KI soll Operations- und Therapiemethoden verbessern, die Quote von Behandlungs- oder Diagnosefehlern minimieren und Fachleute entlasten. Doch trotz Forschung braucht der Fortschritt seine Zeit; ChatGPT schreibt keine Arztbriefe.
Der Alarm schlägt an, rechtzeitig bevor die Katastrophe im Körper der Intensivpatientin ihren Lauf nimmt: In dem durch einen Schlaganfall geschädigten Gehirn der Seniorin hat sich eine Schwellung gebildet. Der Hirndruck könnte in den nächsten 24 Stunden lebensgefährlich steigen. Um die Durchblutung des Organs aufrechtzuerhalten, muss eine medikamentöse Therapie eingeleitet werden.
In dieser frühen Phase sind die Hinweise auf die drohende Komplikation selbst für das medizinische Personal auf Intensivstationen kaum wahrnehmbar. „Es ist ein Zusammenspiel aus verschiedenen Faktoren wie medizinischen Parametern, sowie Geschlecht, Alter, Größe und Gewicht“, sagt Nils Schweingruber von der Klinik und Poliklinik für Neurologie am Universitätsklinikum Hamburg-Eppendorf.
Diese Daten kontinuierlich zu überblicken und richtig zu interpretieren sei sehr schwer und gelinge nur mit sehr viel klinischer Erfahrung, sagt Schweingruber. Oder mithilfe einer Software: Der Neurologe und sein Team haben ein KI-basiertes Prognoseprogramm entwickelt, mit dem kritische Phasen bei Intensivpatienten mit schweren Kopfverletzungen oder einem erlittenen Schlaganfall früh erkannt und so besser behandelt werden können.
In einer Studie lieferte das Programm aus Daten bereits behandelter Patienten eine Risikoeinschätzung. Sie wurde damit verglichen, wie es den Patienten wirklich ergangen war. Das Ergebnis ist so überzeugend, dass die Software in der Uniklinik nun in den Testbetrieb gehen soll.
Die von den Neurologen in Hamburg entwickelte Überwachungssoftware für Intensivpatienten ist nicht die einzige ihrer Art. Am Uniklinikum Schleswig-Holstein läuft ein Pilotprojekt zur Früherkennung medizinischer Risiken mithilfe von Künstlicher Intelligenz. Und am Deutschen Herzzentrum in Berlin wurde eine KI-Software zur Vorhersage von postoperativen Nachblutungen getestet.
Die Künstliche Intelligenz ist aber auch in anderen Bereichen der Medizin auf dem Vormarsch – und nährt vielerlei Erwartungen: Sie soll Operations- und Therapiemethoden verbessern, die Quote von Behandlungs- oder Diagnosefehlern minimieren und Ärzte entlasten.
In der Radiologie ist die KI bereits nicht mehr wegzudenken: So werden KI-gestützte Lösungen etwa beim Screening von Lungenkrebs oder in der Mammadiagnostik eingesetzt. Es handelt sich dabei um Deep-Learning-Modelle. Sie beruhen auf künstlichen neuronalen Netzen, die große Datenmengen nutzen, um komplexe Muster zu erlernen. Sie können eine Vielzahl medizinischer Bilder – etwa Röntgenaufnahmen oder Scans von CT und MRT – schnell verarbeiten und interpretieren.
Nicht selten sind ihre Ergebnisse mindestens so gut wie die von erfahrenen Fachärzten: Lässt man Hautärzte und eine KI Aufnahmen auswerten, um Hautkrebs von gutartigen Veränderungen zu unterscheiden, schneiden Mensch und Maschine ähnlich ab. Vergleichbare Berichte gibt es bei der Diagnose von Darmkrebs, Netzhauterkrankungen und CT-Aufnahmen von Lungenkrebs.
Trotz der Erfolge ist man von einer komplett KI-gesteuerten Medizin weit entfernt. Es seien noch nicht so viele KI-basierte Programme im Einsatz wie eigentlich möglich und im Prinzip auch nötig, sagt Fabian Bamberg, KI-Experte von der Deutschen Röntgengesellschaft. „Obwohl wir beginnen, einzelne Algorithmen zu integrieren, ist die Übertragung in den Klinikalltag komplex“, sagt der Ärztliche Direktor der Klinik für Diagnostische und Interventionelle Radiologie am Uniklinikum Freiburg in einem von seiner Fachschaft veröffentlichten Interview. „Heterogene IT-Systeme, fehlende Standards in Qualität und Sicherheit und ein spezielles, nicht auf Qualität ausgerichtetes Vergütungssystem führen eher zur Zurückhaltung.“
Gerade medizinische Daten sind besonders heterogen und deshalb schwierig zu verarbeiten – insbesondere wenn es über Bilddaten hinausgeht. Diese Inter-Operabilität – also die Möglichkeit sehr unterschiedlicher Daten wie EKG-Signale, Biomarker im Blut, aber auch das individuelle Empfinden von Symptomen und psychische Parameter zusammenzuführen – stellt Bioinformatiker und klinische Forscher derzeit vor große Hürden.
Entscheidend ist auch, wie mit den Ergebnissen umgegangen wird: Manche Empfehlungen, die solche Programme geben, sind für die Behandler nicht nachvollziehbar. Das zeigt sich in Studien, in denen das Programm ChatGPT Arztbriefe verfassen sollte. Zwar lieferte ChatGPT einen guten Grundstock. Es benannte aber auch Befunde, die gar nicht erstellt worden waren.
Solche Fehlentwicklungen schafften Misstrauen, sagt der Vorsitzende des Deutschen Krebsforschungszentrum (DKFZ) Michael Baumann erst unlängst dem Nachrichtenmagazin Spiegel. „Ein Arzt nutzt ein Instrument ungern, wenn er nicht versteht, was es eigentlich macht.“ Schließlich habe man eine persönliche Verantwortung gegenüber den Patienten. Beim DKFZ ist man daher dabei, ein KI-Assistenzsystem zu entwickeln, das schwarzen Hautkrebs genau diagnostizieren und den Befund begründen kann: Es benennt die relevanten Merkmale der Hautveränderung und zeichnet diese in das Bild ein.
Künftig, so ist sich auch Nils Schweingruber sicher, werden KI-basierende Assistenzsysteme zum Alltag in Kliniken und Arztpraxen gehören. Dafür braucht es aber nicht nur einen gewaltigen Schub im Bereich der Digitalisierung von Gesundheitsdaten, sondern auch eine bessere digitale Vernetzung von Kliniken und Praxen. Nur so komme der Nutzen bei jedem Mediziner und zu guter Letzt beim Patienten an.
