Die Implementierung von KI wird immer wichtiger und Anwendungsfälle und Erfolge im Gesundheitswesen werden Realität. Da die Branche jedoch die KI-Erzählung von einem Hype zu einer vorsichtigen Einführung verlagert, ist ein Blick unter die Oberfläche erforderlich, der große Fragen zu Sicherheit, Governance und greifbaren Auswirkungen aufdeckt.
Die üblichen Bedenken hinsichtlich der Technologie bleiben bestehen, einschließlich Voreingenommenheit, Quellen von Trainingsdaten, Fehlinformationen und Halluzinationen. Daher bleibt Vorsicht geboten – und das zu Recht. Der nächste Schritt für die KI besteht darin, zu zeigen, dass sie die Lücke zwischen ihrer datenbasierten, theoretischen Welt und der Komplexität der Patientenversorgung schließen kann, deren Konsequenzen real sind und manchmal Leben und Tod bedeuten.
Dies bringt uns in eine schwierige Situation, in der wir die Technologie weiterentwickeln müssen, um die Ergebnisse zu verbessern und gleichzeitig Patienten und Anbieter vor unerwarteten, negativen Ergebnissen zu schützen. Leitplanken und wachsame Augen müssen Standard sein, da wir weiterhin eine Technologie entwickeln, die stets angemessene Ergebnisse liefern kann.
Die richtigen Eingaben für die richtigen Ausgaben
Viele Gesundheitssysteme sind bestrebt, KI zu nutzen, da sie bereits in einer Reihe klinischer Bereiche ihr Versprechen einhält, indem sie die Arbeitsbelastung der Anbieter verringert und die Leistung verbessert.
Beispielsweise beschleunigen KI-Lösungen die Arbeitsabläufe in der klinischen Dokumentation, indem sie Gespräche zwischen Anbietern und Patienten erfassen und wiedergeben, und ersparen den Anbietern Stunden administrativer Arbeit, die sie normalerweise zu Hause erledigen müssen. KI-Modelle werden auch verwendet, um die diagnostische Bildgebung zu verbessern, den Prozess von der Entdeckung bis zur Diagnose zu rationalisieren und Risikofaktoren für Patienten zu identifizieren. Einige Anbieter nutzen ChatGPT sogar zur Unterstützung bei der Recherche und zur einfühlsamen Kommunikation mit Patienten.
Es gab jedoch Unstimmigkeiten zwischen den Ergebnissen, was Vorsicht vor Hype verdeutlicht. Beispielsweise könnte eine Studie zu schlechten Ergebnissen für ChatGPT führen (Benutzer stellten 39 medikamentenbezogene Fragen an ChatGPT, und das Modell lieferte auf etwa ein Viertel davon genaue Antworten; der Rest war unvollständig oder ungenau und einige Fragen wurden nicht beantwortet). , während ein anderer zeigte, dass ChatGPT die USMLE bestanden hat.
Diese Ergebnisse verdeutlichen den Fehler, KI für bare Münze zu nehmen. Für diese Art von Fehlern oder Inkonsistenzen gibt es in der Welt der Medizin keinen Platz. KI benötigt nicht nur eine gesundheitsspezifische Schulung, um die Nutzung öffentlicher und unzuverlässiger Quellen zu vermeiden, sondern die KI muss auch richtig trainiert, verwaltet und, was am wichtigsten ist, eingesetzt werden. Derzeit gibt es keinen Grund dafür, dass eine KI im Gesundheitswesen ohne irgendeine Form menschlicher Führung funktionieren sollte.
Humanisierung des KI-Trainings für Spezifität
KI hat bewiesen, dass sie als Co-Pilot für Anbieter eine unmittelbare und sichere Wirkung entfalten kann. Das funktioniert, weil die KI hier mit hoher Genauigkeit arbeiten, die größte Wirkung entfalten und auf Akzeptanz bei den Anbietern stoßen kann. Durch die Einbeziehung eines Menschen in die Mischung kann die KI glänzen. KI wird nur so gut sein wie die Menschen und die Daten, auf denen sie trainiert wird. Es wird zwangsläufig Voreingenommenheiten und Ungenauigkeiten geben, die sich aus der Schulung ergeben, aber indem wir geschultere Augen in die Mischung einbeziehen, bevor wir den Patienten Ergebnisse liefern, führen wir kollektive Kontrollen ein, die diese Probleme reduzieren.
Der Aphorismus „Müll rein, Müll raus“ ist in jedem KI-Anwendungsfall von entscheidender Bedeutung – das heißt, wenn wir KI-Modelle mit minderwertigen Daten oder fehlender Anleitung trainieren, erhalten wir minderwertige Ergebnisse. Dies wird in klinischen Anwendungsfällen noch wichtiger. Während jedes Modell mit bewährten medizinischen Daten und internen Daten von Gesundheitssystemen und -anbietern trainiert werden sollte, ermöglicht die Einbindung menschlicher Anbieter spezifischere Einblicke in die Funktionsweise der KI, was zu einer besseren Patienteninteraktion, einer besseren Fähigkeit zur Situationsbeurteilung und mehr führt genaue Ausgaben.
