ArchivDÄ-TitelSupplement: PerspektivenSUPPLEMENT: Kardiologie 1/2020Digitale Transformation: Dies ist erst der Anfang ...

SUPPLEMENT: Perspektiven der Kardiologie

Digitale Transformation: Dies ist erst der Anfang ...

Kühne, Titus; Meyer, Alexander; Hennemuth, Anja

Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...
LNSLNS

Big Data und KI in der kardiovaskulären Medizin: Ein Überblick über klinisch relevante Anwendungs- gebiete und ihre kritische inordnung.

Foto: Chan2545 stock.adobe.com
Foto: Chan2545 stock.adobe.com

Die digitale Transformation im Gesundheitswesen gilt gegenwärtig als einer der wichtigsten Innovationstreiber. Die Leistungsfähigkeit von Methoden der künstlichen Intelligenz (KI) nimmt rasant zu und eröffnet dem Arzt gänzlich neue Möglichkeiten für Früherkennung, Diagnose, Therapie oder Prävention. So lassen sich

Anzeige
  • Funktionsweisen von Organen simulieren,
  • individuelle Gesundheitsrisiken frühzeitig erkennen oder
  • Effekte, die eine bestimmte Therapievariante für einen Patienten haben wird, vorhersagen.

Die Auswirkungen der digitalen Transformation dürften in der kardiovaskulären Medizin besonders weitreichend sein, da sich hier – wie in wenig anderen medizinischen Disziplinen – Messgrößen, die mit neuartigen Sensoren wie tragbaren EKGs oder Druckmessgeräten zu erheben sind, nutzen lassen.

Die Digitalisierung der Medizin ist ein Sammelbegriff für unterschiedlichste Technologien und Anwendungen. Viele mögen noch Zukunftsvisionen sein, andere werden bereits heute wie selbstverständlich in der Routine genutzt. So sind beispielsweise digitale Patientenakten, cloudbasierte Patienteneinbestellungssysteme oder Diktiergeräte mit KI-basierter Spracherkennung bereits Normalität geworden. Auch sind in Routinegeräten wie dem EKG oder der Echokardiografie zunehmend KI-Elemente Bestandteil der Software, ohne dass dies dem Anwender wirklich bewusst ist. Aber dies ist erst der Anfang.

Modellkliniken, wie sie zum Beispiel aktuell mit dem Universitären Herzzentrum Berlin geplant werden, dürften künftig schon bei Aufnahme des Patienten ein Risiko- und Behandlungsmanagementprogramm starten, das sämtliche Ereignisse und Messungen in Echtzeit auswertet und daraus Handlungsempfehlungen ableitet. Diese Steuerungsprozesse werden mit den Arbeitspfaden konventioneller klinischer Leitlinien – die zwar auf Evidenz basieren, aber die Variabilitäten zwischen einzelnen Patienten völlig unberücksichtigt lassen – nicht mehr viel gemein haben.

Auch bieten digitale Technologien für bestimmte Fragestellungen die Möglichkeit, direkt vom Patienten genutzt zu werden. Dies birgt vor allem in ressourcenarmen Gebieten mit geringer ärztlicher Versorgung (innerhalb wie außerhalb Deutschlands) viel Hoffnung. Durch den demografischen Wandel wird die Ressourcenknappheit im Gesundheitssystem weiter stark steigen: Bereits in wenigen Jahren werden mehr Patienten durch weniger Ärzte versorgt werden müssen. Digitale Lösungen können hier entscheidend Abhilfe schaffen, indem sie dazu beitragen, Behandlungen effizienter zu gestalten – zum Beispiel durch Automatisierungsprozesse von Routinearbeiten oder einer nachhaltigen Verbesserung einer Primär- wie Sekundärprävention.

Trotz der beflügelnden Möglichkeiten digitaler Methoden wirft ihre immer intensiver werdende Nutzung auch viele Fragen auf:

  • Sind die Methoden verlässlich?
  • Sind die berechneten Ergebnisse überprüfbar und erklärbar?
  • Wie erkennt man mögliche Fehler?
  • Wie steht es um den Datenschutz?

