Illustration mit Containern und Clouds, die auf einem Ball balancieren
Zu Abschnitt

Was ist KI im Gesundheitswesen?

URL kopieren

Künstliche Intelligenz (KI) im Gesundheitswesen ist ein Sammelbegriff für die Verwendung von Algorithmen, die mithilfe von maschinellem Lernen (ML) in 3 wichtigen Kategorien des Gesundheitsmarkts trainiert wurden: Anwendung von Gesundheitsleistungen (Life Sciences), Bereitstellung von Gesundheitsleistungen (Anbieter), und Nutzung von Gesundheitsleistungen (Zahlende).

Dank der Fortschritte bei dieser Art von algorithmischem maschinellem Lernen sind jetzt auch Use Cases für künstliche Intelligenz (KI) im Gesundheitswesen möglich, die über die reaktive KI der Vergangenheit hinausgehen. Diese Fortschritte können eine bedeutende Rolle für den Wandel und die Modernisierung des Gesundheitswesen spielen. 

Medizinische Daten müssen zunächst in relevanter Form zugänglich gemacht werden, damit sie sich analysieren lassen und darauf reagiert werden kann. Erst dann sind umfassendere, effektivere und effizientere Anwendungen von Gesundheitsservices möglich.

KI kann grob in vier Arten unterteilt werden.

  • Reaktive KI: Nutzt kein maschinelles Lernen (ML) zur Weiterentwicklung und reagiert bei identischen Situationen stets auf die gleiche Weise.
  • KI mit begrenzter Speicherkapazität: Verwendet ML, um Algorithmen basierend auf früherer Performance zu entwickeln. Viele der aktuellen Fortschritte in KI finden in diesem Bereich statt, weswegen künstliche Intelligenz oft mit KI/ML bezeichnet wird. In diesen Bereich fällt auch das sogenannte Deep Learning, eine Unterart von ML. Dabei werden mehrere Analysephasen durchlaufen, um bedeutungsvollere Informationen aus rohen Daten zu gewinnen.
  • Theory of Mind-KI: Kann Emotionen verstehen, sich diese merken und basierend auf diesem Modell mit Menschen interagieren. Diese Art von KI befindet sich zum jetzigen Zeitpunkt weitgehend im Anfangsstadium oder existiert vorerst nur in der Theorie.
  • Sich selbst wahrnehmende KI oder „echte“ KI: Ist sich der eigenen Emotionen bewusst und verfügt über ein Selbstbewusstseinsniveau, das dem des Menschen ähnelt. Diese Art von KI befindet sich derzeit noch in der theoretischen Phase.

Wenn wir hier über KI im Gesundheitswesen sprechen, beziehen wir uns hauptsächlich auf die rasanten Fortschritte sowohl in den Algorithmen als auch in der Anwendung von KI mit begrenzter Speicherkapazität.

Neue Fortschritte in KI können die Ergebnisse für Patientinnen und Patienten wesentlich verändern, da ärztliches und anderes medizinisches Fachpersonal dadurch genauere Diagnosen stellen und besser abgestimmte Behandlungspläne entwickeln kann. Außerdem können Administratorinnen und Administratoren damit medizinische Ressourcen präzise und genau zuordnen.

Dadurch ergeben sich gleich mehrere Vorteile für die drei Pfeiler des Gesundheitsmarkts (Life Sciences, Anbieter, Zahlende). Wenn das klinische Personal die aktuellsten Informationen auf effiziente Weise gewinnen, verteilen und nutzen kann, kann es die Kranken besser versorgen. Außerdem lassen sich so Daten aus mehreren Quellen sammeln, wodurch bestehende Erkrankungen besser behandelt werden und die Vorhersage oder Identifikation neuer Erkrankungen oder eines Krankheitsbeginns unterstützt werden kann. 

Mit besser verteilten Datenprozessen können Administratorinnen und Administratoren Ansprüche effizienter priorisieren und überprüfen und den gesamten Prozess optimieren. Dadurch können Kranke, Kunden und Anbieter schneller mit genaueren Informationen versorgt werden. Insgesamt gesehen kann die Einspeisung von Daten in die Algorithmen des Gesundheitswesens bei der Vorhersage zukünftiger Risiken helfen und Administrationsteams bei der Verwaltung und Verbesserung der für die Gesellschaft verfügbaren Gesundheitsleistungen unterstützen.

KI in der Gesundheitsversorgung kann Kranken, Anbietern von Gesundheitsdienstleistungen und Zahlenden auf vielfältige Weise zugutekommen. Dazu zählen:

Schnellere Diagnosen
Von KI-Algorithmen verarbeitete datenbasierte Erkenntnisse und prädiktive Analysen in Echtzeit können die Diagnose beschleunigen. So können Kranke schneller behandelt werden, was zu besseren Ergebnissen bei einem insgesamt niedrigeren Einsatz von Ressourcen führt. Als Beispiel kann hier HCA Healthcare genannt werden, einer der größten Anbieter von Gesundheitsservices in den Vereinigten Staaten, der mithilfe von Lösungen von Red Hat ein prädiktives Echtzeit-Analysesystem zur präziseren und schnelleren Erkennung von Blutvergiftungen entwickelte, einer unter Umständen lebensbedrohlichen Erkrankung.

