Die Anfangszeit jeder grundlegenden Technologie ist geprägt von Übertreibung und Skepsis. Als das Internet in den 1990er Jahren erstmals auf der Bildfläche erschien, waren die Enthusiasten von der Möglichkeit beeindruckt, online nach fast allem suchen zu können – auch wenn die neu entstandenen Webseiten nicht unbedingt nützlich waren – und stellten sich Möglichkeiten für eine stärker vernetzte Welt vor. Skeptiker sahen das Internet als eine Modeerscheinung, die traditionelle Kommunikations- oder Recherchemittel niemals ablösen würde. Im Laufe der Zeit gab es einen Boom und einen Niedergang – aber letztendlich entwickelten sich Internetanwendungen von coolen Neuheiten zu praktischen Lösungen für echte Probleme. Wir haben vergleichbare Zyklen bei Mobiltelefonen und sozialen Medien erlebt. Heute befinden wir uns an einem ähnlichen Wendepunkt für künstliche Intelligenz (KI) im Gesundheitswesen.
Wenn die meisten Menschen an KI im Gesundheitswesen denken, stellen sie sich futuristische Anwendungen vor, wie etwa „KI-Ärzte“, die bei der Diagnose von Krebs helfen, oder KI-Agenten, die Ihren Körper automatisch auf kardiovaskuläre Ereignisse untersuchen, bevor diese eintreten. Diese Innovationen zeigen zwar, wie vielversprechend KI für die Zukunft ist, die meisten davon müssen jedoch noch in großem Maßstab eingesetzt und validiert werden. Wenn wir heute nützliche KI-Anwendungen im Gesundheitswesen finden wollen, müssen wir weiter in die Zukunft blicken, um herauszufinden, wo sie bei der Lösung langjähriger, komplexer Probleme transformativ wirken kann.
Die klinische Forschung ist ein Bereich, der für die Auswirkungen der KI reif ist. Heute ist das Datenmanagement noch immer eine große Herausforderung, und klinische Forscher verlassen sich auf manuelle Prozesse, um große Mengen an Gesundheitsdaten zu organisieren und zu analysieren. Während wir in den meisten Bereichen unseres Lebens daran gewöhnt sind, Suchanfragen in eine Suchmaschine einzugeben und rasch Antworten zu erhalten, sind die meisten klinischen Forscher immer noch darauf angewiesen, Tabellenkalkulationen zu verwenden, um Daten zu speichern, auszutauschen, darauf zuzugreifen und sie zu analysieren. Da die Menge und Komplexität multimodaler Gesundheitsdaten mit dem Aufkommen der Omics-Technologien zugenommen hat, funktionieren die Tools, die wir früher zur Analyse verwendet haben, nicht mehr. Veraltete Prozesse führen zu Forschungsverzögerungen und bremsen Innovationen.
Hier kommt KI ins Spiel – nicht mit einem Hype, sondern mit einer echten Lösung für die Datenmanagementprobleme klinischer Forscher. KI-Systeme – insbesondere große Sprachmodelle (LLMs) – können Forschern helfen, Daten in gebrauchsfertige Formate zu organisieren und sie in die Lage versetzen, effizienter mit ihren Daten zu interagieren.
Lassen Sie uns etwas genauer darauf eingehen, wie diese Technologien bereits wissenschaftliche Durchbrüche in der klinischen Forschung ermöglichen.
Ein Bereich, in dem KI heute einen Mehrwert bietet, ist die Beschleunigung der Datenharmonisierung. Klinische Daten sind in ihrer Quellform sehr chaotisch. Forscher verbringen normalerweise Monate damit, digitale Silos und unterschiedliche Datenformate zu analysieren, um Informationen in einer gemeinsamen, forschungsbereiten Struktur zu harmonisieren. Mit dem Aufkommen von LLMs können Forscher diesen Prozess durch KI-gestützte Automatisierung um das Hundertfache beschleunigen. LLMs harmonisieren Berge von Daten aus Registern, Forschungsdatenbanken und elektronischen Krankenakten (EMRs) zu einem kontrollierten Vokabular, das für die Analyse bereit ist. Im weiteren Verlauf können Forscher auf zeitaufwändige Datenbereinigung verzichten und direkt zur Wissenschaft übergehen.