Wenn man von Digitalisierung spricht, ist es hilfreich, zunächst zentrale Begrifflichkeiten zu klären. Nachfolgend werden daher Schlüsselbegriffe wie „Big Data“ oder „KI“ anhand von Beispielen erläutert.

Definition der Begriffe

Das Feld der KI ist nicht neu, es wird bereits seit Jahrzehnten beforscht und innerhalb des Feldes haben sich verschiedenste Spezialisierungen entwickelt. Unter KI versteht man generell Systeme, die in der Lage sind, intelligentes Verhalten zu automatisieren. Ein System, das dies vollumfänglich erfüllt, nennt man „artificial general intelligence“ – solche Systeme sind bisher nicht in Sicht.

Bei den Systemen, die heute als KI-Systeme vermarktet werden, handelt es sich um „artificial narrow intelligence“, also Lösungen, die auf einen extrem spezifischen und engen Problemkreis oder sogar nur eine Problemstellung ausgelegt wurden.

Ein wichtiges Teilgebiet der KI ist das maschinelle Lernen, hier wurden tatsächlich innerhalb der letzten Jahre mit dem Aufkommen des „deep learning“ und der Weiterentwicklung der benötigen Computerhardware erhebliche Fortschritte erreicht. Damit wird datengetriebene Mustererkennung und -generierung auf einem Niveau ermöglicht, das noch vor wenigen Jahren undenkbar schien.

Der rasante digitale Wandel wird von mehreren Technologien getrieben: Da sind zum einen immer leistungsfähigere und miniaturisierte Sensoren und Computer. Sie bilden nicht nur das Rückgrat der klassischen Medizininformatik (mit Lösungen wie Patienten- oder Krankenhausinformationssystemen), sondern eröffnen auch Möglichkeiten für eine Vielzahl von neuartigen mobilen Anwendungen. Diese reichen von smartphonebasierten Gesundheitsapps bis hin zum telekardiologischen Monitoring von Patienten mit Herzinsuffizienz oder bei der Früherkennung von Herzrhythmusstörugen (1, 2).

Erste Publikationen belegen den medizinischen Nutzen von tragbaren Geräten. Diese „wearables“ wie Fitnessuhren, Hörgeräte, Brillen et cetera sind beinahe ubiquitär im Einsatz und erheben permanent bei Abertausenden von Menschen (Gesunden wie Patienten) Messdaten. Sie sind damit auch eine wichtige Quelle für die „Big Data“. Darunter versteht man allgemeinhin nicht nur das Erheben, sondern auch das strukturierte Erfassen und Speichern großer Mengen an Informationen – wobei der Begriff Big Data auch oft durch die 3-V-Definition beschrieben wird:

  • Umfang der Datengeneration („volume“),
  • Geschwindigkeit der Datenerzeugung oder -übermittlung („velocity“),
  • Bandbreite der Datenquellen und -arten („variety“).

Solch große und oftmals komplexe Datenmengen können nur noch mit modernen Methoden der Mathematik oder Informatik bearbeitet und analysiert werden. Diese Algorithmen sind (stark vereinfacht gesagt) Folgen von mathematischen Funktionen, die vorgeben, wie zum Beispiel ein Herzvolumen aus Bilddaten zu berechnen ist. Implementiert in Softwareprogrammen, steuern sie Computer und Maschinen.

Methoden des maschinelIen Lernens kommen dann ins Spiel, wenn mechanistische beziehungsweise regelbasierte Ansätze an ihre Grenzen stoßen – also wenn die Probleme beziehungsweise die Datensätze zu komplex werden und/oder notwendiges A-priori-Wissen nicht vorhanden ist. Im weitesten Sinne sind die Verfahren des maschinellen Lernens statistische Methoden, die Wahrscheinlichkeiten berechnen. Daher werden für die Entwicklung solcher Lösungen meist sehr große Datenmengen benötigt, auf denen die Methoden entsprechend trainiert werden können.