Abwicklung von Versicherungsansprüchen
Die Bürokratie, die mit medizinischen Ansprüchen und Zahlungen einhergeht, kann Tausende von Arbeitsstunden dauern. Werden die einzelnen Fälle manuell eingegeben, erhöht sich außerdem das Risiko von Fehlern, was weder für die betroffenen Patientinnen und Patienten, noch für die Anbieter von Vorteil ist, die wirtschaftlich handeln wollen. Mithilfe von KI kann nicht nur die Aktenführung automatisiert werden. Durch die Analyse der Falldaten können zudem fundierte Empfehlungen bereitgestellt werden. Dies könnte die Verarbeitung der Forderungen beschleunigen, was gleichzeitig das Erlebnis für Beschäftigte und Kunden verbessert.

Betrug, Missbrauch und überflüssige Dokumente
Mithilfe von Robotic Process Automation (RPA) können Dokumente mit einer Geschwindigkeit und Genauigkeit überprüft werden, die sich durch manuelles Vorgehen nicht erreichen lässt. Diese Algorithmen können dann betrügerische Aktivitäten oder überflüssige Dokumente markieren und werden mit der Zeit immer besser, so dass sie noch effektiver darin werden, Probleme aufzudecken.

Erweiterter Zugriff auf Versorgungsangebote
KI-gestützte Diagnosen können die Patientengruppen vergrößern, die bestimmte Gesundheitsservices erhalten. So kann beispielsweise im Bereich Radiologie und medizinische Bildgebung mithilfe von KI eine größere Anzahl von Fachleuten Ultraschallaufnahmen interpretieren. Dadurch ließe sich der Engpass überwinden, der aus der geringen Anzahl von Expertinnen und Experten resultiert. Gleichzeitig könnten damit mehr Kranke Zugang zu dieser Technologie erhalten.

Arzneimittelentwicklung
Die angemessene Dosierung und Verabreichungsform muss bei neuen Medikamenten erst erforscht werden. KI-gestützte Berechnungstools können Trial-and-Error-Methoden optimieren oder sogar ersetzen. Außerdem werden damit schnellere und effizientere Modelle möglich, mit denen der gesamte Prozess überwacht werden kann. Dies kann auch eine schnellere Entwicklung neuer oder neuartiger Medikamente ermöglichen und sowohl pharmazeutischen Unternehmen als auch Endkunden Geld sparen.

KI bietet zahlreiche Vorteile für den Gesundheitsbereich, bei der Implementierung kann es jedoch zu mehreren komplexen Herausforderungen kommen. Zu den Herausforderungen, denen sich das Gesundheitswesen beim Einsatz von KI gegenübersieht, gehören:

Datenmanagement und -erfassung
Viele Herausforderungen entstehen bei der Erfassung, Analyse und Anwendung von Gesundheitsdaten.

Damit KI relevante Algorithmen auf die richtige Weise mit Daten versorgt, muss ein enormes Datenvolumen in Echtzeit verarbeitet werden. Die Datenerfassung stellt daher eine vielschichtige Herausforderung dar.

Die Hardware, Software und Methoden der Datenerfassung müssen in die Workflows der Gesundheitsversorgung integriert werden. Bei der Entwicklung dieser Workflows werden bestimmte Strukturen, Hierarchien und ein gewisser Umfang an manuellen Eingaben zugrunde gelegt. Gesundheitsdaten sind über unterschiedliche Netzwerke verteilt und befinden sich nicht in einzelnen zentralen Datenbanken. In einigen Fällen werden sie nicht einmal vom Blatt Papier ins digitale Format übertragen.

Um für einen möglichst reibungslosen Prozess zu sorgen und sicherzustellen, dass die Organisationen KI- und ML-Implementierungen bestmöglich nutzen können, ist eine einheitliche Ausrichtung der verschiedenen Stakeholder im Prozess erforderlich. Dazu gehören u. a. Data Scientists, IT- und Operations-Teams, medizinisches Fachpersonal, Dienstleistungsunternehmen, ISVs (unabhängiger Softwareanbieter) und andere Anbieter. Bei dieser Herausforderung müssen Stakeholder möglicherweise agile, anbieterneutrale Software einsetzen, um Probleme bestmöglich zu artikulieren, sowie saubere und skalierbare Daten nutzen, die mit mehreren ISVs kompatibel sind.

Die Daten müssen nach ihrer Erfassung in interoperable und verwendbare Formate konvertiert werden, die mit den Informationen aus verschiedenen anderen Quellen funktionieren. Eine hohe Bandbreite ist erforderlich, um die Daten von den Netzwerkpunkten aus zu übertragen, an denen sie erfasst werden, was manchmal über Edge-Geräte erfolgt. Der Bedarf an Storage steigt aufgrund der von Gesundheitssystemen erfassten Daten mit alarmierender Geschwindigkeit, insbesondere in Bereichen wie der medizinischen Bildgebung, IoMT (Internet of Medical Things) und Edge.

