KI-gestützte Vorhersagemodelle werden das Gesundheitswesen sprunghaft voranbringen

Das Ziel von KI ist es, Maschinen zu ermöglichen, menschliche Gedanken und Verhaltensweisen nachzuahmen, einschließlich Lernen, Schließen und Vorhersagen. Im Kern dieses Vorhabens steht das KI-basierte Modellieren, das die Grundlage für die Erstellung automatisierter und intelligenter Systeme bildet.

Um solche Modelle zu erstellen, werden verschiedene Techniken eingesetzt, die für die Entwicklung intelligenter Systeme in zahlreichen realen Bereichen entscheidend sind, darunter Finanzen, Gesundheitswesen, Landwirtschaft, Cybersicherheit und mehr.

Die Entwicklung dieser Modelle nutzt häufig unterschiedliche Analysearten – deskriptiv, diagnostisch, prädiktiv und präskriptiv – je nach Art des Problems und den Anforderungen an die Lösung.

Heute liegt unser Fokus auf prädiktiver Analytik, die Daten untersucht, um vorherzusagen, was in der Zukunft geschehen wird. Durch die Nutzung riesiger Datenmengen interpretiert das Modell erkennbare Muster, was genaue Vorhersagen ermöglicht und fundierte Entscheidungen unterstützt. 

Klicken Sie hier, um alles über Investitionen in künstliche Intelligenz zu erfahren.

Die unvergleichliche Fähigkeit von KI, Trends zu erkennen

KI besitzt diese unvergleichliche Fähigkeit, Trends innerhalb einer Variablenmenge zu erkennen. Das liegt daran, dass die Technologie im Gegensatz zum Menschen große Datenmengen schnell verarbeiten, Muster und Trends identifizieren und deren Bedeutung erfassen kann. 

Durch maschinelle Lernalgorithmen erledigt ein KI-Modell seine Aufgabe, nämlich die Vorhersage des Outputs basierend auf den bereitgestellten Daten.

Bei der Analyse eines Trends werden in der Regel von der Funktionsweise des menschlichen Gehirns inspirierte neuronale Netze verwendet, da sie lern- und anpassungsfähig sind. Weitere für die Trendanalyse wichtige maschinelle Lernalgorithmen sind Support‑Vector‑Machines (SVM), die Daten in unterschiedliche Klassen einordnen, und Random Forests, die mehrere Entscheidungsbäume zu leistungsstarken Vorhersagemodellen aggregieren. Ein weiteres Beispiel ist das Bayes‑Netz, das probabilistische grafische Modelle nutzt, um die statistischen Abhängigkeiten zwischen einer Variablenmenge darzustellen.

Im Gesundheitswesen ermöglicht die Nutzung dieser maschinellen Lernalgorithmen zum Aufbau KI‑gestützter Vorhersagemodelle eine bessere und individuellere Versorgung sowie maßgeschneiderte Behandlungspläne.  

Dafür durchsucht KI vielfältige Gesundheitsdaten, um aufkommende Trends im Krankheitsverlauf zu identifizieren. Dies befähigt medizinisches Fachpersonal, Gesundheitsprobleme proaktiv anzugehen und Behandlungsstrategien anzupassen, wodurch die Patientenversorgung neu gestaltet wird.

Das Potenzial von KIs Fähigkeit, Muster im Gesundheitswesen zu erkennen

Betrachten wir nun die praktische Anwendung der Fähigkeit der Technologie, Trends innerhalb einer Variablenmenge zu erkennen.

KI‑Überwachungstool zur Erkennung von Sepsis vor dem Auftreten von Symptomen

In einer kürzlich Studie, haben die Forscher festgestellt, dass sie Sepsis‑Infektionen bei Hochrisikopatienten erfolgreich vorhersagen und Leben retten können, indem sie einen neuartigen KI‑Algorithmus einsetzen. 

Sepsis ist weltweit eine der Hauptursachen für Mortalität und Morbidität. Bei diesem Zustand reagiert das Immunsystem des Körpers extrem stark auf eine Infektion, wodurch das eigene Gewebe und die Organe beschädigt werden.