KI in der Medizin ist dabei keine ferne Vision. Sie steht zwar in vielerlei Hinsicht noch am Anfang, doch jeder kommt damit schon täglich in Berührung. So nutzen immer mehr Routinebildgebungsmethoden KI-Elemente, zum Beispiel für die Unterdrückung von Artefakten oder automatisierte Segmentierung und teilweise auch für die Ergebnisinterpretation (3).

Simulation eines Mitra-Clips bei einem Patienten mit Mitralklappenprolaps
Grafik
Simulation eines Mitra-Clips bei einem Patienten mit Mitralklappenprolaps

Das vernetzte Gesundheitswesen

Als die ersten elektronischen Datenverarbeitungssysteme (EDV-Systeme) in die Kliniken und Praxen eingeführt wurden, standen zunächst keine medizinischen, sondern verwaltungstechnische Fragestellungen im Vordergrund (wie Systeme, die bei Abrechnungen unterstützten). In den 1990er-Jahren entwickelten sich moderne Labor-, Bilddatenmanagement- oder Krankenhaus- und Praxisinformationssysteme. In dieser Zeit wurde auch die Grundlage für wichtige, noch heute gültige Standards gelegt, wie zum Beispiel das DICOM-Format bei Bilddaten oder sogenannte HL7-Schnittstellen für den Austausch von patientenbezogenen Informationen.

Gegenwärtig befinden wir uns erneut in einer wichtigen Transformationsphase, in der es zu einer zunehmenden Verbindung von Medizingeräten untereinander kommt – durch Verwendung des „internet of things“ (IOT) beziehungsweise des „vernetzten Gesundheitswesens“. Dabei tauschen Geräte über moderne Schnittstellen auf allen Ebenen (von tragbaren mobilen Geräten bis hin zu Geräten im Operationssaal oder der Intensivstation) gesundheitsrelevante Informationen aus, um sie in Echtzeit zu bewerten und bei Bedarf Handlungsempfehlungen an das medizinische Personal weiterzugeben (4, 5). Viele sprechen daher auch vom Krankenhaus oder der Arztpraxis 3.0 oder auch 4.0 (wobei es hier keine einheitliche Definition gibt).

Davon betroffen werden sämtliche Aspekte der medizinischen Wertschöpfungskette sein, von der Logistik über das Patientenmanagement bis hin zu direkten medizinischen Leistungen. Künftig ist daher davon auszugehen, dass es in modernen Einrichtungen einen zentralen digitalen Knotenpunkt geben wird, in dem Patienteninformationen zusammenfließen und Entscheidungen koordiniert werden.

Durch die Zunahme tragbarer oder auch implantierbarer Sensoren und telekardiologischer Angebote dürfte sich dieser Trend nicht nur auf Krankenhäuser beschränken, sondern auch stark den ambulanten Bereich beeinflussen, wo sich vermutlich Praxen als Dienstleister für kardiodigitale Angebote spezialisieren werden.

Ergänzung ärztlicher Tätigkeiten

In diesem Artikel soll kein Diskurs darüber geführt werden, ob es künftig überhaupt noch Mediziner bedarf oder ob ärztliche Leistungen in großem Umfang von Maschinen erbracht werden. Die Antwort ist ein klares Ja, es braucht auch weiterhin Ärzte, die sich intensiv um ihre Patienten kümmern werden. Allerdings werden künftig digitale Anwendungen hilfreich, wenn nicht gar entscheidend sein, um den aufkommenden Mangel an Ärzten durch den demografischen Wandel auszugleichen.

Das künftige Berufsbild des Arztes dürfte sich dadurch stark verändern und es müssen neue Fähigkeiten erlernt werden. Die ersten medizinischen Fakultäten reagieren bereits darauf. So hat beispielsweise die Charité – Universitätsmedizin Berlin sogenannte Digital-Clinician-Scientists-Programme für angehende Fachärzte initiiert, die mit modernen digitalen Methoden umzugehen lernen.