Cloud Computing bietet sowohl die Hochleistungsfähigkeit als auch die Kapazitäten, um diesen Herausforderungen gerecht zu werden, kann sich jedoch in vielen Fällen als unpraktisch erweisen, vor allem in ländlichen Umgebungen und Gebieten, in denen keine robuste Infrastruktur an IT- und Gesundheitsdienstleistungen besteht. Um diese wichtige Herausforderung zu meistern, bedarf es kosteneffizienter Lösungen, mit denen die Abläufe am Netzwerkrand optimiert und Daten am Behandlungsort analysiert werden können.

Im Gegensatz zu proprietären Produkten wird die von Red Hat unterstützte Open Source-Software für Unternehmen von Tausenden von Entwicklerinnen und Entwicklern gemeinsam entwickelt, auch von Mitarbeitenden der Gesundheitsbranche, die mit der Software arbeiten und sie so verbessern, dass sie ihren tatsächlichen Anforderungen entspricht. Mit einem offenen und modularen KI/ML-Ansatz von Red Hat können Kunden ihre KI/ML-Projekte schnell operationalisieren und so für einen höheren Grad an Personalisierung, eine umfassendere Stakeholder-Kontrolle und mehr Transparenz sorgen. Vorteile des flexiblen, offenen Ansatzes von Red Hat:

  • Mehrwert, wo Sie ihn brauchen, bei gleichzeitigem Schutz bestehender IT-Investitionen: Mit den Partnern und Integrationen von Red Hat können Sie das Deployment und Lifecycle-Management Ihrer KI/ML-Projekte beschleunigen und vereinfachen. 
  • Erhalten Sie Zugang zu einer vollständigen Suite an branchenführenden Open Source-Technologien in einer Hybrid Cloud-Lösung, die Ihnen die gefragtesten KI-Funktionen bietet, darunter Business Rules, Prozessautomatisierung, Problemlösung, Business Optimization und Machine Learning.
  • Nutzen Sie leistungsstarke Funktionen zur Datenkonnektivität mit der intelligenten DaaS-Lösung (Data-as-a-Service) von Red Hat, die sich anpassen lässt, um die Nachfrage durch sich weiterentwickelnde interne und externe Aufträge zu erfüllen. 
  • Skalieren Sie Plattformfunktionen mit flexiblen Komponenten, was Ihnen die für schnelle Innovationen notwendige Wiederholbarkeit und Sicherheit bietet.
  • Fördern Sie eine präskriptive, aber dennoch flexible CI/CD-Architektur (Continuous Integration/Continuous Delivery), um einen reibungslosen Übergang von ML-Modellierung und -Training mithilfe von Deployments und fortlaufender Verbesserung (auch bekannt als MLOps) zu ermöglichen.

Hier sind einige reale Beispiele für den Einsatz von KI-Lösungen von Red Hat im Gesundheitswesen: 

HCA Healthcare, ein Gesundheitsunternehmen mit Sitz in Nashville, Tennessee, nutzt seine Datenressourcen, um innovative Lösungen für seit vielen Jahren bestehende Herausforderungen der Branche zu finden. Ein funktionsübergreifendes Team aus medizinischem Fachpersonal, Data Scientists und technischen Fachleuten von HCA Healthcare entwickelte mithilfe von Red Hat® OpenShift® Container Platform und Red Hat® Ansible® Automation Platform das prädiktive Echtzeit-Analyse-System „SPOT“ (Sepsis Prediction and Optimization of Therapy), mit der sich Blutvergiftungen besser vorhersagen und behandeln lassen.

Das Boston Children’s Hospital verwendet Red Hat OpenShift und Linux®-Container, um seine medizinischen Möglichkeiten zu erweitern und die kognitive Kapazität von Ärztinnen und Ärzten zu erhöhen.

Weitere Informationen darüber, wie Red Hat Ihre Organisation unterstützen kann, eine KI/ML-Strategie mit einem offenen Ansatz für Ihre Plattform umzusetzen, oder über unsere anderen Lösungen für ein innovatives Gesundheitswesen, finden Sie unter redhat.com/health.

 

Weiterlesen

Artikel

Was sind Red Hat OpenShift Operatoren?

Red Hat OpenShift Operatoren automatisieren die Erstellung, Konfiguration und Verwaltung von Instanzen Kubernetes-nativer Anwendungen.

Artikel

Was für Red Hat OpenShift Serverless spricht

Red Hat OpenShift Serverless erweitert Kubernetes auf die Bereitstellung und Verwaltung serverloser Workloads.

Artikel

Warum Red Hat OpenShift Service Mesh?

Mit dem Red Hat OpenShift Service Mesh können Sie Anwendungen, die auf Microservices basieren, auf einheitliche Weise verbinden, verwalten und überwachen.