03.02.2025 · Fachbeitrag · Digitalisierung

Künstliche Intelligenz: Nutzen für die praktische Patientenversorgung?

von Prof. Dr. Kai Wehkamp, Partner und Geschäftsführer, LOHMANN konzept GmbH, Hamburg, lohmannkonzept.de

| Trotz vieler Schlagzeilen und öffentlicher Förderprogramme für Künstliche Intelligenz (KI) in der Medizin spielen KI-basierte Anwendungen in der Patientenversorgung bislang keine wesentliche Rolle. Der Transfer von KI-Anwendungen aus Wissenschaft und Entwicklung in die klinische Praxis scheint begrenzt. Was sind die Gründe für diese Diskrepanz und gibt es Bereiche, in denen KI bereits heute oder in naher Zukunft in der regulären Patientenversorgung eine Unterstützung bieten kann? |

Hintergrund und allgemeine Herausforderungen

Der Begriff Künstliche Intelligenz ist ein breiter Sammelbegriff für digitale Systeme, die Aufgaben übernehmen, für die normalerweise biologische Intelligenz erforderlich ist. Entsprechende Anwendungen gibt es zwar spätestens seit den 1950er Jahren, bislang basierten diese jedoch auf von Menschen bzw. Experten erstellten Regeln (z. B. als sogenannte Expertensysteme). Die in den letzten Jahren in den Vordergrund gerückte neue Form künstlicher Intelligenz leitet hingegen aus umfangreichen Datensätzen („Big Data“) selbst Regeln in Form abstrakter Muster ab ‒ das sogenannte Maschinelle Lernen (ML). ML hat methodisch eine partikuläre Analogie zur biologischen bzw. menschlichen Intelligenz, die auch anhand von Beispielen und Beobachtungen Muster erlernen und erkennen kann, ohne dass die exakte Definitio-nen der Regeln zur Mustererkennung im Detail nachvollziehbar sind.

Entwicklung von ML steht vor mehreren Herausforderungen

Die gesetzlichen Vorgaben fordern für ML-basierte Medizinprodukte eine hohe Transparenz, Erklärbarkeit, Konsistenz und Sicherheit. Um dies zu erreichen, gibt es aber für das Maschinelle Lernen eine ganze Reihe an Limitationen und Herausforderungen, die insbesondere für die Anwendung in der Medizin teils zu schwierigen Hürden führen. Ursache hierfür ist die grundlegende Methodik des ML, die zwar teils zu in vielen Fällen gut funktionierenden Modellen führt, gleichzeitig aber stark von den zugrundeliegenden, oft nicht standardisierten Daten abhängt, woraus sich wiederum unterschiedlich relevante Verzerrungen und Fehler ergeben können. Eine weitere Voraussetzung ist die praktikable Integration in die bestehenden medizinischen Strukturen und Prozesse. Nur wenn diese Herausforderungen erfolgreich gelöst werden, kann sich ein Nutzen in Bezug auf Qualität oder Wirtschaftlichkeit ergeben.