Befunden immer noch die Originalaufzeichnung verifizieren können. Dieser Umstand hat die vergleichsweise rasche Einführung und hohe Akzeptanz befördert.

In einem anderen Beispiel entwickelten Forscher der Mayo-Klinik ein KI-basiertes Programm, das basierend auf einem normalen Sinusrhythmus-EKG vorherzusagen vermag, ob die Person in der Zukunft Vorhofflimmern bekommen wird. Für die zuständigen Ärzt:innen besteht aber keine Möglichkeit zu überprüfen, auf welchen Faktoren dieser Befund basiert [4]. Derartige Anwendungen verlangen ein hohes Maß an Vertrauen in den KI-basierten Befund; entsprechend ist zu erwarten, dass die Akzeptanz langsamer wächst.

Die Integration von KI im Gesundheitswesen wirft wichtige Fragen zur Patienten-Gesundheitsfachpersonen-Interaktion auf. Einerseits kann KI den Zugang zu medizinischem Wissen und Informationen erleichtern. KI-gestützte Plattformen können Patienten mit relevanten Informationen über ihre Gesundheit versorgen und ihnen helfen, selbstständig Entscheidungen zu treffen. Zum Beispiel können KI-Chatbots Patienten über Symptome und mögliche Behandlungsoptionen aufklären [20]. Andererseits besteht die Gefahr, dass der menschliche Aspekt der medizinischen Versorgung vernachlässigt wird. Die emotionale Unterstützung und das zwischenmenschliche Verständnis, die von menschlichen Gesundheitsfachpersonen geboten werden, können durch KI nicht vollständig ersetzt werden. Eine ausgewogene Integration von KI und menschlicher Interaktion ist von entscheidender Bedeutung [21]. Daraus leitet sich die Vision einer zukünftigen „Zusammenarbeit“ von Gesundheitsfachperson, KI und Patient:in ab.

Ein weiteres wichtiges Arbeitsfeld ist die Darstellung, Interpretation und Bewertung der zunehmend großen Datenmengen in einer intuitiv interpretierbaren Form. Auch hier findet sich wieder der Aspekt der Nachvollziehbarkeit und somit des Vertrauens wieder. Ein klassischer Langzeit-EKG-Befund zeigt sowohl eine Analyse als auch die Rohdaten der entsprechenden interpretierten Sequenz auf.

Im Hinblick auf die große Anzahl von Patient:innen mit eigenen Sensoren wird es auch immer wichtiger zu verstehen, woher die Messwerte stammen. Auch wenn die von den Patienten verwendeten Sensoren nicht zertifiziert sind, können sie mit einem entsprechenden Label, das auf die Herkunft und potenziell eingeschränkte Validität hinweist, einen Mehrwert bieten. An dieser Stelle sei der Vergleich mit einer guten Anamnese erlaubt. Auch hier geht es darum, möglichst alle Informationen der Patient:innen zu erhalten und sie dann in einem weiteren Schritt abzuwägen und zu gewichten.

Ebenso wie in der bisherigen Medizin abgewogen werden musste, welches die geeignete Diagnostik oder Therapie für unsere Patient:innen ist, wird man auch beim Einsatz neuer Technologien eine passende Auswahl treffen müssen: beginnend bei der Akzeptanz für mobile Sensoren, welche die Patient:innen zuverlässig und korrekt tragen oder einsetzen müssen, bis zur Auswahl der korrekten Algorithmen, welche für die jeweilige Fragestellung getestet sein müssen. Dies bedeutet im Umkehrschluss für die Ärzteschaft, dass sie für den Umgang mit KI-basierten Algorithmen verstehen muss, was der „intended use“ bei deren Entwicklung war. Ein einfaches Beispiel wäre die Tatsache, dass der KI-basierte Algorithmus eines Fitnessarmbands, der zum Zählen von Schritten für Athleten entwickelt wurde, die Schritte von Menschen mit Rollator kaum korrekt bestimmen kann, weil sie während des Gehens ihre Hände ruhig an den Griffen des Hilfsmittels haben.

