Skip to main content
Top

2022 | Book

Künstliche Intelligenz im Gesundheitswesen

Entwicklungen, Beispiele und Perspektiven

insite
SEARCH

About this book

Künstliche Intelligenz (KI) nimmt schon heute Einfluss auf Beruf und Alltag und begleitet die Menschen bei der Erledigung von Arbeitsaufgaben. Im Gesundheitswesen gilt KI als Schlüsseltechnologie und als Motor für Fortschritt und Beschäftigung. Neue Algorithmen tragen dazu bei, dass KI zum Game Changer im Gesundheitsmarkt wird. Herkömmliche Behandlungswege bei der Diagnostik und bei der Therapie von Patienten verändern sich. Medizinisches und pflegerisches Personal soll durch den Einsatz von KI unterstützt und entlastet werden. Künstliche Intelligenz verspricht einen hohen Nutzen für Individuen und Unternehmen. Dabei sind jedoch auch die sozialen, finanziellen, technischen und rechtlichen Rahmenbedingungen zu berücksichtigen. Trotz der vielfältigen Möglichkeiten ist der Einsatz der Künstlichen Intelligenz bei personenbezogenen Daten und in bestimmten Geschäftsmodellen kritisch zu hinterfragen und zu reflektieren.

Das vorliegende Herausgeberwerk gibt einen Überblick zu aktuellen - bisweilen kontrovers diskutierten - Themen aus Theorie, Forschung, Transfer und Praxis. In 43 Beiträgen stellen 82 renommierte Autoren und Experten ihr Wissen, ihre Erkenntnisse, Erfahrungen und Einschätzungen vor. Es werden Lösungsansätze und Problemfelder beim Einsatz von Künstlicher Intelligenz im Gesundheitswesen aufgezeigt. Durch eine anschauliche Clusterung und Einordung der Buchbeiträge in themenbezogenen Übersichten eignet sich das Werk sowohl für Einsteiger als auch für Praktiker und Wissenschaftler.

Table of Contents

Frontmatter
Kapitel 1. Einleitung „Künstliche Intelligenz im Gesundheitswesen“

Der Einsatz von künstlicher Intelligenz im Gesundheitswesen hat in den letzten Jahren stark zugenommen und durchdringt zunehmend alle Lebens- und Arbeitsbereiche. Die Gesundheitsversorgung durchlebt bereits schon heute tiefgreifende Veränderungen durch die DigitalisierungDigitalisierung. Künstliche Intelligenz gilt im Gesundheitswesen und in vielen anderen Branchen als Schlüssel- und Querschnittstechnologie. Durch sie wird die digitale Transformation in der Patientenversorgung und medizinischen Forschung beschleunigt.

Mario A. Pfannstiel
Kapitel 2. Künstliche Intelligenz im Gesundheitswesen als Kernkompetenz? Status quo, Entwicklungslinien und disruptives Potenzial

Der künstlichen Intelligenz wird gemeinhin ein hohes disruptives und marktzerstörerisches Potenzial zugeschrieben, weil durch sie eingeschliffene Routinen, Strukturen, Strategien und Geschäftsmodelle auf den Prüfstand gestellt werden. Der Beitrag widmet sich der Fragestellung, ob der Einsatz künstlich intelligenter Anwendungen im Gesundheitswesen die „bestehende Ordnung“ substituiert, komplementär arrondiert oder im Sinne der digitalen Assistenz unterstützt. Zudem ist zu klären, ob sich radikale KI-Visionen im pfadabhängigen, massenträgen und regulierten Gesundheitswesen überhaupt mit hoher Intensität umsetzen lassen. Der Grund hierfür ist in multiplen Umsetzungsbarrieren zu suchen, die revolutionären und flächendeckenden KI-Lösungen trotz technischer Machbarkeit im Wege stehen. Aus dem Blickfeld des ressourcenorientierten Ansatzes (Resource-based View) wird der Frage nachgegangen, ob und unter welchen Bedingungen die künstliche Intelligenz eine Kernkompetenz darstellt, die zu Disruption, Diskontinuität und Differenzierung (3-D-Modell) führen.

Christoph Rasche, Adriana A. Reinecke, Tiziana Margaria
Kapitel 3. Künstliche Intelligenz – Ein Überblick über die aktuelle und zukünftige Bedeutung von KI in der Wirtschaft und im Gesundheitswesen in Europa

KI ist die Schlüsseltechnologie des 21. Jahrhunderts. Anders als in vielen anderen Branchen, wo KI auch Arbeitsplätze kosten kann, wird KI im Gesundheitswesen in Europa eine der Lösungen sein, den Gesundheitssystemkollaps zu verhindern. KI wird dabei helfen, dass sich das Personal im Gesundheitswesen auf die wesentlichen Aufgaben am Menschen fokussieren kann und die Gesundheitsversorgung besser und effizienter zu machen. Bereits heute gibt es viele Best-Practice-Anwendungen, die erfolgreich sind – allerdings sind diese noch nicht ausreichend miteinander verknüpft. Wie diese Verknüpfung in ein paar Jahren auch in Europa aussehen kann, kann heute schon in China beobachtet werden. Insgesamt wird sich auch das Gesundheitssystem in Europa durch KI deutlich verändern – weg von einem eher reaktiven Krankensystem hin zu einem mehr proaktiven Gesundheitssystem.

Claudia Bünte
Kapitel 4. Mit KI das Gesundheitswesen verändern

Die Arbeit an medizinischen Anwendungen im Bereich künstliche Intelligenz (KI) ist von großer Bedeutung für die Entwicklung der KI-Branche insgesamt. In kaum einem anderen Feld spielt das Ausbalancieren der Datenschutzanforderungen mit Schaffung der Voraussetzungen für skalierbare praxisrelevante Technologien eine grössere Rolle. China scheint in der Umsetzung medizinischer KI ganz vorne zu sein. Europa im Gegensatz braucht neue Ansätze zur Förderung von KI. Daten-IDs, dezentralisierte Technologien zur Schaffung spezialisierter gesundheitsbezogener Datenmärkte könnten eine gute Lösung sein. KI und weitere Datentechnologien haben ein großes Potenzial, Medizin humaner zu gestalten und Ärzte zu entlasten, ihnen eine Möglichkeit zu geben, sich auf ihre Patienten voll und ganz zu konzentrieren. Dafür ist die enge interdisziplinäre Zusammenarbeit zwischen Ärzten, medizinischen Forschern und Technologen notwendig.

Anastassia Lauterbach
Kapitel 5. Erfolgsfaktoren, Potenziale und Barrieren bei KI-Start-ups im Gesundheitswesen

Unternehmensgründungen im Gesundheitswesen haben das Ziel, Unternehmen aufzubauen, die langfristig am Markt erfolgreich sind, Mitarbeiter einstellen und innovative Dienstleistungen, Prozesse, Produkte und Technologien hervorbringen sowie Umsatz, Gewinn und Rendite generieren. In diesem Beitrag wird auf Start-ups im Bereich „künstliche Intelligenz“ (KI-Start-ups) im Gesundheitswesen eingegangen, die sich erst in den letzten Jahren gegründet haben. Besonderheiten von KI-Start-ups und Erfolgsfaktoren, die sich aus Sicht von Führungskräften bei Gründungen von KI-Start-ups ergeben, werden vorgestellt. Im Mittelpunkt der Betrachtung stehen KI-Start-ups zu folgenden Bereichen: digitale Assistenten für Ärzte, Versicherer und Patienten, Bilderkennung und -analyse, Risikobewertung für Ärzte und Patienten sowie Lifestylemanagement und Monitoring. Potenziale und Barrieren, die durch die Gründung von KI-Start-ups entstehen, werden erläutert. Im Ergebnis des Beitrags zeigt sich, dass KI-Start-ups zahlreiche Chancen für das Gesundheitswesen bieten, das Wachstum im Markt verbessern, den Fortschritt und die Entwicklung beschleunigen und die Kollaboration von Akteuren im Gesundheitsmarkt fördern.

