Der Gesundheitssektor ist seit langem ein Early Adopter und profitiert stark von technologischen Fortschritten. Maschinelles Lernen (eine Teilmenge der künstlichen Intelligenz) spielt heute in vielen gesundheitsrelevanten Bereichen eine Schlüsselrolle, darunter die Entwicklung neuer medizinischer Verfahren, der Umgang mit Patientendaten und -akten sowie die Behandlung chronischer Krankheiten. Wie der Informatiker Sebastian Thrum dem New-Yorker: „So wie Maschinen menschliche Muskeln tausendmal stärker gemacht haben, werden Maschinen das menschliche Gehirn tausendmal stärker machen.“
Maschinelles Lernen im Gesundheitswesen
- Sagt Krankheiten und Behandlungen voraus
- Prognostiziert Gesundheitsrisiken für verschiedene Bevölkerungsgruppen
- Unterstützt bei Patientenakten und Arbeitsabläufen
- Unterscheidet zwischen Tumoren und gesunder Anatomie
- Hilft bei der Medikamentenentwicklung, senkt Kosten
- Identifiziert Möglichkeiten für klinische Studien
- Erkennt Lücken im Gesundheitswesen
- Unterstützt Pathologen bei der schnelleren und genaueren Diagnose
Trotz Warnungen einiger Ärzte, dass sich die Dinge zu schnell entwickeln, nimmt die Geschwindigkeit der Fortschritte weiter zu. Und für viele sollte es so sein. „KI ist die Zukunft des Gesundheitswesens“, sagte Fatima Paruk, CMO von Allscripts Analytics aus Chicago im Jahr 2017.
Dawn Kawamoto hat zu dieser Geschichte beigetragen.
Maschinelles Lernen im Gesundheitswesen: Ein Überblick
Maschinelles Lernen findet eine breite Palette von Anwendungen im Gesundheitswesen, die vom Fallmanagement weit verbreiteter chronischer Krankheiten bis hin zur Nutzung von Gesundheitsdaten von Patienten in Verbindung mit externen Einflüssen wie Umweltverschmutzung und Wetterfaktoren reichen.
Durch die Verarbeitung großer Datenmengen kann die Technologie des maschinellen Lernens medizinischen Fachkräften helfen, präzise medizinische Lösungen zu entwickeln, die auf die individuellen Merkmale zugeschnitten sind.
„KI wird Ärzte und Krankenhäuser beeinflussen, da sie eine Schlüsselrolle bei der klinischen Entscheidungsunterstützung spielen wird, eine frühere Erkennung von Krankheiten und maßgeschneiderte Behandlungspläne ermöglicht, um optimale Ergebnisse zu gewährleisten“, sagte Paruk. „Es kann auch verwendet werden, um Patienten über potenzielle Krankheitswege und -ergebnisse bei verschiedenen Behandlungsoptionen aufzuklären und aufzuklären. Es kann sich auf Krankenhäuser und Gesundheitssysteme auswirken, indem es die Effizienz verbessert und gleichzeitig die Pflegekosten senkt.“
Laut einem Bericht in den Mercury News wird erwartet, dass maschinelles Lernen und KI in Zukunft eine entscheidende Rolle in klinischen Studien des Zentralnervensystems (ZNS) spielen werden. Es wird erwartet, dass die Technologie dazu beitragen wird, Behandlungsdaten von ZNS-Erkrankungen zu verarbeiten, die im Laufe der Zeit in klinischen Studien gesammelt wurden, um das Ansprechen von Patienten zu messen.
Andere potenzielle Entwicklungen im Bereich des maschinellen Lernens im Gesundheitswesen umfassen die Erforschung von Möglichkeiten zum Einsatz der Technologie in der Telemedizin, heißt es in dem Bericht. Einige Unternehmen für maschinelles Lernen untersuchen die Fähigkeit, Ärzte während einer Telemedizin-Sitzung zu organisieren und mit Patienteninformationen zu versorgen sowie Informationen während des virtuellen Besuchs zu erfassen, um die Effizienz und den Arbeitsablauf zu steigern.
