Gesundheitsdienstleister setzen KI weiterhin rasant ein und die Mehrheit gibt an, dass sie ihre Technologieausgaben im vergangenen Jahr erhöht haben.
Die neue Generation von KI-Innovationen im Gesundheitswesen ist vielversprechend, aber es gibt noch einige Probleme, wenn es um KI geht, wie etwa die Verallgemeinerung von Daten und die hohen Kosten für die Einführung neuer Tools, wies Dr. Arash Harzand diesen Monat in einem Interview im Heart darauf hin Die jüngste HRX-Konferenz der Rhythm Society in Atlanta.
Dr. Harzand ist Professor für Kardiologie an der Emory University in Atlanta und Chief Health Officer im Office of Healthcare Innovation & Learning der VA.
Bei der Bewertung der neuen Klasse von KI-Tools, die für die Kardiologie entstehen, glaubt er, dass diejenigen, die Computer Vision nutzen, den größten Einfluss haben werden.
„Computer Vision bedeutet, wie wir KI nutzen, um diagnostische Studien und wirklich jede Art von Bildgebung zu leiten und zu interpretieren, sei es CT, MRT, Echokardiographie oder Ultraschall“, erklärte Dr. Harzand.
Etwa die Hälfte der FDA-Zulassungen im KI-Bereich entfielen auf Werkzeuge für die medizinische Bildgebung, fügte er hinzu. Zu den Unternehmen, die auf Computer Vision basierende Tools verkaufen, gehören Aidoc, PathAI und Qure.ai.
Diese Tools können Bilder viel schneller analysieren als Menschen und versprechen oft eine Verbesserung der Diagnosegenauigkeit durch die Erkennung subtiler Muster oder Anomalien in medizinischen Bildern. Während KI möglicherweise das Potenzial hat, diese Vorteile zu bringen, stellen die Kosten für die Einführung neuer Tools oft eine große Hürde dar, stellte Dr. Harzand fest.
„Diese Dinge haben immer die seltsame Angewohnheit, die Kosten tatsächlich zu erhöhen – denn es geht um das Gesundheitswesen, und jedes Mal, wenn man etwas Neues hat, fallen im Voraus Kosten an“, erklärte er.
Die Verallgemeinerung von Daten sei eine weitere große Herausforderung im Bereich KI, betonte Dr. Harzand. KI-Tools im Gesundheitswesen werden in der Regel anhand großer Datensätze trainiert. Es ist wichtig sicherzustellen, dass diese Trainingsdaten mit den demografischen Merkmalen der Patientenpopulation übereinstimmen, bei der die Technologie eingesetzt wird.
Nehmen Sie zum Beispiel die VA – ihre Patientenpopulation unterscheidet sich stark von der allgemeinen Öffentlichkeit. Mehr als 90 % der VA-Patienten sind Männer und viele von ihnen waren giftigen Chemikalien wie Agent Orange ausgesetzt, was zu einem höheren Risiko für Krankheiten wie Diabetes führen kann, sagte Dr. Harzand.
Darüber hinaus sieht die rassische und ethnische Demografie in jedem medizinischen Zentrum in Virginia – und übrigens auch in jedem Krankenhaus – anders aus, fügte er hinzu. Die Berücksichtigung dieser Unterschiede und die Sicherstellung, dass die KI für die Behandlung der jeweiligen Bevölkerungsgruppe geeignet ist, ist ein wichtiger Schritt für den Erfolg von KI-Tools im Gesundheitswesen, betonte Dr. Harzand.
Foto: Metamorworks, Getty Images