Alma Dautovic, Mario A. Pfannstiel
Kapitel 6. Künstliche Intelligenz im Entwicklungsprozess von Medikamenten in der Pharmaindustrie

Künstliche Intelligenz (KI) stellt eine der Schlüsseltechnologien der Zukunft dar – vor allem in der Pharmaindustrie. Das maschinelle Lernen hilft Forschern, aus der umfassenden Fülle chemischer Verbindungen effektivere und gleichzeitig ressourcensparende Medikamente herzustellen. Erste KI-Medikamente wurden bereits an Menschen getestet. Darüber hinaus wird eine Vielzahl an Einsatzmöglichkeiten geboten – nicht nur bei der Wirkstoffentwicklung, sondern auch bei der Umsetzung klinischer Studien. Dies spiegelt sich in einem zeitlich deutlich verkürzten Prozess und sinkenden Kosten wider. Um auch in Zukunft konkurrenzfähig bleiben zu können, muss die Pharmabranche ihre Organisationsstrukturen anpassen und KI effektiv nutzen, damit Forschungs- und Entwicklungskosten und -zeiten eingespart werden können.

Svenja C. Schweighöfer, Mario A. Pfannstiel
Kapitel 7. KI-Systeme für die nächste Medizintechnikgeneration

In der Medizintechnik scheint zurzeit die künstliche Intelligenz (KI) als universelles Werkzeug für beinahe jedes bestehende Problem bemüht zu werden. Tatsächlich haben neue medizinische Erkenntnisse in Verbindung mit einer leistungsfähigen Informationstechnik und einer zunehmend digitalen Umgebung eine Renaissance der KI ausgelöst. Die Impulse treiben dabei nicht nur die medizinischen Disziplinen wie die Radiologie an, die bereits seit Jahren in der Forschung und Entwicklung mit dem KI-Methodenbaukasten arbeiten. KI wird im ganzen Spektrum der Medizintechnik als Schlüssel beispielsweise für (teil-)autonome Systeme gesehen und damit in vielen Bereichen als wichtiges Werkzeug zum Erreichen einer effizienten Präzisionsmedizin. Dieser Beitrag skizziert aber auch die Probleme bei der Realisierung von KI-Lösungen, die dazu führen könnten, dass KI-basierte Medizintechnik in größerem Umfang noch für längere Zeit ein Traum bleiben könnte.

Jan Stallkamp, Johannes Horsch, Lennart Karstensen
Kapitel 8. Regulatorische Anforderungen an Lösungen der künstlichen Intelligenz im Gesundheitswesen

Diese Arbeit befasst sich mit dem Thema künstliche Intelligenz (KI) im Gesundheitswesen. Der Fokus liegt dabei auf dem aktuellen Stand der Normen und deren Anwendung hinsichtlich des Themas Zulassung von KI-gestützten Medizinprodukten. Dafür wird soweit in das Thema KI eingeführt, dass die Besonderheiten von KI als Software und die Unterschiede zwischen adaptiven, selbstlernenden und nicht adaptiven, nicht selbstlernenden Systemen ersichtlich werden. Zudem werden die verfügbaren (harmonisierten) Normen genannt und der Zulassungsprozess im Allgemeinen beschrieben. Dabei wird eine grobe Einführung in den Zulassungsprozess von Medizinprodukten gegeben, um die Problematik mit KI-gestützten Medizinprodukten und im Speziellen mit adaptiven KI-gestützten Medizinprodukten verstehen und nachvollziehen zu können. Anhand einiger Beispiele soll gezeigt werden, inwieweit die Zulassung von nicht adaptiven KI-gestützten Medizinprodukten unter Zuhilfenahme der verfügbaren Normen aussehen könnte. Ebenfalls soll ein Ausblick auf die bevorstehenden Aufgaben bei der Zulassung von adaptiven KI-gestützten Medizinprodukten erfolgen.

Ludwig Pechmann, Martin Mildner, Tim Suthau, Martin Leucker
Kapitel 9. KI-Implementierungsoptionen in dateninflationären Versorgungsnetzen: Von der abstrakten Vision zur konkreten Wertschöpfungstransformation

Beim Paradigma der künstlichen Intelligenz (KI) handelt es sich um ein Querschnittsthema, das Branchen, Märkte und Geschäftsmodelle beherrscht. Der künstlichen Intelligenz wird gemeinhin das Potenzial zur disruptiven Innovation zugeschrieben, die bestehende Ordnungen aus den Angeln hebt. In diesem Zusammenhang stellt sich für das Gesundheitswesen die Frage, ob KI-Systeme im Gesundheitswesen immer disruptiver Natur sind. Vielmehr unterliegen die Institutionen im Gesundheitswesen einem rigiden Marktordnungsrahmen, der oft kaum Raum für radikale Anwendungen lässt. Nicht zuletzt aus diesem Grund lassen sich KI-Visionen im Gesundheitswesen nur etappenweise im Kontext multipler Stakeholder implementieren. Dabei sind die KI-Anbieter gefordert, ein progressives Political Impact Management (PIM) zu praktizieren, um über den Umweg der Nichtmarktstrategie komparative Marktvorteile aufbauen zu können. Bei diesem konzeptionell angelegten Beitrag sollen aus dem Blickfeld des strategischen Managements Handlungsoptionen und Gestaltungsfelder für KI-Anwendungen im Gesundheitswesen aufgezeigt werden. Besondere Relevanz hat hierbei die Ableitung eines holistischen Bezugsrahmens zur künstlichen Intelligenz im Gesundheitswesen, der theoretische, praktische und branchenbezogene KI-Logiken assimiliert.

Christoph Rasche, Nataliia Brehmer
Kapitel 10. KI-basierte Lernumgebungen für eine digitale Souveränität von Patientinnen und Patienten – Theorie und Konzeption einer virtuellen Consent-Assistenz

Die Verarbeitung personenbezogener Daten spielt im Gesundheitswesen eine wichtige Rolle. Beispielsweise sind Patientinnen und Patienten betroffen, wenn sie vor einem operativen Eingriff in die Verarbeitung ihrer Daten einwilligen sollen. Dies bringt nicht nur für den Datenschutz einige Herausforderungen mit sich, sondern ebenso in puncto Kompetenzentwicklung. Vor diesem Hintergrund sind die Informiertheit und der selbstbestimmte Umgang mit personenbezogener Datenverarbeitung in den Blick zu nehmen. Dieser Beitrag beschäftigt sich mit der Herausforderung, inwieweit Patientinnen und Patienten sensibilisiert und in die Lage versetzt werden müssen, um digital kompetent und souverän mit dieser Situation umzugehen. Eine Antwort kann eine virtuelle Consent-Assistenz sein, die den Anwendungs- und Lernprozess über eine adaptive personalisierte Lernumgebung miteinander verknüpft und Lernkonzepte für Digital und Data Literacy zur Verfügung stellt. In diesem Zusammenhang sind die Chancen und Grenzen für die Entwicklung einer digitalen Souveränität bei Patientinnen und Patienten zu diskutieren.