Arzneimittelforschung und Arzneimittelentwicklung sind ebenfalls große Bereiche, auf die sich Pharmaunternehmen beim Einsatz von maschinellem Lernen konzentrieren, berichtet Forbes. Maschinelles Lernen könnte beispielsweise eines Tages dazu führen, dass sich Arzneimittelhersteller stark darauf verlassen, dass sie es verwenden, um vorherzusagen, wie Patienten auf verschiedene Medikamente ansprechen und welche Patienten die größten Chancen haben, von dem Medikament zu profitieren.
Die US-amerikanische Food and Drug Administration (FDA) hat unterdessen einige Richtlinien erlassen, die den Einsatz von KI- und maschinellen Lerntechnologien in medizinischen Geräten erlauben.
Hier sind fünf Anwendungen des maschinellen Lernens im Gesundheitswesen sowie einige Unternehmen, die seine Leistungsfähigkeit zum Nutzen von Patienten und Anbietern nutzen.
Intelligente Aufzeichnungen
Ort: Denver, Colorado
So nutzt es maschinelles Lernen im Gesundheitswesen: Mithilfe von maschinellem Lernen hat Quotient Health eine Software entwickelt, die darauf abzielt, „die Kosten für die Unterstützung von EMR zu senken“. [electronic medical records] systeme“ durch Optimierung und Standardisierung der Gestaltung dieser Systeme. Das ultimative Ziel ist eine verbesserte Versorgung zu geringeren Kosten.
Ort: Seattle, Washington
So nutzt es maschinelles Lernen im Gesundheitswesen: KenSci verwendet maschinelles Lernen, um Krankheiten und Behandlungen vorherzusagen, um Ärzten und Kostenträgern zu helfen, früher einzugreifen, das Gesundheitsrisiko der Bevölkerung durch die Identifizierung von Mustern und das Aufdecken von Hochrisikomarkern vorherzusagen und den Krankheitsverlauf zu modellieren und vieles mehr.
Ort: Alpharetta, Georgia
So nutzt es maschinelles Lernen im Gesundheitswesen: Ciox Health verwendet maschinelles Lernen, um das „Gesundheitsinformationsmanagement und den Austausch von Gesundheitsinformationen“ zu verbessern, mit dem Ziel, Arbeitsabläufe zu modernisieren, den Zugang zu klinischen Daten zu erleichtern und die Genauigkeit und den Fluss von Gesundheitsinformationen zu verbessern.
Medizinische Bildgebung und Diagnostik
Ort: Cambridge, Massachusetts
So nutzt es maschinelles Lernen im Gesundheitswesen: Die Technologie von PathAI verwendet maschinelles Lernen, um Pathologen zu helfen, schnellere und genauere Diagnosen zu stellen und Patienten zu identifizieren, die von neuen Behandlungen oder Therapien profitieren könnten.
Ort: Chicago, Illinois
So nutzt es maschinelles Lernen im Gesundheitswesen: Quantitative Insights möchte mit seiner computergestützten Brust-MRT-Workstation Quantx die Geschwindigkeit und Genauigkeit der Brustkrebsdiagnose verbessern. Das Ziel: bessere Ergebnisse für Patienten durch verbesserte Diagnosen durch Radiologen.
Ort: Redmond, Washington
So nutzt es maschinelles Lernen im Gesundheitswesen: Microsofts Project InnerEye nutzt maschinelles Lernen, um mithilfe von 3D-radiologischen Bildern zwischen Tumoren und gesunder Anatomie zu unterscheiden, die unter anderem medizinische Experten bei der Strahlentherapie und der Operationsplanung unterstützen.
Wirkstoffforschung und -entwicklung
Ort: New York, New York
So nutzt es maschinelles Lernen im Gesundheitswesen: Mithilfe der Watson-KI-Technologie von IBM nutzt Pfizer maschinelles Lernen für die immunonkologische Forschung darüber, wie das körpereigene Immunsystem Krebs bekämpfen kann.