Durch die Anwendung von KI besteht ein großes Potenzial, das Gesundheitssystem bei administrativen Aufgaben zu entlasten. Bereits verfügbar sind KI-Algorithmen, welche die Plausibilität von Abrechnungen prüfen. In Entwicklung befindlich ist die halbautomatische Erstellung von Arztbriefen, die aktuell noch einen relevanten Teil der ärztlichen Arbeitsbelastung ausmachen. Durch die KI-basierte „Vorbereitung“ solcher Dokumente, die dann für eine finale Version noch gegengelesen und gegebenenfalls korrigiert werden müssen, sollte das Personal von repetitiven Aufgaben entlastet werden und somit wieder mehr Zeit für die direkte Interaktion mit Patient:innen haben [22].

Damit Patient:innen von den skizzierten Vorteilen profitieren können, muss ein Ziel der weiteren Entwicklung sein, dass derartige Systeme tief in die medizinische Versorgung integriert und die erhobenen Daten mittels KI-basierter Algorithmen automatisch analysiert werden können, um die ärztliche Intervention auf die medizinisch notwendigen Situationen zu reduzieren. Grundlage hierfür wären neben einer entsprechenden technischen Infrastruktur zur sicheren direkten Übermittlung der Daten auch geeignete medizinische Sensoren, die spezifisch für derartige Zwecke entwickelt und getestet wurden. Mit einem System aus geeigneten mobilen Sensoren, stabiler und sicherer Infrastruktur sowie automatischer, KI-basierter Analyse und Bewertung ließen sich gleichzeitig Sicherheit und Qualität der Patient:innenversorgung steigern und die Ressourcen im Gesundheitswesen entlasten.

Derartige Systeme sollen explizit nicht nur in der Klinik, sondern auch bei Patient:innen zu Hause zum Einsatz kommen, um bei Bedarf ein kontinuierliches ambulantes Monitoring zu ermöglichen. Diesem Trend folgend ist derzeit eine Zunahme des Angebots von Monitoringsystemen für den häuslichen Kontext zu verzeichnen. Diese firmieren häufig unter dem Begriff „hospital at home“ oder „home monitoring“. Ziel der Bemühungen muss ein validiertes System für unterschiedliche Einsatzorte sein, das medizinischen Qualitätsansprüchen genügt und Kliniken, Kolleg:innen in eigener Praxis, Forschenden und Patient:innen in gleichem Maße zur Verfügung steht [23].

Um die damit einhergehende Skalierung bezüglich der Menge an Messdaten bewältigen zu können, sind wiederum KI-basierte Algorithmen im Hintergrund unabdingbar. Diese Systeme müssen eine ständige Analyse der erhobenen Parameter sicherstellen und vordefinierte Schritte auslösen, sobald beispielsweise eine ärztliche Intervention notwendig wird. Hier ist hervorzuheben, dass dies bei Systemen, die einen einzelnen Parameter wie etwa den Herzrhythmus überwachen, einfacher ist als bei Systemen, die beispielsweise aus einem Zusammenspiel von Körperkerntemperatur, Herzfrequenz, Atemfrequenz, Sauerstoffsättigung und Aktivität den Verlauf einer Lungenentzündung erkennen sollen. Um bei durchschnittlichen internistischen Patient:innen Anwendung zu finden, ist dieser Grad an Komplexität jedoch Voraussetzung. Dementsprechend zielt die Forschung und Entwicklung darauf ab, Systeme zu entwickeln und im klinischen Einsatz zu testen, die auch bei komplexen Patient:innen sicher (keine falsch-negativen Meldungen) und effizient sind (möglichst wenig falsch-positive Meldungen). Basierend auf den Erfahrungen mit sogenannten „early warning scores“ (EWS) ist zu erwarten, dass sich dadurch die Versorgung der Patient:innen weiter verbessert, weil Verschlechterungen des Gesundheitszustands frühzeitiger erkannt und entsprechende Maßnahmen früher eingeleitet werden können [23].