Claudia de Witt, Jessica Felgentreu
Kapitel 11. Bessere Medizin? Künstliche Intelligenz verantwortlich gestalten

Die Bedeutung in der Anwendung von künstlicher Intelligenz (KI) für den Sektor Medizin und Gesundheitswesen ist in den letzten Jahren erheblich gewachsen. Dabei spielen nicht nur Fragen der Technik, Ökonomie und Implementierung eine Rolle. Vielmehr hat gerade im Anwendungsbereich Gesundheitssektor KI nur einem zu dienen: dem Leben von Patientinnen und Patienten. Die Gesundheit der behandelten Menschen und die Qualität aller Dienste im Gesundheitswesen sollen zum Wohle aller Menschen verbessert werden. So sehr sich medizinische Forschung, Technikentwicklung und Gesundheitsversorgung zwar im Rahmen wirtschaftlichen Handelns und globaler Entwicklungen bewegen, so sehr sind diese ethisch verantwortlich zu gestalten. Welche ethischen Orientierungen und Leitlinien sich für KI-Anwendungen im Gesundheitswesen aus der Perspektive einer theologischen Anthropologie und Sozialethik ergeben könnten, wird im folgenden Kapitel entfaltet.

Dietmar Merz, Jörg Hübner
Kapitel 12. Ethische Aspekte von KI-Anwendungen in der Medizin

Das vorliegende Kapitel analysiert zwei ethische Grundprinzipien, nämlich Vertrauen und Verantwortung, im Kontext von medizinischen KI-Anwendungen. Dabei wird aufgezeigt, dass KI-Anwendungen selbst weder verantwortungsfähig noch vertrauenswürdig sind. Um diese Prinzipien in der digitalen Medizin verankern zu können, müssen KI-Anwendungen daher so in den Behandlungsprozess integriert werden, dass diese Prinzipien weiterhin grundlegend bleiben. Abschließend wird ein entsprechendes integratives Framework für die Entwicklung von medizinischen KI-Anwendungen vorgestellt.

Matthias L. Zuchowski, Lena Zuchowski
Kapitel 13. Maschinen mit Moral für eine gute Pflege der Zukunft?

Künstliche Intelligenz (KI) verändert unser Leben. In einigen gesellschaftlichen Kontexten, wie beispielsweise den sozialen Medien, ist die Entwicklung von KI längst so weit vorangeschritten, dass sich Gesellschaft und KI nicht mehr unabhängig voneinander entfalten. KI ist aber auch in Bereichen gesellschaftsprägend, wo wir es nicht sofort erkennen, und wird es in Zukunft noch vielmehr sein. KI ist Bestandteil, Herausforderung und Spiegel der Gesellschaft gleichermaßen. Gute Pflege ist eine gesamtgesellschaftliche Aufgabe und ein Bereich, in dem der Einsatz von Robotern mit KI besonders diskutiert werden muss. Ziel des Beitrags ist die Entwicklung eines normativen Bewertungskompasses, der zur Beantwortung der Frage, „Welche Robotik mit KI ist dienlich für eine gute Pflege der Zukunft?“, beitragen soll.

Elmar Nass, Michael Schneider
Kapitel 14. Zwischen Automatisierung und ethischem Anspruch – Disruptive Effekte des KI-Einsatzes in und auf Professionen der Gesundheitsversorgung

Künstliche Intelligenz (KI) und algorithmische Systeme der Entscheidungsfindung entwickeln sich rapide zu wichtigen neuen Technologien in unserem täglichen Leben und es kann kaum Zweifel geben, dass sie einen großen Einfluss auf die Gesellschaft haben – auch in Professionen der Gesundheitsversorgung. Aufgrund ihrer Wirkkraft auf vorhandene ökonomische und organisatorische Strukturen werden diesen Technologien gleichzeitig disruptive Effekte auf ihre jeweiligen Anwendungsdomänen zugesprochen. Im vorliegenden Beitrag wird an den Beispielen der klinischen Medizin sowie der Einzelfallhilfe der Sozialen Arbeit dargelegt, in welcher Weise KI professionelle Praxen in der Gesundheitsversorgung verändert, welche Konsequenzen daraus für die Professionen erwachsen und welche Handlungsaufforderungen sich für die jeweiligen Professionen ergeben.

Diana Schneider, Arne Sonar, Karsten Weber
Kapitel 15. Potenziale digitaler und KI-basierter Tools zur Gesundheitsförderung in Unternehmen – Eine systemtheoretische Beobachtung von Implementierungs- und Verankerungsprozessen

In Zeiten stetigen Wandels wird der Faktor Mensch für die Sicherung der Wettbewerbsfähigkeit und den Unternehmenserfolg bedeutender. Hier performt diejenige Organisation am besten, welche es schafft, die Potenziale ihrer Mitarbeiter maximal auszuschöpfen. Um Leistungsfähigkeit zu gewähren, sind die Gesundheit und das Wohlbefinden der Mitarbeiter entscheidend. Programme zur Gesundheitsförderung sind allerdings noch weit davon entfernt, flächendeckend in der Landschaft deutscher Unternehmen eingesetzt zu werden. Vor dem Hintergrund digitaler Entwicklungen und dem Einsatz von künstlicher Intelligenz insbesondere im Medizin- und Gesundheitsbereich eröffnet sich ein umfangreicher und zunehmend unübersichtlicher Markt an digitalen Lösungsoptionen zur Gesundheitsförderung in Unternehmen. Der vorliegende Beitrag greift bislang verborgene Potenziale und Einsatzmöglichkeiten digitaler und KI-basierter Tools zur Kompensation und Lösung bisheriger Praxisprobleme im betrieblichen Gesundheitsmanagement auf.

Teresa Moll
Kapitel 16. Nachhaltige Entwicklung im Krankenhauswesen – Künstliche Intelligenz als Treibstoff und Hemmnis

Die Themenfelder Nachhaltigkeit, Krankenhauswesen und künstliche Intelligenz (KI) stehen trotz einiger Schnittmengen in einer wenig ausgeprägten Dreiecksbeziehung. Krankenhäuser nehmen aufgrund ihrer großen sozialen Verantwortung sowie ihres hohen Energie- und Ressourcenverbrauchs eine entscheidende Rolle beim Thema Nachhaltigkeit ein. KI wird zunehmend in der Diagnostik und der Therapie eingesetzt. Auf sozialer Ebene generiert sie dort einen bedeutsamen Mehrwert, energetisch und klimatisch betrachtet ist KI jedoch sehr anspruchsvoll. Es gilt also zu erforschen, welchen Beitrag KI für die Umwelt leisten kann. Das Ziel des Beitrags besteht in der Analyse der Potenziale, welche KI im Krankenhauswesen bietet, um ökologische Nachhaltigkeit zu fördern. Schließlich wird der Frage nachgegangen, ob und wie Nachhaltigkeit in Krankenhäusern mithilfe von KI verwirklicht werden kann. Außerdem sollen eine allgemeine Sensibilisierung und Bewusstseinsbildung für die Idee „Nachhaltigkeit“ erreicht werden. Es ist zunächst zu definieren, was Nachhaltigkeit und nachhaltige Entwicklung bedeuten. Auf Basis dessen kann der Status quo im Krankenhauswesen dargestellt werden, um wiederum zu reflektieren, welche Strukturen für eine nachhaltige Entwicklung notwendig sind. Im Ergebnis des Beitrags zeigt sich, dass zwar unterschiedliche Klimaprojekte bestehen, die die nachhaltige Entwicklung im Krankenhauswesen vorantreiben, jedoch die Umsetzung mittels KI ziemlich rar ist. Ungeachtet dessen gibt es zahlreiche KI-Projekte und -Initiativen, die sich mit den Problemen des Klimawandels auseinandersetzen. Insgesamt besteht ein erhebliches Potenzial, um gerade Krankenhäuser ökologisch nachhaltiger zu betreiben. Wichtig dabei ist, dass stets sowohl die Wirtschaftlichkeit als auch die soziale Verantwortung in Relation betrachtet werden.

