Die Universitätsmedizin Essen hat sich auf den Weg zur Transformation in ein Smart Hospital gemacht. Dies bedeutet nicht nur ein weitgehend digitalisiertes Krankenhaus, ausgerüstet mit Deep-Learning, KI, Blockchain- und anderen Technologien. Smart Hospital bedeutet ganz besonders auch einen gravierenden Kulturwandel, begleitet von kreativer Destruktion jahrzehntealter Bereiche und Verhaltensformen. Diese überfällige Neugestaltung von Krankenhausstrukturen wäre niemals eo ipso passiert. Es brauchte einen äußeren Anlass wie den der Digitalisierung, der tiefgreifende Umstrukturierungen der Medizin eingeleitet hat.

KI entlastet bei zeitraubenden und ermüdenden Tätigkeiten

Die Digitalisierung wird zu Veränderungen in Teilbereichen der personalisierten Therapie führen. Schon heute zeichnen sich disruptive Neuausrichtungen der medizinischen Diagnostik ab. Bei der diagnostischen Neuaufstellung kommt der KI eine relevante Bedeutung zu. In der Radiologie ist dieser Wandel am weitesten. An der Universitätsmedizin Essen gibt es hierfür eine Reihe gelungener Beispiele. Diese Entwicklung wird sich ganz besonders rasch bei Screening-Verfahren (Brustkrebs- und später auch Lungenkrebs-Screening) durchsetzen, also zeitraubenden und ermüdenden Tätigkeiten. Schon heute ist absehbar, dass die Indikation zu bestimmten Biopsien mit Hilfe von MRT-Daten reduziert werden kann. Beispielhaft genannt sei die Differenzialdiagnostik der Fettleber.

Ein wenig weiter entfernt, aber schon zu erwarten ist eine Abnahme an Prostatabiopsien. Dies ist jedoch nur ein Streckenabschnitt auf dem Weg der diagnostischen Neuordnung. Noch bahnbrechender ist die Verknüpfung und Analyse von Bilddaten und Gendaten, die Entwicklung von Radiomics. Dabei werden radiologische Daten mit molekularbiologischen Daten und weiteren klinischen Kennzeichnen in Beziehung gesetzt und über Algorithmen interpretiert.

KI und Wearables: Eine zukunftsweisende Kombination

Die KI-Anwendung betrifft keineswegs nur klassische Labordisziplinen. Sie hält zunehmend auch in klinische Fächer Einzug wie zum Beispiel in der Herzmedizin. Zwei Beispiele mögen dies verdeutlichen. Zum einen geht es um die kardiologische Risikoeinschätzung über den Umweg der Augenhintergrundanalyse und zum anderen um die Anwendung von KI-Systemen auf die mit der Apple Watch aufgezeichneten Herzfrequenzdaten. Grundlage für das Ziel einer Abschätzung von Herzerkrankungen war die Annahme, dass die Beschaffenheit der am Augenhintergrund lokalisierten Blutgefäße auf den körperlichen Gesamtzustand eines Menschen schließen lässt. Die Augenhintergrundscans werden über Algorithmen analysiert und das Risiko einer möglichen Herzerkrankung berechnet.

Die Firma Verily Life Sciences entwickelte hierfür gemeinsam mit der KI-Abteilung von Google einen KI-Algorithmus auf der Datenbasis von mehr als 280.000 Patienten. Der auf neuronalen Netzwerken basierende selbstlernende Algorithmus erkennt Muster und Zusammenhänge aus den gespeicherten Bildern zur Gefäßstruktur des Augenhintergrunds und anderen Risikofaktoren wie beispielsweise Alter, Blutdruck, Trink- und Rauchgewohnheiten sowie Vorerkrankungen. Ziel war die Risikoabschätzung für eine Herz-Kreislauf-Erkrankung in den nächsten fünf Jahren. Die Genauigkeit dieser Methode wurde mit 70 Prozent ermittelt, was als im Vergleich zu den herkömmlichen Methoden als Zeit- und Kostenersparnis bewertet wurde.

Ein trainierter KI-Algorithmus kann Vorhofflimmern erkennen

Die Apple Watch arbeitet mit einem Herzfrequenzmesser, der dank grüner LEDs und lichtempfindlicher Fotodioden den Blutfluss im Handgelenk bestimmen kann. Wissenschaftler der University of California in San Francisco sammelten so die Gesundheitsdaten von über 6.000 Teilnehmern einer Studie und werteten diese über einen KI-Algorithmus aus. Das Ziel: Es sollte ein mögliches Vorhofflimmern des Herzens nachgewiesen werden. Der Großteil der Teilnehmer dieser eHeart-Studie zeigte normale EKG-Werte. Anhand von 200 Studienteilnehmern mit nachgewiesenem Vorhofflimmern wurde ein neuronales Netzwerk trainiert. Die Forscher testeten ihr Modell anschließend gegen die Daten von 51 Kardioversions-Patienten. Der Nachweis von Vorhofflimmern gelang auf Basis der gesammelten Daten mit einer Genauigkeit von 97 Prozent.

Ein anderes, in der klinischen Diagnostik eingesetztes Diagnostikverfahren betrifft die über Musteranalysen praktizierte Differentialdiagnostik tumoröser Hautveränderungen, die von der Gruppe um Sebstian Thrun in Nature publiziert wurde. Die Stanford-Projektgruppe sammelte 130.000 Bilder zu verschiedenen Hautläsionen. Sie analysierte deren Charakteristika über einen Algorithmus, der mit der diagnostischen Genauigkeit von 21 Dermatologen verglichen wurde. Die Untersuchung zeigte eine vergleichbare bis bessere diagnostische Leistung der Maschine.

Verdacht auf Hirnblutung: Digitalisierung in der Notfallmedizin

Die Digitalisierung erreicht mehr und mehr auch das Gebiet der Notfallmedizin. So arbeitet IBM Watson Health mit der Firma MaxQ-Ai an einer Entscheidungsunterstützung in Echtzeit, die den Ärzten der Notaufnahme bei Verdacht auf eine Hirnblutung auf Basis von CT-Datensätzen mittels kognitiver Analytik und KI geboten wird. Für den Patienten kann dies ein schnelleres und adäquateres Handeln bedeuten. Auch die Universitätsmedizin Göttingen arbeitet mit Partnern an einem intelligenten, zwischenzeitlich mehrfach ausgezeichneten intelligenten Assistenzsystem in der Interdisziplinären Notaufnahme (A.L.I.N.A.). Mit dessen Hilfe können nicht-akademische Berufsgruppen der Notfallmedizin - Rettungs- beziehungsweise Notfallsanitäter und Pflegekräfte in den Notaufnahmen - eine webbasierte Unterstützung in ihrer beruflichen Tätigkeit über mobile Endgeräte erhalten. Diese Assistenzsysteme geben beim Einsatz fallorientiert Hilfestellung, um sehr zielgerichtet auf die akute Notfallsituation fokussieren zu können.