In den USA entwickeln jedes Jahr mindestens 1,7 Millionen Erwachsene eine Sepsis, und etwa 350.000 sterben an dieser lebensbedrohlichen Blutinfektion. Weltweit sind schätzungsweise 48,9 Millionen Menschen jährlich betroffen, von denen etwa 11 Millionen sterben.

Forscher der University of California San Diego School of Medicine wollen diese Zahlen jedoch durch den Einsatz von KI verändern.

Laut der in der Online‑Ausgabe von Digital Medicine veröffentlichten Studie entwickelten die Forscher einen KI‑Algorithmus namens COMPOSER. Er nutzt Echtzeitdaten, um im Voraus zu erkennen, ob ein Patient die Erkrankung hat, bevor klinische Anzeichen auftreten, und arbeitet dabei „still und sicher im Hintergrund“.

Das Modell überwacht kontinuierlich jeden Patienten auf Anzeichen von Sepsis, bemerkte der Studienmitautor Gabriel Wardi, MD, Leiter der Abteilung für Intensivmedizin im UC San Diego (UCSD) Department of Emergency Medicine.

Die frühzeitige Erkennung von Sepsis ist entscheidend, da Interventionen größere Vorteile bieten, wenn sie früher im Krankheitsverlauf umgesetzt werden.

Das Modell wurde in den Notaufnahmen des UC San Diego Health, dem einzigen akademischen Gesundheitssystem der Region, eingesetzt, um Patienten mit Risiko für eine Sepsis‑Infektion zu identifizieren, und hat die Sterblichkeit um 17 % reduziert. 

So funktioniert es: Nachdem ein Patient in der Notaufnahme eingecheckt hat, beginnt COMPOSER, über 150 verschiedene Patientenvariablen zu überwachen, die mit Sepsis in Verbindung stehen könnten. Diese Variablen umfassen demografische Daten, medizinische Vorgeschichte, Vitalzeichen und Laborergebnisse. 

Wenn bei einem Patienten mehrere dieser Variablen vorliegen, was ein hohes Risiko für eine Sepsis‑Infektion bedeutet, benachrichtigt der Algorithmus das Pflegepersonal über das elektronische Patientendatensystem des Krankenhauses. Das Personal prüft dies anschließend mit dem Arzt, um die Bestätigung zu erhalten und geeignete Behandlungspläne für den Patienten festzulegen. 

„Diese fortschrittlichen KI‑Algorithmen können Muster erkennen, die dem menschlichen Auge zunächst nicht offensichtlich sind.“ 

– Shamim Nemati, Ph.D., Mitautor der Studie und Direktor für prädiktive Analytik sowie außerordentlicher Professor für biomedizinische Informatik an der UC San Diego School of Medicine

Er fügte außerdem hinzu:

„Das System kann diese Risikofaktoren betrachten und eine hochgenaue Vorhersage von Sepsis erstellen.“

Die Studie, die vom National Institutes of Health, der National Library of Medicine und dem Joan and Irwin Jacobs Center for Health Innovation am UC San Diego Health finanziert wurde, untersuchte über 6.200 Patientenaufnahmen vor und nach dem Einsatz des KI‑Algorithmus in den Notaufnahmen des Krankenhauses. 

Es ist die erste Studie, die ein KI‑Deep‑Learning‑Modell einsetzte und eine Verbesserung der Patientenergebnisse berichtete. Das Modell verwendet künstliche neuronale Netze, um komplexe und mehrere Risikofaktoren bei Patienten genau und sicher zu identifizieren. Wardi sagte:

„Dank dieses KI‑Modells können unsere Teams lebensrettende Therapien für Patienten schneller bereitstellen.“ 

COMPOSER wurde vor über einem Jahr, im Dezember 2022, erstmals aktiviert. Es wird derzeit in vielen stationären Einheiten des UC San Diego Health eingesetzt, und zukünftig wird es auch am UC San Diego Health East Campus verwendet werden.