Robin Schuhmacher
Kapitel 17. Präzisionsmedizin, künstliche Intelligenz: Chancen für ein verbessertes Therapiemanagement? Ein organisationsökonomischer Blick

Digitalisierung, gerade mit Blick auf sogenannte Aspekte künstlicher Intelligenz, wirft vielfältige Fragen zur Umsetzbarkeit, Akzeptanz und auch zu grundlegenden gesundheitsökonomischen Effektivitäts- und Effizienzfragestellungen auf. Ein wesentlicher Ansatzpunkt einer rationalisierenden Herangehensweise liegt darin, den Prädiktionsansatz sogenannter künstlicher Intelligenz in ein organisationsökonomisches Modell mit den Wirkfaktoren der Dienstleistungsproduktion zu verknüpfen. In dieser Hinsicht kann ein modellhaftes Bild einer Effizienzumgebung abgeleitet werden als auch beispielsweise Anwendungsfragen zu Herausforderungen künstlicher Intelligenz, etwa im Kontext sogenannter Disease Interception, betrachtet werden. Mit Blick auf Aspekte der Datenerhebung, -verfügbarkeit und -nutzung sind daher regulatorische Aspekte, etwa auch mit Blick auf Plattformlösungen zu diskutieren.

Jürgen Zerth
Kapitel 18. Künstliche Intelligenz in der hausärztlichen Versorgung

In der hausärztlichen Versorgung kommt es häufiger zu Fehldiagnosen, was erhebliche Auswirkungen auf die Patientensicherheit hat. Künstliche Intelligenz (KI) verspricht mithilfe schnellerer und genauerer Diagnosen Fehler zu reduzieren und eine verbesserte Patientenversorgung zu ermöglichen. Bislang gibt es jedoch keine weitverbreitete Anwendung der KI in der hausärztlichen Versorgung. Gründe dafür sind eine fehlende Akzeptanz von Ärzten gegenüber Gesundheitsinformationssystemen sowie die geringe Anzahl entwickelter KI-Systeme für den hausärztlichen Bereich. Angesichts der Bedeutung des menschlichen Faktors bei der Einführung neuer Technologien ist die Untersuchung der Einstellung der Hausärzte zu KI von entscheidender Bedeutung. Anhand von 15 Interviews konnten Bedenken und Erwartungen als relevante Einflussfaktoren der Einstellung der Hausärzte bezogen auf KI in der Diagnosestellung identifiziert werden. Zusätzlich konnten praktische Implikationen für eine erfolgreiche Einführung von KI aus den Interviewdaten abgeleitet werden.

Jasmin Hennrich, Anna L. Kauffmann, Christoph Buck, Torsten Eymann
Kapitel 19. Einsatzgebiete künstlicher Intelligenz bei chronischen Erkrankungen – Ein erster Überblick im Diagnostik- und Therapiebereich

Chronische Erkrankungen stellen eine sehr starke Belastung sowohl für Patienten und medizinisches Personal als auch Gesundheitseinrichtungen und Gesundheitssysteme dar. Einhergehend mit der Digitalisierung im Gesundheitswesen können jedoch körperliche, zeitliche, finanzielle und systemrelevante Belastungen abgemildert werden. Der Einsatz von künstlicher Intelligenz ermöglicht die Ermittlung von Diagnose- und Therapievorschlägen basierend auf Krankheitssymptomen von Patienten und durch die Anforderungen des medizinischen Personals. Dabei profitiert das medizinische Personal durch eine verbesserte Datenverarbeitung, Wissenspräsentation, Risikoanalyse und Entscheidungsfindung, um zielführend Maßnahmen zur Behandlung von Patienten einleiten zu können. Dieser Beitrag beschäftigt sich mit chronischen Erkrankungen und den Fortschritten, die auf dem Gebiet der künstlichen Intelligenz im Diagnostik- und Therapiebereich bisher erzielt wurden. Beispielhaft werden Einsatzgebiete von künstlicher Intelligenz zu ausgewählten chronischen Erkrankungen aufgezeigt. Vor- und Nachteile beim Einsatz von künstlicher Intelligenz im Diagnostik- und Therapiebereich werden ermittelt. Das Ergebnis zeigt, dass bereits große Fortschritte erzielt wurden, aber auch noch erhebliches Potenzial zur Gestaltung und Optimierung besteht.

Kristin Kassel, Mario A. Pfannstiel
Kapitel 20. Künstliche Intelligenz und Digitalisierung im Bereich Diabetes mellitus

Der vorliegende Beitrag geht auf Patienten mit der Erkrankung Diabetes mellitus Typ 1 und die Behandlungskette Patient-Journey ein. Zu Beginn wird der Begriff „Diabetes mellitus“ definiert. Im Anschluss folgt für den Leser eine Einordnung zur wirtschaftlichen Bedeutung der Erkrankung. Auf die Rolle der Ärzte im Behandlungsprozess und beim Diabetesmanagement wird eingegangen. Die einzelnen Behandlungsschritte, die Diabetespatienten durchlaufen, werden erläutert. Beispielhaft wird der traditionelle Behandlungsablauf in seiner Komplexität herausgearbeitet. Die Veränderungen an der Behandlungskette, die sich durch die Digitalisierung im Gesundheitswesen in den letzten Jahren ergeben haben und Einfluss auf das Patientenverhalten nehmen, werden in Form einer digitalisierten Behandlungskette dargestellt. Mit Blick auf die Zukunft wird exemplarisch eine Behandlungskette aufgezeigt, die Elemente der künstlichen Intelligenz (KI) mitberücksichtigt. Aktuelle Forschungsprojekte zum Themenbereich der künstlichen Intelligenz werden vorgestellt. Durch die Gegenüberstellung der drei Behandlungsketten wird ein Vergleich ermöglicht. Der Beitrag endet mit einer Schlussbetrachtung, die auf die Vor- und Nachteile der Digitalisierung und den zunehmenden Einsatz von künstlicher Intelligenz eingeht. Im Ergebnis zeigt sich, dass Patienten stark von technischen Veränderungen betroffen sind und von Patienten Flexibilität, Anpassungswille und Eigenverantwortung erwartet wird.

Carolin Kinzel, Mario A. Pfannstiel
Kapitel 21. Künstliche Intelligenz in Prozessen des Gesundheitswesens – Chancen und Risiken am Beispiel der akuten Schlaganfallbehandlung

Der Einsatz von künstlicher Intelligenz (KI) im Gesundheitswesen kann dazu beitragen, Diagnostik und Therapie zu optimieren und die medizinische Versorgung für den Menschen besser und individueller zu gestalten. Am Beispiel der akuten Schlaganfallbehandlung zeigt dieser Beitrag, wie KI-Bausteine sinnvoll in Prozesse des Gesundheitswesens einfügt werden können und welche Chancen und Risiken damit einhergehen. Dabei wird deutlich, dass die Einführung und der Einsatz KI-basierter Ansätze als Prozess gedacht werden müssen, der auf mittel- bis langfristige Sicht stetig mit neuen Daten verbessert wird.

