Mit künstlicher Intelligenz schneller zur Diagnose seltener Erkrankungen – ein Gebot der Ethik, Ökonomie und Lebensqualität

Das Robert Koch-Institut (RKI) definiert gesundheitsbezogene Lebensqualität als ein „multidimensionales Konstrukt aus physischen, psychischen und sozialen Dimensionen“ [17]. Die Lebensqualität umfasst demnach individuelle und gesellschaftliche Lebensverhältnisse sowie subjektive und objektive Komponenten.

Der korrekte Einsatz von KI kann im klinischen Alltag den Weg zur Diagnose verkürzen, Lebensqualität steigern und Gesundheitskosten senken. Neue Technologien des maschinellen Lernens haben das Potenzial, die Erforschung, Diagnostik und Behandlung seltener Erkrankungen deutlich zu verbessern. Verschiedene Studien haben bereits unterschiedliche Ansätze gezeigt, um mithilfe von Algorithmen der KI schnell Muster und Zusammenhänge zu erkennen oder mithilfe prädiktiver Modellierungstechniken wie Deep Learning den weiteren Krankheitsverlauf vorhersagen zu können [11, 12, 19, 21].

In einer eigenen Arbeit konnten wir zeigen, dass das Expertensystem von Ada (Ada DX, Ada Health GmbH, Berlin, Deutschland) in 54 % der Fälle einen frühzeitigen korrekten Top-5-Diagnosevorschlag lieferte, in 33 % der Fälle sogar bereits im Rahmen der ersten dokumentierten Vorstellung bei einem Arzt bzw. einer Ärztin. Die Genauigkeit der Vorschläge von Ada DX zum Zeitpunkt der Diagnose lag bei 89 % [18]. Der Zeitpunkt der richtigen Diagnosestellung kann dabei als kritischer Punkt betrachtet werden. Zwar steht nicht für jede Erkrankung eine adäquate Therapie zur Verfügung, dennoch ist ein:e Patient:in meist erleichtert, die korrekte Diagnose zu erhalten. Dieses Wissen kann maßgeblich zur subjektiv empfundenen Lebensqualität der Betroffenen beitragen und die Patient:in kann genauer therapiert werden und den Umgang mit seiner/ihrer Erkrankung erlernen. Die Lebensqualität des Patienten/der Patientin kann sich auf physischer, psychischer wie auch sozialer Ebene verbessern, wenn die Diagnosefindung erfolgreich abgeschlossen wird.

Neben der Lebensqualität der Patient:innen werden auch die Kosten für das Gesundheitssystem von der richtigen Diagnosestellung direkt beeinflusst. Ein klassischer Ansatz für die Diagnose einer seltenen Erkrankung umfasst Anamnese, körperliche Untersuchungen und Genanalysen, mit denen bestimmte Mutationen, die mit einer Erkrankung in Verbindung stehen, eruiert werden können. Zusätzlich werden bildgebende Untersuchungen wie Röntgenaufnahmen, Magnetresonanztomographie(MRT)-, Computertomographie(CT)- oder Positronenemissionstomographie(PET)-CT-Scans eingesetzt. Direkte Kosten entstehen für alle medizinischen Leistungen zur Behandlung von Erkrankungen. Umfangreiche Tests und bildgebende Untersuchungen werden bei seltenen Erkrankungen häufig unnötigerweise mehrfach wiederholt, wodurch höhere Kosten für das Gesundheitssystem entstehen. In einer eigenen Arbeit [24] konnten die direkten Kosten betrachtet werden, die für Patient:innen auf ihrer Odyssee bis zur richtigen Diagnose entstehen. In der Arbeit wurde gezeigt, dass Ada DX und auch die Überweisung an eine/einen Expert/Expertin erhebliche Einsparungen bei der Diagnose seltener Erkrankungen erzielen können (Abb. 1). Die Evaluierung der direkten Kosten in einem Kollektiv von Patient:innen mit seltenen Erkrankungen ergab, dass die Gesundheitskosten durch den Einsatz des Diagnoseunterstützungssystems Ada DX um bis zu 50 % geringer ausfielen. Ursächlich hierfür ist, dass unnötige wiederholte Analysen und auch zum Teil invasive Untersuchungen bei den Patient:innen vermieden werden konnten.

Patient:innen mit seltenen Erkrankungen leiden häufig unter Produktivitätsverlusten, Arbeitsausfällen, Fehlzeiten und Arbeitslosigkeit, während sie auf ihre richtige Diagnose warten, da die Belastung sowohl physisch als auch psychisch vorhanden ist. Die dadurch entstehenden Kosten können die direkten Kosten deutlich übersteigen [13]. Diese indirekten Kosten, die durch Krankheit, Tod, Arbeitsausfall oder Verringerung der Arbeitsleistung entstehen, quantifizieren den gesamtwirtschaftlichen Produktivitätsverlust.

Am Beispiel eines Patienten, der besonders lange auf die richtige Diagnose warten musste, sollen die Möglichkeiten digitaler Diagnoseunterstützungssysteme skizziert werden (in diesem Fall des Systems Ada DX). Zum besseren Verständnis wird die Krankheitsgeschichte des Patienten (43 Jahre alt) kurz und bündig dargelegt:

Der Patient wurde 1988 zum ersten Mal bei einer Ärzt:in vorstellig. Die damals dokumentierten Symptome führen bereits dazu, dass Ada DX im Jahr 1988 unter anderem die richtige Diagnose vorgeschlagen hätte (Abb. 2; [18]).