Die Kardiologie unterlag bereits in der Vergangenheit einschneidenden und dynamischen Veränderungen. So ist für den Kardiologen heutzutage die Echokardiografie das wichtigste Arbeitsinstrument und nicht mehr das Stethoskop. Digitale Methoden dürften aber tiefgreifendere Veränderungen herbeiführen, da sie sich nicht nur auf die Diagnostik beschränken. Die Digitalisierung wird den gesamten medizinischen Leistungsumfang betreffen, von der Prävention und Diagnostik bis hin zur Therapie und Rehabilitation.

Dafür werden zunehmend multimodale Datenquellen (Bildgebung, Labor, Sensorik, genetische, proteomische oder metabolomische Informationen) genutzt, um systemmedizinische Ansätze im Sinne eines Patientenavatars zu etablieren, bei denen komplexe Funktionsweisen von der Zelle über das Gewebe bis hin zum Organ oder ganzen Organsystemen quantitativ modelliert werden.

KI-Verfahren werden in der kardialen Bildgebung zunehmend und in sehr vielfältiger Weise eingesetzt
Abbildung
KI-Verfahren werden in der kardialen Bildgebung zunehmend und in sehr vielfältiger Weise eingesetzt

Grundsätzlich stehen damit digitale Methoden nicht nur medizinischem Fachpersonal zur Verfügung, sondern auch Patienten und Wissenschaftlern. Aus der Perspektive der Anwender lassen sich daher digitale Lösungen ganz grob in folgende 3 Gruppen einteilen.

1. Systeme, die von Patienten genutzt werden: Die vielen unterschiedlichen Gesundheitsapps sind sicher die bekanntesten Vertreter dieser Gruppe. Von zunehmender Beliebtheit sind auch sogenannte Symptomanalysetools, bei denen der Nutzer nach Angaben wie Alter, Demografie und klinischen Symptomen gefragt wird und daraus die Wahrscheinlichkeit berechnet wird, ob beziehungsweise welche Erkrankung bei ihm bestehen könnte. Aufsehen erregte auch eine kürzlich im New England Journal of Medicine veröffentlichte und kontrovers diskutierte Studie, nach der es möglich ist, dass Gesundheitsuhren das Auftreten von Vorhofarrhythmien erkennen können (6).

2. Therapieplanungs- und Assistenzsysteme für Ärzte und Pfleger: In diese Gruppe fallen Anwendungen, die das medizinische Personal bei Entscheidungen unterstützen sollen. Auch wenn ein Vergleich mit Assistenzsystemen beim autonomen Fahren naheliegt, so sind die Prinzipien nur teilweise miteinander vergleichbar. Erste Anwendungen gibt es bereits für eine Vielzahl von kardiovaskulären Erkrankungen. Für angeborene oder erworbene strukturelle Herzerkrankungen wurden Lösungen entwickelt, die es ermöglichen, operative oder katheterbasierte Therapievarianten, zum Beispiel Eingriffe an der Herzklappe, zu simulieren, um so die erfolgversprechendere Therapievariante für einen Patienten zu bestimmen (7). Andere Lösungen wurden für eine bessere Überwachung von Patienten auf der Intensivstation entwickelt.

Aus der Vielzahl von permanent einfließenden Sensorinformationen (Druckmessungen, Beatmungsgeräte etc.) können KI-basierte Systeme Ärzte dabei unterstützen, Komplikationen wie beispielsweise Blutungen oder Nierenversagen frühzeitig zu erkennen (3). In der diagnostischen Bildgebung wurden zudem erste modellbasierte Systeme durch die FDA zertifiziert, die beispielsweise die Functional Flow Reserve durch Simulationen ermitteln. Da absehbar ist, dass in den kommenden Jahren immer mehr modell- oder KI-basierte Lösungen auf den Markt kommen werden, haben die Zulassungsbehörden damit begonnen, spezielle Zertifizierungsverfahren aufzubauen (8).