Thomas Schmidt, Johannes Winter
Kapitel 22. Künstliche Intelligenz, Big Data und Krebsdiagnostik im Gesundheitswesen

Die Digitalisierung bietet durch die Anwendung innovativer Technologien in den unterschiedlichsten Bereichen des Gesundheitswesens revolutionäre Möglichkeiten. Von der Mustererkennung bis hin zur Auswertung von großen Datenmengen und der Anwendung von KI-Systemen sind den neuen Technologien kaum Grenzen gesetzt. Auch die nachhaltige Veränderung und Verbesserung des Gesundheitswesens scheint zum Greifen nah. Themen, wie bspw. die Bewältigung von Big Data und personalisierte Medizin, könnten in naher Zukunft in die Realität umgesetzt werden. Doch wo finden KI-Algorithmen bereits heute Anwendung und wo bestehen noch Ausschöpfungspotenziale? Wie verhält es sich mit der allgemeinen Akzeptanz und den Datenschutzbestimmungen bei der Erhebung von personenbezogenen Daten? Welche Herausforderungen sind mit KI-Systemen verbunden und welche Chancen sowie Risiken ergeben sich daraus für das Gesundheitswesen? Auf diese Fragen soll im folgenden Buchbeitrag eingegangen werden.

Donjeta Mehmeti
Kapitel 23. Diagnoseunterstützung durch künstliche Intelligenz für Labordaten

Labordaten sind zugleich wertvoll und komplex – mithilfe von künstlicher Intelligenz können Ärzte in der Probenanforderung und Auswertung unterstützt werden, um so Krankheiten gezielter und früher zu erkennen. Dieser Beitrag gibt einen Überblick über das Potenzial der Anwendung von künstlicher Intelligenz im Bereich der Labordaten. Die Autoren sind die Gründer eines Unternehmens, welches sich auf dieses Themenfeld spezialisiert hat. Entscheidend für die Adoption im Klinikum sind sowohl die Einbindung in die Klinikabläufe, eine Oberfläche, die Freude in der Bedienung macht, und zudem eine Nachvollziehbarkeit in den Machine-Learning-Vorhersagen. In diesem Beitrag wird die Technologie beschrieben, welche bestehende Diagnosen so mit einem Knowledge-Graphen kombiniert, um medizinisch nachvollziehbare Vorschläge und Hinweise für Ärzte zu liefern. Durch eine zentrale und dezentrale Architektur können die Anforderungen an eine Anonymisierung von Patientendaten mit den Chancen eines einrichtungsübergreifenden Wissenstransfers in Einklang gebracht werden. Während die technischen Herausforderungen – auch durch Nutzung gängiger und vielfach erprobter IT-Standards – gelöst werden können, erfordert die inhaltliche Harmonisierung (Kontext/medizinische Schemata) noch viel Zeit und Bemühungen. Die Adoption internationaler Standards, aber auch die praxisnahe IT-Entwicklung – darunter beispielsweise die Verbreitung von Open-Source-Konnektoren – sind zu begrüßen. Nur mit dem entsprechenden Kontext innerhalb der Datensätze und einer intelligenten Verknüpfung der Systeme können das stetig wachsende Forschungswissen, aber auch „Big Data“ als echte Hilfe für die praktische Arbeit der Ärzte im täglichen Klinikalltag dienen. Für die Herstellung dieses Kontexts – innerhalb des weiten Lösungsspektrums der künstlichen Intelligenz – bietet die Graph-Technologie interessante Möglichkeiten, die ebenso im Rahmen des Beitrags beschrieben werden.

Florian Stumpe, Jan Kirchhoff
Kapitel 24. Daten einfach anders denken! Big Data (BD) und künstliche Intelligenz (KI) in der Praxis

Unter den Top 10 der wertvollsten Unternehmen der Welt ist kaum ein Unternehmen wertvoller als die führenden, datengenerierenden Unternehmen, die über keine eigene Warenfertigung verfügen. In diesem Kapitel wird aufgezeigt, welche Bedeutung direkt, indirekt und extern generierte Daten für die Produktion von Pharmazeutika haben. An Beispielen aus der Praxis werden die Lesenden durch die Komplexität von Daten geführt und dabei werden kreative Denkansätze für die Umsetzung in Pharmaunternehmen angeboten.

Claus Michael Sattler
Kapitel 25. Verstehen was Ärzte schreiben: Kann KI die Datenflut in der Medizin bändigen?

In diesem Beitrag soll gezeigt werden, dass Natural Language Processing (NLP) – und damit KI – deutlich dazu beitragen kann, die Datenflut in der Medizin zu bändigen, indem gezielte Informationen mit überschaubarem Aufwand in hoher Güte aus klinischen Dokumenten extrahiert und zur Entscheidungsunterstützung genutzt werden können. Denn die Leistungsfähigkeit vieler NLP-Systeme hat sich deutlich verbessert, speziell durch Deep Learning. Gleichzeitig können bewährte Methoden wie regelbasierte Entitätserkennung und Entscheidungstabellen komplementär genutzt werden. Dies wird am Beispiel Neuroradiologie und Schlaganfall gezeigt.

Benedikt Kämpgen, Philipp F. Sodmann, Máté E. Maros, Andreas Klüter
Kapitel 26. Ist Stimme das neue Blut? KI und Stimmbiomarker zu früheren Diagnose – für jedermann, überall und jederzeit

Wenn ein Mensch spricht oder Laute von sich gibt, transportiert er neben dem Inhalt auch wesentliche andere Merkmale, die Rückschlüsse auf seine Eigenschaften und seinen Zustand zulassen. Wie jemand etwas gesagt hat, überträgt oftmals eine viel wesentlichere Botschaft als der Inhalt selbst. So können aus der Stimme neben Geschlecht, Alter, Dialekt auch Emotionszustände, Persönlichkeitsmerkmale, Sprachstörungen und insbesondere Hinweise auf Krankheiten erkannt werden. Seit Anfang der 2000er-Jahre haben sich der Wissenschaftsbereich der Computer Audition inklusive des Spoken Language Processing (SLP) und der Computational Paralinguistics (CP) zunehmend mit diesen Merkmalen beschäftigt. Die menschliche Laut- und Sprachproduktion ist ein komplexes System, bei welchem eine Vielzahl von Muskelgruppen und Organen beteiligt sind. Beeinträchtigungen einzelner oder mehrerer beteiligter Muskeln oder Organe stören die Produktion, was als Dysfunktionalität oder Anomalie im Audiosignal wahrgenommen werden kann. Ebenso komplex ist die Steuerung dieser Muskelgruppen durch das kognitive System, dessen Störung ebenfalls im Audiosignal „hörbar“ ist. Ferner wirken sich anatomische und physiologische Gegebenheiten auf die Klangprägung aus und sind entsprechend „erhörbar“. Durch den Einsatz von maschinellem Lernen, insbesondere tiefer neuronaler Netze und weiteren Verfahren maschinellen Lernens oder allgemeinerer künstlicher Intelligenz (KI) konnte so in den letzten Jahren eine zunehmend robustere Erkennungsleistung bei der Diagnose von Krankheiten und Symptomen aus den menschlichen Lauten und gesprochenen Sprache erzielt werden. Dieser Beitrag gibt einen kurzen Einblick in die Funktionsweise und zeigt die bereits bestehenden Möglichkeiten des Einsatzes der KI-basierten Audioanalyse für das Gesundheitswesen, insbesondere im Zusammenhang mit neurodegenerativen, neurokognitiven, neuroentwicklungsbezogenen und psychischen, aber auch respiratorischen Krankheiten auf und gibt einen Ausblick über die zukünftige Entwicklung.