Ort: San Francisco, Kalifornien
So nutzt es maschinelles Lernen im Gesundheitswesen: Maschinelles Lernen und Datenwissenschaft in Kombination mit fortschrittlicher Labortechnologie helfen dem neu gegründeten Startup Insitro bei der Entwicklung von Medikamenten mit dem Ziel, Patienten schneller und zu geringeren Kosten zu heilen.
Ort: Boston, Massachusetts
So nutzt es maschinelles Lernen im Gesundheitswesen: Über seine Machine-Learning-Plattform Augusta ermöglicht Biosymetrics „Kunden automatisiertes maschinelles Lernen und Datenvorverarbeitung“, wodurch die Genauigkeit verbessert und eine zeitaufwändige Aufgabe eliminiert wird, die normalerweise von Menschen in verschiedenen Sektoren des Gesundheitswesens erledigt wird, einschließlich Biopharmazeutika, Präzision Medizin, Technik, Krankenhäuser und Gesundheitssysteme.
Medizinische Daten
Ort: New York, New York
So nutzt es maschinelles Lernen im Gesundheitswesen: ConcertAI verwendet maschinelles Lernen, um onkologische Daten zu analysieren und Erkenntnisse zu liefern, die es Onkologen, Pharmaunternehmen, Kostenträgern und Anbietern ermöglichen, Präzisionsmedizin und Gesundheit zu praktizieren.
Ort: Denver, Colorado
So nutzt es maschinelles Lernen im Gesundheitswesen: Orderly Health versteht sich als „automatischer, rund um die Uhr verfügbarer Concierge für das Gesundheitswesen“ per SMS, E-Mail, Slack und Videokonferenzen. Das Ziel des Unternehmens besteht darin, Arbeitgebern und Versicherern zu helfen, Zeit und Geld im Gesundheitswesen zu sparen, indem es den Menschen hilft, ihre Vorteile zu verstehen und die günstigsten Anbieter zu finden. Mitarbeitern oder Mitgliedern ermöglichen, ihre Vorteile zu verstehen und Anbieter mit den niedrigsten Kosten zu finden.
Ort: Santa Monica, Kalifornien
So nutzt es maschinelles Lernen im Gesundheitswesen: Die MD Insider-Plattform verwendet maschinelles Lernen, um Patienten besser mit Ärzten zusammenzubringen.
Behandlung und Vorhersage von Krankheiten
Ort: Boston, Massachusetts
So nutzt es maschinelles Lernen im Gesundheitswesen: Beta Bionics entwickelt eine tragbare „bionische“ Bauchspeicheldrüse namens iLet, die den Blutzuckerspiegel bei Typ-1-Diabetikern rund um die Uhr regelt.“
Ort: Chicago, IL
So nutzt es maschinelles Lernen im Gesundheitswesen: Tempus zielt darauf ab, Durchbrüche in der Krebsforschung zu erzielen, indem riesige Mengen medizinischer und klinischer Daten gesammelt werden, um personalisierte Behandlungen für die spezifischen Bedürfnisse jedes Patienten bereitzustellen.
Ort: New York, New York
So nutzt es maschinelles Lernen im Gesundheitswesen: Das Unternehmen behauptet, dass sein Prognos-Register 19 Milliarden Datensätze für 185 Millionen Patienten enthält. Unterstützt durch maschinelles Lernen erleichtert die KI-Plattform von Prognos die Früherkennung von Krankheiten, zeigt Therapiebedarfe auf, zeigt Möglichkeiten für klinische Studien auf, stellt Versorgungslücken und andere Faktoren für eine Reihe von Erkrankungen fest.
Ort: Framingham, Massachusetts
So nutzt es maschinelles Lernen im Gesundheitswesen: Die von KI betriebene Interrogative Biology-Plattform von Berg verwendet maschinelles Lernen für die Kartierung von Krankheiten und Behandlungen in der Onkologie, Neurologie und anderen seltenen Erkrankungen. Durch die Verwendung patientenorientierter Biologie und Daten ermöglicht das Unternehmen Gesundheitsdienstleistern, einen vorausschauenderen Ansatz zu verfolgen, anstatt sich auf Versuch und Irrtum zu verlassen.