Kürzlich kündigte das Health Care Center seinen ersten Chief Health AI Officer an. Außerdem wurde ein Pilotprojekt gestartet, bei dem cloudbasierte elektronische Gesundheitsakte‑Systeme wie Epic und ChatGPT automatisch mitfühlendere Nachrichtenantworten entwerfen, sodass Ärzte und Pflegekräfte sich auf die Patientenversorgung konzentrieren können. 

„Die Integration von KI‑Technologie in die elektronische Patientenakte trägt dazu bei, das Versprechen der digitalen Gesundheit zu erfüllen.“ 

– Christopher Longhurst, Mitautor der Studie und geschäftsführender Direktor des Jacobs Center for Health Innovation sowie Chief Medical Officer und Chief Digital Officer am UC San Diego Health

Software zur Analyse genomischer Daten zur genauen Vorhersage von Krankheiten

Ein weiteres Beispiel für KI‑gestützte Vorhersagemodelle im Gesundheitssektor ist in einer Studie veröffentlicht letzte Woche. Entwickelt bei Rutgers Health, ist die erste ihrer Art Software namens IntelliGenes, die KI und maschinelles Lernen kombiniert, um Krankheiten bei Einzelpersonen vorherzusagen. Das Modell untersucht genomische Daten, um gesundheitsrelevante Biomarker zu finden, um personalisierte Patientenprognosen sowie eine visuelle Darstellung davon zu erzeugen.

Multigenomische Daten geben Aufschluss über die inhärente genetische Zusammensetzung eines Patienten und haben das Potenzial, neue Biomarker basierend auf dem Krankheitsrisiko zu entdecken.

„Wir glauben, dass die synergistische Nutzung mehrerer KI‑Algorithmen genauere Ergebnisse liefert, tiefere Erkenntnisse ermöglicht und präzise Vorhersagen zu realen Problemen im Vergleich zu einem einzelnen KI‑Algorithmus liefert.“

Weiterhin stellte die Studie fest, dass Support Vector Machine (SVM) und Random Forest (RF) die erfolgreichsten maschinellen Lernalgorithmen sind, die Vorhersagen mit hoher Präzision ermöglichen und die Probleme der Regression und Klassifikation lösen.

Derzeit gibt es keine KI‑Werkzeuge, die das gesamte menschliche Genom untersuchen und interpretieren können, insbesondere nicht für Personen, die keine Experten auf diesem Gebiet sind. Daher entwickelten die Forscher IntelliGenes, das von jedermann genutzt werden kann, auch von Personen ohne tiefgehende Kenntnisse in Bioinformatik oder Zugang zu Hochleistungsrechnern.

Durch die Kombination verschiedener maschineller Lernalgorithmen streben die Forscher von Rutgers Health an, Informationen aufzudecken, die von klassischen statistischen Methoden und traditionellen bioinformatischen Techniken oft übersehen werden.

Die Forscher setzten IntelliGenes anschließend in einer weiteren Studie ein, um neuartige Biomarker zu entdecken und kardiovaskuläre Erkrankungen (CVDs) mit hoher Genauigkeit vorherzusagen.

Der korrekte Einsatz von KI‑ und ML‑Methoden kann uns, laut der Studie, neue Einblicke und ein besseres Verständnis von kardiovaskulären Erkrankungen ermöglichen. Dies wiederum wird bessere personalisierte Behandlungen ermöglichen.

Die Studie begann mit einer intensiven Vorverarbeitung von Genexpressionsdaten und nutzte anschließend drei statistische Tests, um Unterschiede in der Transkriptom‑Expression (Studie des gesamten RNA‑Satzes) sowie Unterschiede zwischen den klinischen Merkmalen von CVD‑Patienten und gesunden Personen zu bewerten.

In ihrer Forschung identifizierte das Team 18 transkriptomische Biomarker, die in der CVD‑Population hochsignifikant sind. Diese wurden anschließend verwendet, um Krankheiten mit bis zu 96 % Genauigkeit vorherzusagen. Diese Ergebnisse wurden zudem mit klinischen Aufzeichnungen von Patienten aus der Kohorte validiert.