3. In-silico-Tests und -Trials: Digitale Methoden finden auch einen rasanten Einzug in die klinische Forschung. So unterstützen Simulationen die Entwicklung und Testung von implantierbaren Devices wie Stents, Herzklappen oder Schrittmachern. Die Pharmakologie profitiert davon, indem die Toxikologie und Pharmakokinetik neuer Substanzen in silico getestet werden. Die Hoffnung ist, klinische Trials mit weniger Patienten, in kürzerer Zeit und mit größerer Aussagekraft durchführen zu können. Dadurch können Kosten gesenkt und Innovationszyklen verkürzt werden. Auch gibt es Hoffnung, dass In-silico-Verfahren („Computerexperimente“) dabei helfen, die oft sehr schlechte Zulassungssituation von Implantaten und Medikamenten bei Kindern zu verbessern.

Kritische Betrachtung und Fazit

  • Bei all den begeisternden Möglichkeiten, die sich durch digitale Methoden für die Gesundheitsversorgung von Patienten ergeben – viele Anwendungen stecken noch in den Anfängen. Um „alltagstauglich“ zu werden, sind in großem Umfang technische Probleme und regulatorische Fragen zu lösen.
  • Zudem gibt es bislang wenig Evidenz, dass durch den Einsatz digitaler Methoden überhaupt das Outcome von Patienten verbessert wird (im Sinne einer reduzierten Morbidität und Mortalität) oder es im Gesundheitssystem zu Kosteneinsparungen kommt. Da solche Untersuchungen (wie man von der Pharmaindustrie weiß) langwierig und extrem teuer sind, dürfte es auch noch eine Weile dauern, bis umfangreichere Ergebnisse vorliegen.
  • Zudem ist es zweifelhaft, dass Outcomestudien auch wirklich für jede Indikation durchgeführt werden. Dabei können fehlerhafte Systeme – beispielsweise KI-basierte Entscheidungsunterstützungssysteme – durchaus erhebliche Gesundheitsrisiken verursachen.
  • Ein großes Problem bei KI-basierten Systemen ist jedoch die mangelnde Erklärbarkeit der ermittelten Ergebnisse. Der Arzt hat somit keine Möglichkeit zu überprüfen, wie das Ergebnis einer Diagnose oder Therapieempfehlung entstanden ist.
  • Auch wenn an dem Thema „erklärbare KI“ derzeit aktiv geforscht wird, um die Situation zu verbessern, dürfte es künftig eine wichtige Aufgabe des Arztes sein, Unsicherheiten in den Ergebnissen der neuen digitalen Methoden zu bewerten und bei der Interpretation zu berücksichtigen.
  • Intuitive Mensch-Maschine-Schnittstellen und nutzerfreundliche Visualisierungsverfahren müssen folglich entwickelt werden, um bei den Anwendern für Vertrauen und eine gute Akzeptanz zu sorgen.
  • Nicht zu unterschätzen sind zudem die Kosten für die Einführung neuer digitaler Methoden. Diese sind letztlich so hoch, um den stetig wachsenden Anforderungen an Datenschutz und Datensicherheit gerecht werden zu können.
  • Pragmatische Lösungen, die sowohl den Gesundheitsschutz- als auch den Daten- und Klimaschutzinteressen entsprechen, werden daher sicher ein Schlüssel zum Erfolg sein.

DOI: 10.3238/PersKardio.2020.04.10.06

Prof. Dr. med. Titus Kühne,

Dr. med. Alexander Meyer,

Prof. Dr.-Ing. Anja Hennemuth

Institut für kardiovaskuläre Computer-assistierte Medizin der Charité, Universitätsmedizin Berlin; Deutsches Herzzentrum Berlin

Interessenkonflikt: Die Autoren erklären, dass kein Interessenkonflikt besteht.