Insgesamt 10 weitere dokumentierte Untersuchungen wurden in den Jahren 2003 und 2004 vorgenommen, ohne erfolgreiche Diagnose. Im Jahr 2015 wurde der Patient an eine Expert:in überwiesen. Bereits 10 Tage später konnte die richtige Diagnose von der Expert:in für seltene Erkrankungen gestellt werden. Die direkten Kosten (6043,17 €) hätten für diesen Patienten eingespart werden können. Wesentlich bedeutender sind allerdings die Beeinträchtigungen der Lebensqualität des Patienten und die indirekten Kosten, die 27 Jahre lang akkumulierten.

An diesem Fallbeispiel zeigt sich, wie digitale Diagnoseunterstützungssysteme Ärzt:innen und Expert:innen dabei helfen können, schneller eine richtige Diagnose bei Patient:innen mit seltenen Erkrankungen zu stellen. Zukünftig könnte sich sogar etablieren, dass Patient:innen mithilfe eines digitalen Diagnoseunterstützungssystems selbstständig ihre Symptome eingeben und als Ergebnis ein Tableau mit begründeten Diagnosevorschlägen erhalten. Dieses können sie bei ihrem darauffolgenden Arztbesuch vorlegen und den Diagnoseprozess somit optimieren [9]. Neben den Einsparungspotenzialen im Gesundheitssystem und einer Reduzierung der volkswirtschaftlichen Kosten könnten davon insbesondere die Patient:innen hinsichtlich ihrer Lebensqualität profitieren.

Training und Testung heutiger KI-Systeme erfordern viele hochwertige Datensätze. Damit ein solches KI-System eine seltene Erkrankung als solche erkennen kann, braucht es mehrere Hundert oder besser Tausende von hochwertigen Fallbeschreibungen. Genau diese gibt es aber für seltene Erkrankungen nicht, da sie eben selten sind. Daher finden sich im Bereich der seltenen Erkrankungen auch eher probabilistische und hybride KI-Systeme, die nicht auf konventionelles maschinelles Lernen setzen, sondern Wahrscheinlichkeitsmodelle verwenden oder solche Modelle mit neuronalen Netzen verbinden. Insgesamt wäre es aus Sicht der seltenen Erkrankungen erfreulich, wenn wir neuartige Algorithmen des maschinellen Lernens entwickeln würden, die mit erheblich weniger Datensätzen zu deutlich besseren Kategorisierungsergebnissen kämen. Hier ist zu wünschen, dass sich Forschungsförderprogramme der Entwicklung derartiger Algorithmen annehmen und so auch der Entwicklung von KI-Systemen im Bereich der seltenen Erkrankungen Vorschub leisten.

Aber nicht nur in der Diagnoseunterstützung kann KI helfen, sondern auch in der Therapiefindung und bei der Entwicklung geeigneter Medikamente für seltene Erkrankungen. Dabei werden neuerdings Transformer-basierte Verfahren zum Codieren und Textverstehen so miteinander kombiniert, dass aus großen Textmengen Beziehungen zwischen biomedizinischen Entitäten extrahiert und statistisch ausgewertet werden können [26]. Mithilfe solcher Verfahren werden dann biomedizinische Literaturdatenbanken und dort beschriebene Relationen mit verfügbaren Datenbanken und weiteren biochemischen Informationen abgeglichen, um einen Wissensgraphen zu bauen, der Menschen oder weiteren KI-Algorithmen Hinweise auf relevante Zusammenhänge zwischen pharmakologischen Zielen und aussichtsreichen Wirkstoffen geben kann. In diese Kategorie fallen auch Methoden des „re-purposing“ oder „re-positioning“ bekannter Wirkstoffe, die ebenfalls für die Therapiefindung bei seltenen Erkrankungen an Wichtigkeit gewinnen [27].

Bei den seltenen Erkrankungen liegen Chancen und Risiken des Einsatzes von KI sehr nahe beieinander. Daten- und Rechtssicherheit sowie Funktionalität sind kritische Faktoren im Kontext von Diagnosestellung und Therapieplanung. Insbesondere hinsichtlich der Rechtssicherheit gibt es Handlungsbedarf, um Ärzt:innen einen rechtssicheren Umgang mit digitalen Lösungen zu bieten. Wenn im Kontext seltener Erkrankungen digitale Unterstützungssysteme eine Diagnoseempfehlung abgeben, dient dies Ärzt:innen als Hilfsmittel zur schnelleren Diagnosestellung. Entscheidungshoheit und Verantwortung liegen also weiterhin vollständig bei der Ärzt:in. In einer solchen Situation untergräbt eine intransparente KI (Blackbox) die notwendige Transparenz der ärztlichen Entscheidungsfindung und erschwert es der Patient:in, diese nachzuvollziehen [25]. Wichtige Aspekte sind dementsprechend die Nachvollziehbarkeit der KI-Empfehlung, die Sicherheit der eingepflegten Patientendaten und eine Gewährleistung, dass das digitale System sowohl von Erfolg als auch von Misserfolg lernt. Außerdem sind das Vertrauensverhältnis zwischen Ärzt:in und KI-Entwickler:in bzw. zwischen Ärzt:in und Patient:in wie auch das Vertrauen in die Technologie selbst von essenzieller Bedeutung [8].