„Es gibt ein enormes Potenzial in der Konvergenz von Datensätzen und den beeindruckenden Entwicklungen in künstlicher Intelligenz und maschinellem Lernen.“ 

– Zeeshan Ahmed, Hauptautor der Studie. Ahmed ist Fakultätsmitglied am Rutgers Institute for Health, Health Care Policy and Aging Research (IFH) und Assistenzprofessor für Medizin an der Robert Wood Johnson Medical School

Laut ihm unterstützt das Modell nicht nur die personalisierte Frühdiagnose sowohl häufiger als auch seltener Krankheiten bei Einzelpersonen, sondern eröffnet auch die Möglichkeit für breitere Forschung, die letztlich zu neuartigen Interventionen und Therapien führen wird.

KI ist noch keine perfekte Lösung!

Wie wir gesehen haben, bieten KI‑gestützte Modelle erhebliche Vorteile im Gesundheitswesen. Sie können Krankheiten frühzeitig mit hoher Genauigkeit erkennen und viele Leben schützen. Dennoch ist dies nicht die endgültige Lösung, zumindest noch nicht. Dies lässt sich in einer Studie veröffentlicht zu Beginn dieses Monats, die zeigte, dass bei der Anwendung von KI in der realen Welt Fehler auftreten. 

Veröffentlicht zu Beginn dieses Monats in der Zeitschrift Modern Pathology, ist diese Studie die erste, die untersucht, wie Kontaminationen im Gewebe die Lernmodelle von KI beeinflussen.

In dieser Studie trainierten die Forscher drei KI‑Modelle, um Mikroskop‑Aufnahmen von Plazentagewebe zu analysieren, wobei die Aufgaben die Identifizierung von Blutgefäßschäden, die Schätzung des Gestationsalters und die Klassifizierung makroskopischer Läsionen umfassten. Zusätzlich wurde ein viertes Modell trainiert, um Prostatakrebs in Gewebeproben von Nadelbiopsien zu erkennen.

Um ihre Robustheit zu testen, setzten die Forscher jedes Modell anschließend kleinen Anteilen kontaminierten Gewebes – wie Blut und Blasengewebe – aus, die zufällig von anderen Folien entnommen wurden. Dieser Schritt sollte reale Bedingungen nachahmen, in denen Kontaminationen häufig vorkommen.

Bei der Bewertung der Leistung der KI‑Modelle wurde festgestellt, dass alle vier Modelle ihre Aufmerksamkeit auf die Gewebekontaminationen richteten, anstatt sich auf ihre Hauptaufgaben zu konzentrieren. Diese Ablenkung führte zu Ungenauigkeiten bei der Bestimmung des Gestationsalters, der Diagnose von Prostatakrebs, der Identifizierung von Läsionen und der Bewertung von Blutgefäßschäden. Dies liegt daran, dass KI‑Modelle einer Vielzahl von Materialien in der realen Welt begegnen, für die sie nicht trainiert wurden, im Gegensatz zu den sauberen, simulierten Umgebungen, in denen sie trainiert werden.

„Unsere Ergebnisse erinnern daran, dass KI, die im Labor unglaublich gut funktioniert, in der realen Welt scheitern kann. Patienten sollten weiterhin erwarten, dass ein menschlicher Experte die endgültige Entscheidung bei Diagnosen auf Biopsien und anderen Gewebeproben trifft. Pathologen fürchten – und KI‑Unternehmen hoffen – dass die Computer um unsere Jobs kommen. Noch nicht.“

– Mitautor Dr. Jeffery Goldstein

Nicht nur für KI, sondern auch für Pathologen, die intensiv darin geschult sind, das Gleiche zu erkennen, ist Gewebekontamination ein ziemlich häufiges Problem. Die Studie weist jedoch darauf hin, dass Ärzte und nicht‑Pathologen‑Forscher oft überrascht sind, dies zu erfahren. Es wurde festgestellt, dass von den täglich von einem Pathologen gescannten 80 bis 100 Folien 2‑3 mit Kontaminationen zu erwarten sind, die sie zu ignorieren trainiert sind.