Eine weitere wertvolle Anwendung ist die Extraktion strukturierter Daten aus bisher unbrauchbaren „unstrukturierten“ Daten, wie etwa den Freitextnotizen aus einer elektronischen Patientenakte. Da diese Informationen – die beispielsweise wichtige Details zur Medikamenteneinnahme eines Patienten enthalten – nicht in einem strukturierten Format vorliegen, werden sie häufig aus Forschungsdatenbanken ausgeschlossen. LLMs können diesen Text aus klinischen Notizen strukturierteren Feldern zuordnen und so Fragen beantworten wie „Hat dieser Patient eine Strahlentherapie erhalten?“ oder „Hat diese Person einen Krebsrückfall erlitten?“. Dies funktioniert auch mit Bildern. Beispielsweise verwenden wir KI-gestützte Computervision, um Metadaten aus histopathologischen Bildern zu extrahieren, wie Zellzahlen, Zelltypen, Färbungen und mehr. Sobald diese Daten strukturiert sind, können sie für die Forschung verfügbar gemacht werden – was die Zeit bis zur Erkenntnisgewinnung verkürzt.
KI-gestützte Benutzeroberflächen verbessern auch die Zugänglichkeit von Daten radikal und schaffen ein neues Paradigma für die Interaktion zwischen Forschern und Datensätzen. Anstatt die technischen Feinheiten von Datenbanken erlernen zu müssen – oder mit Datenspezialisten zusammenzuarbeiten, die wissen, wie man Code schreibt – ermöglichen KI-gestützte Schnittstellen Forschern, in natürlicher Sprache „mit Daten zu chatten“. Anstatt eine Zeile Code zu schreiben, können Forscher einfach „Finden Sie alle Patienten, die Brustkrebs im pathologischen Stadium II oder höher hatten und pathogene Varianten der Gene haben, die mit dem Lynch-Syndrom in Zusammenhang stehen“ in die KI-gestützte Benutzeroberfläche eingeben. Das LLM versteht die Anfrage und wandelt sie in eine Abfrage des harmonisierten Datensatzes um, die eine Antwort in Sekunden statt in Wochen zurückgibt. Dies beschleunigt nicht nur die Zeit bis zur Erkenntnisgewinnung, sondern demokratisiert auch den Zugang zu Daten und öffnet die Tür für noch mehr medizinische Experten, sich an der Forschung zu beteiligen – insbesondere für diejenigen ohne Programmierkenntnisse.
Ich glaube, dass Hype und Skepsis in Bezug auf KI beides Gutes sind. Diese Sichtweisen werden die Grenzen des Möglichen verschieben und gleichzeitig die weniger effektiven Anwendungsfälle zurückdrängen. Aber es ist wichtig, dass wir unsere Aufmerksamkeit auf die Bereiche richten, in denen KI bereits einen erheblichen Einfluss hat. Dies sind die praktischen Anwendungen, die es den besten und klügsten Forschern ermöglichen, sich auf die Wissenschaft zu konzentrieren, anstatt Daten zu manipulieren. Machen wir uns an die Arbeit.
Foto: rudall30, Getty Images
Sourav Dey ist Chief Product Officer und Mitbegründer von Manifold. Zuvor entwickelte er KI/ML-Produkte bei Google. Vor der Übernahme durch Google war er im KI/ML-Team von Nest. Seine früheren Arbeiten in den Bereichen Algorithmen und Systemtechnik reichen von Stromnetzprognosen bei AutoGrid bis hin zu drahtloser Kommunikation bei Qualcomm. Er hält Patente für seine Arbeit und hat in mehreren Zeitschriften veröffentlicht. Sourav erwarb seinen PhD, MS und BS in EECS am MIT.
Dieser Beitrag erscheint im Rahmen des MedCity Influencers-Programms. Über MedCity Influencers kann jeder seine Sichtweise zu Wirtschaft und Innovation im Gesundheitswesen auf MedCity News veröffentlichen. Klicken Sie hier, um zu erfahren, wie.