Dagmar M. Schuller, Björn W. Schuller
Kapitel 27. Interdisziplinäre Ansätze zu Medizin und künstlicher Intelligenz (KI): Stimmauswertung zur Frühdiagnose beim Morbus Parkinson (MP)

Die menschliche Stimme wird täglich zur Kommunikation eingesetzt. Dabei geschieht dies meist unbewusst und ohne Beachtung dessen, was sie über uns aussagt, welche Informationen aus ihr gewonnen werden können und welchen wertvollen Beitrag sie leisten könnte zur Früherkennung von Krankheiten wie dem Morbus Parkinson (MP). Werden Innovationen aus Medizin und Informationstechnologie in einem interdisziplinären Ansatz verbunden, eröffnet dies neue Chancen dahin gehend. Die vorliegende Arbeit beleuchtet die Möglichkeit zur Frühdiagnose von MP mittels Stimmauswertung unter Zuhilfenahme von künstlicher Intelligenz (KI) und geht dabei ein auf das Krankheitsbild des MP, dessen spezifische Symptome und Merkmale als Basis zur Frühdiagnose, die Möglichkeiten der Stimmauswertung mittels kinetisch-akustischer Biomarker, Big Data, maschinellem Lernen und KI.

Silvia Straub
Kapitel 28. KI-unterstützte Anwendungen und Potenziale in der Medizin- und Gesundheitstechnologie

Gesundheitssysteme stehen vor einer Vielzahl von Herausforderungen. Neben dem demografischen Wandel, einem zunehmenden Fachkräftemangel, dem medizinisch-technischen Fortschritt, steigenden Qualitätsansprüchen als auch einnahmeseitigen und ausgabeseitigen Effekten seitens der Kostenträger ergeben sich derzeitig und zukünftig weitere Chancen und Risiken für die medizinische, pflegerische und ökonomische Gestaltung einer modernen Gesundheitsversorgung. „Künstliche Intelligenz“ (KI) und KI-unterstütze Anwendungen können dabei einen wesentlichen Beitrag leisten, um Ressourcen sinnvoll einzusetzen und Gesundheitsdienstleistungen auf qualitativ hohem Niveau zu generieren. Dabei ist das Feld möglicher Einsatzgebiete von künstlicher Intelligenz in der Medizin und Gesundheitswirtschaft sehr vielfältig. Neben einer KI-basierten Radiologie, Bildverarbeitung und Mustererkennung, z. B. in der Mammadiagnostik, der Hirntumordiagnostik sowie von Prostatakarzinomen, können insbesondere Anwendungen aus dem Bereich der digitalen Medizin, z. B. durch Medizin- und Serviceroboter, Assistenzsysteme oder auch die KI-unterstütze Telemedizin helfen, die medizinische und pflegerische Versorgung zu verbessern. Der vorliegende Buchbeitrag beschäftigt sich mit der Thematik der KI-unterstützten Anwendungen und Potenziale in der Medizin- und Gesundheitstechnologie und stellt nach einer einführenden Darstellung der künstlichen Intelligenz exemplarische KI-Anwendungen in Medizin und der Gesundheitswirtschaft vor.

Kurt Becker, Olav Götz
Kapitel 29. Künstliche Intelligenz in der Radiologie und Strahlentherapie aus der Perspektive von Ärzten und Medizinphysikexperten – Eine Interviewstudie

Die Radiologie gilt als einer der vielversprechendsten Bereiche zur Anwendung von Künstlicher Intelligenz (KI). Trotz zahlreicher Entwicklungen in diesem Bereich wird die Sichtweise der Anwender auf die neuen Technologien in der Forschung kaum betrachtet. Ein Verständnis über die Nutzungsbereitschaft potenzieller Anwender von KI ist für eine erfolgreiche Implementierung notwendig. In diesem Beitrag wird zunächst auf die Eignung der medizinischen Fachbereiche Radiologie und Strahlentherapie für den Einsatz von KI eingegangen. Darüber hinaus werden Teilergebnisse einer qualitativen Interviewstudie mit Ärzten und Medizinphysikexperten aus der Radiologie und Strahlentherapie vorgestellt. Das Ziel des Beitrags liegt in der Darstellung der Sichtweise von Klinikern auf KI und der Ableitung daraus resultierender Implikationen für die Praxis, um eine erfolgreiche Integration vielversprechender Technologien zu ermöglichen.

Anna L. Kauffmann, Jasmin Hennrich, Christoph Buck, Torsten Eymann
Kapitel 30. Interpretation magnetresonanz-tomographischer (MRT) Daten mit KI

Die rasante Entwicklung der Magnetresonanz-Tomografie sowie Fortschritte in der Verfügbarkeit leistungsfähiger Rechentechnik haben in den letzten Jahren neue Perspektiven für die Nutzung radiologischer Bilddaten als Biomarker eröffnet. Dadurch sind bildgestützte Verfahren möglich geworden, die Aussagen über den Krankheitsverlauf und die Wirkung verschiedener Therapieformen erlauben (Radiomics). Ausgehend von klassischen Methoden der Mustererkennung werden die Grundprinzipien und Einsatzmöglichkeiten der KI-basierten Bildinterpretation von MRT-Daten erläutert. Hierzu gehören einfache und fortgeschrittene Klassifikatoren, künstliche neuronale Netze, Convolutional Neural Networks sowie deren Verwendung für Radiomics Anwendungen.

Hans-Heino Ehricke
Kapitel 31. Machine Learning in der Medizin: Was können Lernalgorithmen und wie sicher sind sie?

Die KI-Forschung wurde immer schon durch medizinische Anwendungen wesentlich beeinflusst. Nach Anwendungen von wissensbasierten Expertensystemen in der klassischen (symbolischen) KI befeuert derzeit das Machine Learning mit Lernalgorithmen und neuronalen Netzen die Anwendungen in Diagnose und Therapie, aber auch die medizinische Grundlagenforschung bei der Entwicklung von Medikamenten und Impfstoffen gegen z. B. Corona-COVID-19. Wegen ihrer brisanten Anwendungen in der Medizin sind Normierung und Zertifizierung von KI-Systemen von entscheidender Bedeutung. Die Zukunft von KI-Systemen in der Medizin wird in der Verbindung von symbolischer KI mit der subsymbolischen KI des Machine Learnings in einer hybriden künstlichen Intelligenz gesehen, die sich an der natürlichen Intelligenz des Menschen orientiert.

Klaus Mainzer
Kapitel 32. Eine sanfte Einführung ins Lernen tiefer neuronaler Netze

In diesem Kapitel wird versucht, eine sanfte Einführung in das tiefe Lernen in der medizinischen Bildverarbeitung zu geben, von theoretischen Grundlagen bis hin zu Anwendungen. Es werden zunächst allgemeine Gründe für die Popularität von Deep Learning diskutiert, einschließlich einiger wichtiger Durchbrüche in der Informatik. Als erstes wird mit den Grundlagen des Perzeptrons und neuronalen Netzen begonnen. Auf dieser Basis werden die Gründe für den Erfolg von Deep Learning in vielen Anwendungsbereichen verständlich. Offensichtlich ist die medizinische Bildverarbeitung einer dieser Bereiche, der von diesem raschen Fortschritt weitgehend profitiert, insbesondere bei der Bild- und Objekterkennung, der Bildsegmentierung, der Bildregistrierung und der computergestützten Diagnose. Es gibt auch aktuelle Trends in der physikalischen Simulation, Modellierung und Rekonstruktion, die zu erstaunlichen Ergebnissen geführt haben. Einige dieser Ansätze vernachlässigen jedoch Vorwissen und bergen daher das Risiko, nichtplausible Ergebnisse zu erzielen. Diese offensichtlichen Schwächen verdeutlichen die aktuellen Grenzen des tiefen Lernens. Es werden jedoch auch kurz vielversprechende Ansätze diskutiert, mit denen diese Probleme möglicherweise in Zukunft gelöst werden können.