Die Vorteile einer Anbieter-Feedbackschleife
Wenn KI-Modelle über eine Anbieter-Feedback-Schleife verfügen, wird erwartungsgemäß alles genauer. Die Feedbackschleife fungiert als integrierte Überprüfungsphase, in der direkte Eingaben von Spezialisten und betreuenden Anbietern KI-Modellen die Feinheiten und Nuancen der Patientenversorgung vermitteln können.
Die Rückkopplungsschleife wurde im japanischen Gesundheitssystem in über 1.500 Kliniken und Krankenhäusern umfassend genutzt, um Ärzten die Möglichkeit zu geben, ihre Patienten besser zu versorgen. Dabei nutzen Patienten das Tool zur Aufnahme, das dann direkt in ein dem Anbieter zugewandtes Dashboard eingespeist wird. Dies gibt den Anbietern eine Grundlage für ein Gespräch und gibt ihnen mehr Zeit, sich auf die einfühlsame Pflege und die Ausarbeitung eines personalisierten Behandlungsplans zu konzentrieren. Darüber hinaus bietet es Leitlinien zur Differentialdiagnose, die Ärzten die Möglichkeit seltener und seltener Krankheiten in Betracht ziehen. Am Ende des Termins beurteilt der Anbieter, wie gut die KI funktioniert hat, und bestätigt, ob seine Diagnose mit den Vorhersagen der KI übereinstimmt. So liefert er wertvolles Feedback, das sicherstellt, dass sich die Genauigkeit im Laufe der Zeit verbessert.
Die Vorteile einer Anbieter-Feedbackschleife gehen über die schnelle Diagnose hinaus:
KI geht von der Theorie in die Praxis: Wenn Anbieter an der KI-Schulung beteiligt sind, schließen sie die Lücke zwischen Theorie und Praxis. Wichtig ist, dass dies über die Daten hinausgeht, die die Funktion einer KI verbessern können oder auch nicht. Menschen können Einblicke durch einen detaillierteren Kontext liefern als eine Maschine, wodurch die KI näher an die Genauigkeit eines echten Menschen herankommt. Anbieter vertrauen der Technologie: Anbieter akzeptieren KI verständlicherweise nur, wenn sie nachweislich und von hoher Qualität ist und die Fähigkeit zeigt, die Patientenerfahrungen zu verbessern. Technologiepartner wiederum müssen eine Vision haben, die mit der klinischen Validierung übereinstimmt. So werden Anbieter zu Champions oder Verfechtern der Technologie. Von ihnen geschulte KI-Tools geben den Anbietern auch Entscheidungsfreiheit bei der Technologie, da sie mit ihnen zusammenarbeitet und nicht versucht, sie zu ersetzen. Patienten machen bessere Erfahrungen: Eine Studie ergab, dass Patienten mit ihren Ärzten zufriedener sind, wenn die Interaktion nicht überstürzt erfolgt, wenn der Arzt ein fürsorgliches, freundliches Verhalten an den Tag legt und wenn sie zuhören und den Patienten um Rat fragen. Umgekehrt mögen es die meisten Patienten nicht, wenn Ärzte zu viel Zeit damit verbringen, Informationen am Computer einzugeben, anstatt mit ihnen zu sprechen.
Mit den richtigen Lösungen, beispielsweise solche, die vor dem Arzttermin Einblicke in die Symptome liefern oder dabei helfen, Gespräche in Echtzeit aufzuzeichnen, können Anbieter mehr Zeit mit dem Patienten verbringen, die Beziehung aufbauen, sein Vertrauen gewinnen und sich auf die Zukunftsorientierung konzentrieren Gesundheitsreise.
KI-Technologien sind in der klinischen Versorgung vielversprechend, aber sie können die Feinheiten und Nuancen der Patientenversorgung nicht allein anhand von Daten und Zahlen erlernen. Die Humanisierung der KI, insbesondere durch eine Feedbackschleife für Anbieter, ist eine der wichtigsten Möglichkeiten, diese Lösungen zu verbessern und das Vertrauen und die Akzeptanz bei Gesundheitssystemen, Anbietern und Patienten zu erhöhen.
Foto: boonchai wedmakawand, Getty Images
Kota Kubo schloss sein Studium an der Graduate School of Engineering der Universität Tokio ab. Im Jahr 2013, während er an der Universität Tokio eingeschrieben war, begann er mit der Erforschung und Entwicklung von Software und Algorithmen, die die Beziehung zwischen Ärzten, Symptomen und Krankheitsnamen simulieren. Er arbeitete etwa drei Jahre lang bei der M3 Corporation und beschäftigte sich mit Softwareentwicklung und Webmarketing im BtoC-Gesundheitsbereich, einschließlich Fragen- und Antwortdiensten für Ärzte. 2017 gründete er Ubie mit seinem Co-Vertreter Arzt Abe.