Literatur im Internet:
www.aerzteblatt.de/lit1520

1.
Koehler F, et al.: Efficacy of telemedical interventional management in patients with heart failure (TIM-HF2): a randomised, controlled, parallel-group, unmasked trial. Lancet 2018; 392 (10152): 1047–57 18)31880-4">CrossRef
2.
Attia ZI, et al.: An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet 2019; 394 (10201): 861–7 19)31721-0">CrossRef
3.
Zhang J, et al.: Fully Automated Echocardiogram Interpretation in Clinical Practice Feasibility and Diagnostic Accuracy. Circulation 2018; 138 (16): 1623–35 CrossRef MEDLINE PubMed Central
4.
Meyer A, et al.: Machine learning for real-time prediction of complications in critical care: a retrospective study. Lancet Respir Med 2018; 6 (12): 905–14 18)30300-X">CrossRef
5.
Diller GP, et al.: Machine learning algorithms estimating prognosis and guiding therapy in adult congenital heart disease: data from a single tertiary centre including 10 019 patients. Eur Heart J 2019; 40 (13): 1069–77 CrossRef MEDLINE PubMed Central
6.
Perez MV, et al.: Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. N Engl J Med 2019; 381: 1909–17 CrossRef MEDLINE
7.
Nordmeyer S, et al.: Abnormal aortic flow profiles persist after aortic valve replacement in the majority of patients with aortic valve disease: how model-based personalized therapy planning could improve results. A pilot study approach. Eur J Cardiothorac Surg 2020; 57 (1): 133–41 CrossRef MEDLINE
8.
Diamond M (FDA): Proposed Regulatory Framework for Modifications to Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) – Discussion Paper and Request for Feedback. https: //www.fda.gov/media/122535/download (last accessed on 19 March 2020).
KI-Verfahren werden in der kardialen Bildgebung zunehmend und in sehr vielfältiger Weise eingesetzt
Abbildung
KI-Verfahren werden in der kardialen Bildgebung zunehmend und in sehr vielfältiger Weise eingesetzt
Simulation eines Mitra-Clips bei einem Patienten mit Mitralklappenprolaps
Grafik
Simulation eines Mitra-Clips bei einem Patienten mit Mitralklappenprolaps
1.Koehler F, et al.: Efficacy of telemedical interventional management in patients with heart failure (TIM-HF2): a randomised, controlled, parallel-group, unmasked trial. Lancet 2018; 392 (10152): 1047–57 CrossRef
2.Attia ZI, et al.: An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet 2019; 394 (10201): 861–7 CrossRef
3.Zhang J, et al.: Fully Automated Echocardiogram Interpretation in Clinical Practice Feasibility and Diagnostic Accuracy. Circulation 2018; 138 (16): 1623–35 CrossRef MEDLINE PubMed Central
4.Meyer A, et al.: Machine learning for real-time prediction of complications in critical care: a retrospective study. Lancet Respir Med 2018; 6 (12): 905–14 CrossRef
5.Diller GP, et al.: Machine learning algorithms estimating prognosis and guiding therapy in adult congenital heart disease: data from a single tertiary centre including 10 019 patients. Eur Heart J 2019; 40 (13): 1069–77 CrossRef MEDLINE PubMed Central
6.Perez MV, et al.: Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. N Engl J Med 2019; 381: 1909–17 CrossRef MEDLINE
7.Nordmeyer S, et al.: Abnormal aortic flow profiles persist after aortic valve replacement in the majority of patients with aortic valve disease: how model-based personalized therapy planning could improve results. A pilot study approach. Eur J Cardiothorac Surg 2020; 57 (1): 133–41 CrossRef MEDLINE
8.Diamond M (FDA): Proposed Regulatory Framework for Modifications to Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) – Discussion Paper and Request for Feedback. https: //www.fda.gov/media/122535/download (last accessed on 19 March 2020).

Leserkommentare

E-Mail
Passwort

Registrieren

Um Artikel, Nachrichten oder Blogs kommentieren zu können, müssen Sie registriert sein. Sind sie bereits für den Newsletter oder den Stellenmarkt registriert, können Sie sich hier direkt anmelden.

Fachgebiet

Zum Artikel

Anzeige

Alle Leserbriefe zum Thema