Andreas K. Maier
Kapitel 33. Neuronale Netze zur Effizienzsteigerung der Texterkennung in der Rezeptabrechnung

Digitale Bilder sind einer Vielzahl von Störungen unterworfen, die eine erfolgreiche Texterkennung erschweren. Der digitale Zwilling enthält unbeabsichtigte Unterschiede zu der realen Bildquelle, die während der Erfassung, Verarbeitung, Komprimierung, Speicherung oder Übertragung entstehen können. Als Beispiele für relevante Störfaktoren lassen sich unterbrochene und dünne Zeichen, Störpixel und Textüberlagerungen anführen. Diese Störfaktoren erschweren die automatisierte Erfassung relevanter Daten und machen diese im schlimmsten Fall unbrauchbar. Für die Apothekenrechenzentren bedeutet das einen zusätzlichen manuellen Aufwand und damit verbundene Kosten. Dieser Beitrag beschreibt die Entwicklung und Produktivnahme eines neuronalen Netzes bei der NOVENTI, das erfolgreich die Störfaktoren des digitalisierten Rezeptbilds reduziert und dadurch eine Effizienzsteigerung der Texterkennung bewirkt.

Tobias Höfer, Frederik Weishäupl, Alfred Nischwitz
Kapitel 34. Abrechnung medizinischer Leistungen mit künstlicher Intelligenz

Deutschland verausgabt im Gesundheitssystem hunderte von Milliarden pro Jahr. Die Leistungserbringer müssen diese Leistungen den Leistungsträgern und Selbstzahlern gegenüber abrechnen, um bezahlt zu werden. Dieser Prozess erfolgt heute manuell durch Ärzte, durch spezialisierte Berufsgruppen (Medizincontroller) oder wird an Dienstleister vergeben. Dieser Beitrag stellt das Potenzial dar, welches sich aus einer automatisierten Abrechnung sowohl der ärztlichen Leistungen wie der Unterbringungsleistungen ergeben würde, die zusammen über zwei Drittel der Kosten ausmachen. Das Problem wird geschildert, danach werden verschiedene Lösungsmöglichkeiten und deren Potenziale erörtert. Es wird gezeigt, dass die große Herausforderung in der korrekten Maschineninterpretation der ärztlichen Sprache und der Verarbeitung von Daten in schematischer, tabellarischer oder handschriftlicher Form besteht.

Jobst Landgrebe
Kapitel 35. Erklärbare KI in der medizinischen Diagnose – Erfolge und Herausforderungen

Der große Erfolg moderner, bildbasierter KI-Methoden und das damit einhergehende Interesse für die Anwendung von KI in kritischen Entscheidungsprozessen führte zu einem Anstieg der Bemühungen, intelligente Systeme transparent und erklärbar zu gestalten. Besonders im medizinischen Kontext, wo computergestützte Entscheidungen direkten Einfluss auf die Behandlung und das Wohlsein von Patienten haben können, ist Transparenz für den sicheren Übergang von Forschung in die Praxis von höchster Wichtigkeit. Dieser Beitrag beschäftigt sich mit dem aktuellen Stand moderner Methoden zur Erklärung und Interpretation von Deep-Learning-basierten KI-Algorithmen in Anwendungen der medizinischen Forschung und Diagnose von Krankheiten. Zunächst werden erste bemerkenswerte Erfolge im Einsatz erklärbarer KI zur Validierung bekannter und Exploration potenzieller Biomarker sowie Methoden zur nachträglichen Korrektur von KI-Modellen aufgezeigt. Im Anschluss werden einige verbleibende Herausforderungen, die der Anwendung von KI als klinische Entscheidungshilfe im Weg stehen, kritisch diskutiert und Empfehlungen für die Ausrichtung zukünftiger Forschung ausgesprochen.

Adriano Lucieri, Muhammad Naseer Bajwa, Andreas Dengel, Sheraz Ahmed
Kapitel 36. Explainable AI im Gesundheitswesen

Künstliche Intelligenz (KI) erlaubt das automatische Lösen von Aufgaben ohne menschliche Interaktion. Im Bereich der medizinischen Diagnostik sind besonders tiefe neuronale Netze (Deep Learning) sehr erfolgreich. Je geringer die Bench-to-Bedside-Distanz, desto klarer werden die Probleme, die mit diesen Methoden einhergehen. Eine große Herausforderung ist die Notwendigkeit der Erklärbarkeit einer Aussage eines KI-Modells, die vor allem auch bei Blackbox-Modell genannten neuronalen Netze besteht. Für den behandelnden Gesundheitsdienstleister wird diese Frage jedoch immer wichtiger, je mehr diese Algorithmen in die Klinik drängen. Mit der Frage der Interpretierbarkeit oder Erklärbarkeit in diesem Zusammenhang beschäftigt sich das Feld der Explainable Artificial Intelligence (XAI).

Joachim Steinwendner
Kapitel 37. Humanoide Robotik und körperlose KI-Systeme im Gesundheitswesen

Wie müssen humanoide Roboter und Systeme aus dem Bereich der künstlichen Intelligenz (KI) realisiert sein, damit sie von den Menschen, die mit ihnen in Kontakt kommen, akzeptiert werden? Diese Frage stellt sich nicht nur in Bezug auf die Personen, die – freiwillig oder gezwungenermaßen – täglich mit solchen Systemen umgehen, sondern insbesondere auch unter dem Blickwinkel des ersten Kontakts: Fühlt sich der Besucher eines Seniorenwohnheims willkommen, wenn ihm ein humanoider Roboter seine Hilfe anbietet, oder führt eine solche unverhoffte Interaktion eher zu Irritation und Unbehagen? Das hängt, neben der Programmierung, vor allem vom äußeren Erscheinungsbild ab. Der erste Teil dieses Beitrags widmet sich daher am Beispiel des Roboters Myon explizit den Zielsetzungen, die beim Design humanoider Roboter berücksichtigt werden müssen. Im zweiten Teil wird die Frage der Akzeptanz von KI-Systemen im Gesundheitswesen näher beleuchtet. Abgesehen von den üblichen Anforderungen an die ergonomische Gestaltung der Benutzerschnittstelle, gilt es hier zusätzlich die Vertrauensfrage zu stellen: Bin ich bereit, der Entscheidung des maschinellen Expertensystems zu folgen und kann ich begründen, warum?

Manfred Hild, Simon Untergasser
Kapitel 38. Roboter als intelligente Assistenten in Betreuung und Pflege – Grenzen und Perspektiven im Praxiseinsatz

Soziale Roboter, die primär konzipiert sind, um mit menschlichen Akteuren zu interagieren, müssen sich an die Bedarfe und Anforderungen dieser menschlichen Akteure anpassen können. Für den Einsatz in der Pflege bedeutet dies, dass diese Assistenzroboter durch Pflegekräfte individuell an Bedarfe von Pflegebedürftigen adaptiert werden können und diese Roboter in der Lage sein müssen, aus der Interaktion mit Pflegebedürftigen, wie auch mit Pflegekräften zu lernen. Unter Verwendung eines partizipativen Designansatzes entwickeln und detaillieren wir Einsatzszenarien und diskutieren deren Möglichkeiten und Grenzen mit den wesentlichen Stakeholdern. Aus den so charakterisierten Einsatzszenarien leiten wir die Anforderungen an KI-Elemente ab und können so jeweils einen Minimalkatalog erforderlicher Fähigkeiten des robotischen Systems bestimmen. Auf diese Weise können einerseits die Hürden bzgl. eines Einsatzes robotischer Systeme gesenkt und andererseits die zugedachte Rolle des Roboters als Assistenzsystem für Pflegekräfte entschiedener manifestiert werden.