Laut der Studie verhalten sich KI‑Modelle ähnlich, wie Menschen, die Gewebe auf Folien untersuchen. Beim Betrachten von Gewebe auf Folien können Menschen nur ein begrenztes Feld im Mikroskop sehen und dann zu einem neuen Feld wechseln und alle gesammelten Informationen kombinieren, um eine Diagnose zu stellen. 

KI wurde jedoch leicht von Kontaminationen in die Irre geführt, da sie entscheiden musste, worauf sie achten soll und worauf nicht. „Das ist ein Nullsummenspiel“, sagte Goldstein, Direktor für perinatale Pathologie und Assistenzprofessor für perinatale Pathologie und Autopsie an der forschungsintensiven Feinberg School of Medicine, Northwestern University, und erklärte:

„Wenn sie auf Gewebekontaminationen achtet, dann richtet sie weniger Aufmerksamkeit auf das Gewebe des Patienten, das untersucht wird.“ 

Laut den Studienautoren sollten Praktiker daran arbeiten, das Problem der Unfähigkeit von KI‑Modellen, biologische Verunreinigungen zu codieren, zu quantifizieren und zu verbessern.

Die Ergebnisse haben Goldstein jedoch „zuversichtlich gemacht, dass KI‑Bewertungen der Plazenta machbar sind“, und bezeichneten die Zerstörung durch KI als „Hindernis“. Das bedeutet einfach: „Wir sind auf dem Weg zu einer besseren Integration des maschinellen Lernens in die Pathologie“, fügte er hinzu.

Unternehmen, die von KI‑gestützten Vorhersagemodellen profitieren können

Da KI‑Modelle großes Potenzial zeigen, sehen wir uns nun an, welche Unternehmen am meisten davon profitieren können:

1. Google DeepMind

Es ist ein Tochterunternehmen des Technologieriesen Google, das darauf abzielt, Intelligenz zu lösen, um „Wissenschaft voranzutreiben und der Menschheit zu nutzen.“ 

Kürzlich haben Forscher von Google DeepMind einen KI‑Assistenten für Ärzte namens Articulate Medical Intelligence Explorer (AMIE) vorgestellt, der bei der Diagnose von Patienten helfen kann. Ein weiteres Papier der Organisation schlug WARM vor, um Reward‑Hacking in LLMs zu bekämpfen.

Mit einem Aktienkurs von 152,59 $ und einem Anstieg von 8,94 % seit Jahresbeginn, hatte Google (GOOGL) zum Zeitpunkt der Erstellung einen Marktwert von 1,9 Billionen $. Die Firma meldete einen Umsatz (TTM) von 297 Mrd. $ bei einem EPS (TTM) von 5,21 und einem KGV (TTM) von 29,19.

2. Siemens Healthineers

Das führende Gesundheitsunternehmen setzt stark auf KI, um die Gesundheitsbranche zu transformieren. Siemens Healthineers (SHL.SW ) (SHL.DE ) hat bis November 2023 84 KI‑unterstützte Produkte entwickelt und hält über 800 Patente im Zusammenhang mit der Technologie.

Als Ausgliederung des Mutterkonzerns Siemens hat der Anbieter von Gesundheitslösungen eine Marktkapitalisierung von 63 Billionen $, während seine Aktien zu 51,68 $ gehandelt werden. Siemens Healthineers weist ein EPS (TTM) von 1,35 und ein KGV (TTM) von 38,28 auf.

Abschließender Gedanke

Wie wir gesehen haben, birgt KI enormes Potenzial in der Trendanalyse, und mit fortschreitender Technologie werden wir noch genauere und umsetzbare Erkenntnisse sowie Innovationen in allen Sektoren sehen. Im Gesundheitswesen kombinieren KI‑gestützte Vorhersagemodelle Daten, Erkenntnisse und Interventionen, um die Gesundheitsversorgung zu personalisieren und Ergebnisse zu optimieren. 

Klicken Sie hier, um mehr über die wachsende Synergie zwischen KI und Neurowissenschaften zu erfahren.