Felix Carros, Hannes Eilers, Johanna Langendorf, Murat Gözler, Rainer Wieching, Jens Lüssem
Kapitel 39. „Robotik und KI in der Pflege“ als Lerneinheit in der generalistischen Pflegeausbildung – Desiderat, Bedarf und pflegerische Wirklichkeit

Zurzeit wird intensiv an der Entwicklung von robotischen und KI-gestützten Systemen geforscht, die Pflegende in Zukunft aktiv in ihrer Arbeit unterstützen und entlasten sollen. Trotz der Aktualität des Themas „Robotik und KI“ in der Pflege werden Auszubildende in den Pflegeberufen in der Pflegeausbildung bisher nicht ausreichend auf diese Entwicklung vorbereitet. Damit Auszubildende in der Lage sind, die Entwicklung und Integration von Robotik in der Pflege zu erfassen und hierzu eine professionelle pflegerische Position zu entwickeln, ist es notwendig, dass sie sich im Unterricht mit dieser Thematik auseinandersetzen. Pädagogisch legitimierte Unterrichtsinhalte sowie Unterrichtskonzepte zum Thema „Robotik und KI“ in der Pflege liegen jedoch bisher nicht vor. Den aktuellen Bedarf aufgreifend stellt dieser Beitrag inhaltliche Schwerpunkte für ein zu entwickelndes Unterrichtskonzept zum Thema „Robotik in der Pflege“ vor, welche an Subjektive Theorien von Auszubildenden in den Pflegeberufen anknüpfen. Diese wurden in qualitativen leitfadengestützten Interviews ermittelt und im Blick auf künftige Unterrichtsinhalte verwertet.

Annette Wippich, Mirko Klein
Kapitel 40. Das Bremen Ambient Assisted Living Lab und darüber hinaus – Intelligente Umgebungen, smarte Services und Künstliche Intelligenz in der Medizin für den Menschen

Im Bremen Ambient Assisted Living Lab (BAALL) werden intelligente Umgebungen und Smart Services für den Heimbereich entworfen, entwickelt und erprobt. Viele dieser Techniken können auch außerhalb des BAALL von Nutzen sein. In diesem Beitrag wird das BAALL vorgestellt, und es werden Beispiele von Techniken, die außerhalb des BAALL Anwendung finden, gezeigt. Grundgedanke hierbei ist die zunehmende Vernetzung von Medizingeräten und persönlichen Assistenten im Smarthome und im Gesundheitsbereich. Diese führt zu einem hohen Datenaufkommen, das Potenzial und Risiken bietet. Nur wenn den Risiken verantwortungsvoll begegnet wird, dann können die sich bietenden Potenziale, wie eine verbesserte Prognostik und Diagnostik, gehoben werden.

Serge Autexier, Christoph Lüth, Rolf Drechsler
Kapitel 41. Smarthome und Smartliving – Möglichkeiten und Grenzen der KI im Projekt DeinHaus4.0

Im Forschungsprojekt „DeinHaus4.0“ werden in Niederbayern von der TH Deggendorf Möglichkeiten untersucht, wie längeres Leben zu Hause mit technisch-digitaler Hilfe gelingen kann. Ältere Menschen wollen möglichst lange in ihrer gewohnten Umgebung verbleiben. Mit digitaler Unterstützung können Menschen mit einem Pflege- oder Hilfebedarf selbstbestimmt länger und sicherer in ihren eigenen vier Wänden wohnen. Dadurch können pflegende Angehörige entlastet und vernetzte Hilfsangebote eingebunden werden, um das eigene Heim als Teil einer Versorgungs- und Pflegekette zu positionieren. Digitale Assistenztechnik in der Wohnung liefert Sensordaten, die mithilfe künstlicher Intelligenz zu einer proaktiven Hilfe und zur Prognose von Krankheits- und Pflegeverläufen genutzt werden können. Der Aufbau einer regionalen Datenbasis für die Versorgungsforschung unter Beachtung der informationellen Selbstbestimmung der Betroffenen, der Datenschutzvorgaben und einer ethischen Begleitforschung bietet Chancen und Herausforderungen für die Informatik an der Schnittstelle zu Pflege-, Sozial- und Gesundheitswissenschaft.

Horst Kunhardt
Kapitel 42. Smarte Systeme in Rehabilitation und Prävention. Wie künstliche Intelligenz und Gamification das Bewegungstraining individualisieren

Rehabilitationsmaßnahmen nach Unfällen oder Krankheiten sind oft langwierig und häufig mit Schmerzen sowie Frustration verbunden – und Ähnliches gilt für Präventionstraining. Die spielerische Anreicherung des Trainings (im Folgenden: Gamification) kann dieser Entwicklung durch die Steigerung des Spaßfaktors entgegenwirken. Im Gegensatz zu regulären Spielen kann es durch die höhere Motivation und Immersion im Training allerdings zu einer verminderten Schmerzwahrnehmung und damit einer Verschlechterung des Gesundheitszustands bis hin zu einer erneuten Verletzung kommen. Daher war es bislang erforderlich, solche Ansätze kontinuierlich therapeutisch zu begleiten. Für eine autonome Intervention, zur Entlastung von Therapeuten, aber auch im Heimbereich ist eine automatisierte Anpassung des Schwierigkeitsgrads des Bewegungstrainings und eine individualisierte Zielsetzung und -kontrolle von zentraler Bedeutung. Diese Herausforderung ist in bestehenden Ansätzen zu wenig adressiert bzw. beschrieben worden. Der Einsatz künstlicher Intelligenz kann hier einen entscheidenden Beitrag zu leisten – insbesondere hybride Ansätze, die expertenbasierte Entscheidungsbäume mit Verfahren des maschinellen Lernens kombinieren, könnten in der Zukunft einen wichtigen Beitrag zu einer erfolgreichen Rehabilitation und Prävention liefern.

Oliver Korn, Steffen Willwacher
Kapitel 43. Klinische Evaluation eines Rollatormoduls zur sensorgestützten Haltungs- und Gangmustererkennung

Vorgestellt wird die Entwicklung eines Rollatormoduls zur sensorgestützten Haltungs- und Gangmustererkennung sowie zur Sturzprävention. Mit dem Ziel der Sturzprävention werden bei geriatrischen Patienten pathologische Gangmuster erfasst und durch ein geeignetes Interface an den Patienten rückgemeldet, sodass eine Haltungskorrektur erfolgen kann. Der Klassifikationsansatz zeigt eine gute Übereinstimmung mit der klinischen Ganganalyse. Die Evaluation möglicher Benutzerinterfaces zeigt, dass sich ein Rückmeldungssystem basierend auf einfachen Leuchtdioden, die in den Rollatorhandgriffen integriert werden, als praktikabel erweist. In einer klinischen Interventionsstudie wurde die Praktikabilität und Benutzerfreundlichkeit des Gesamtsystems überprüft. Dabei stand die Benutzerfreundlichkeit, erfasst durch den System Usability Score SUS für Patienten und Therapeuten im Vordergrund. Darüber hinaus wurden die Veränderungen der Gangparameterklassifikationen im Verlauf der Therapie geprüft sowie die Qualität der Korrekturrückmeldung des Systems durch die zuständigen Therapeuten bewertet. Insgesamt zeigt der Ansatz gutes Potenzial, das Gangbild von Rollatornutzern im Alltag zu verbessern.

Amit Choudhury, Christian Mandel, Karin Hochbaum, Serge Autexier, Christoph Budelmann
Metadata
Title
Künstliche Intelligenz im Gesundheitswesen
Editor
Mario A. Pfannstiel
Copyright Year
2022
Electronic ISBN
978-3-658-33597-7
Print ISBN
978-3-658-33596-0
DOI
https://doi.org/10.1007/978-3-658-33597-7