Warum HCOs einen Portfoliomanagement-Ansatz für KI benötigen

KI ist ein kurzes Akronym, das eine lange Liste von Technologien umfasst.

Während Gesundheitsorganisationen künstliche Intelligenz bewerten und einführen, herrscht große Verwirrung darüber, was sie genau umfasst. Die große Aufmerksamkeit für große Sprachmodelle wie ChatGPT und generative KI hat andere Arten von KI in den Schatten gestellt, von denen Gesundheitsorganisationen einige schon seit Jahren nutzen, vielleicht ohne sich überhaupt bewusst zu sein, dass sie künstliche Intelligenz nutzen.

Angesichts der steigenden KI-Ausgaben im Gesundheitswesen ist es wichtig, dass die Gesundheitssysteme die verschiedenen KI-Technologien verstehen, wie sie eingesetzt werden und welche den besten Wert und Return on Investment (ROI) bieten. Systeme geben bereits ein Vermögen für KI-Software aus. Laut Gartner sollen die KI-Ausgaben im Gesundheitswesen und in den Biowissenschaften von 11,6 Milliarden US-Dollar im Jahr 2024 auf 19 Milliarden US-Dollar im Jahr 2027 steigen, mit einer durchschnittlichen jährlichen Wachstumsrate von 16,6 % über fünf Jahre. Das ist viel zu viel Geld, um es auszugeben, ohne genau zu wissen, was man dafür bekommt.

KI lässt sich am besten als ein Portfolio komplementärer Technologien und Fähigkeiten verstehen, von denen einige lediglich manuelle und oft sich wiederholende Verwaltungsaufgaben automatisieren, während andere tiefgreifende Analysen, Vorhersagen und Handlungsabläufe zur Optimierung von Ergebnissen und Wert liefern. Hier ist ein Leitfaden zu den verschiedenen Technologien, die unter KI gruppiert werden können:

Maschinelles Lernen – Dies ist die ausgereifteste Technologie im KI-Portfolio und diejenige, mit der die meisten Systeme vertraut sind. Es nutzt Daten und Algorithmen, um es der KI zu ermöglichen, die Art und Weise, wie Menschen lernen, nachzuahmen und so ihre Genauigkeit schrittweise zu verbessern. Im Allgemeinen werden Algorithmen des maschinellen Lernens verwendet, um eine Vorhersage oder Klassifizierung basierend auf Mustern in den Daten zu treffen. Dies wird häufig für Dinge wie die Stratifizierung von Patienten nach Risiko, die Identifizierung von Versorgungslücken und die Bereitstellung einer personalisierten Gesundheitsversorgung zur Verbesserung der Patientenergebnisse, insbesondere bei Hochrisikopatienten, verwendet. Es wird auch zum automatischen Scannen medizinischer Bilder verwendet, um Radiologen dabei zu helfen, Patienten mit einem Risiko für einen Schlaganfall oder Herzinfarkt proaktiv zu identifizieren und eine Intervention durchzuführen, lange bevor ein akutes Ereignis eintritt. Deep Learning – Dies ist eine Teilmenge des maschinellen Lernens, die dem menschlichen Denken nahe kommt. Es nutzt mehrschichtige neuronale Netze, sogenannte tiefe neuronale Netze, um menschliche Entscheidungsfindung zu simulieren. Im Gegensatz zu Modellen des maschinellen Lernens, die strukturierte und gekennzeichnete Eingabedaten benötigen, um effektiv zu sein, können Deep-Learning-Modelle genaue Ergebnisse aus unstrukturierten Rohdaten erzeugen. Eine der häufigsten Anwendungen hierfür im Gesundheitswesen ist die Bildanalyse. Verarbeitung natürlicher Sprache (NLP) und Generierung natürlicher Sprache (NLG) – Dabei wird maschinelles Lernen genutzt, um es Computern zu ermöglichen, menschliche Sprache zu verstehen und mit ihr zu kommunizieren. Es ermöglicht Computern und digitalen Geräten das Erkennen, Verstehen und Generieren von Text und Sprache durch die Kombination von Computerlinguistik mit statistischer Modellierung, maschinellem Lernen und Deep Learning. Im Gesundheitswesen wird es für die computergestützte Codierung verwendet, um Krankenakten in einfaches Englisch zu übersetzen, Gesundheitsakten zu analysieren und eine Zusammenfassung der Patientenakte am Krankenbett/Point-of-Care (POC) für Ärzte und Pflegepersonal zur Verbesserung bereitzustellen Produktivität. Generative KI/Große Sprachmodelle (LLMs) – Ähnlich wie NLP kann diese KI als Reaktion auf eine Benutzeranfrage Originalinhalte einschließlich Text, Bilder, Video, Audio und Softwarecode erstellen. Es kann Aufgaben wie die Stromversorgung von Online-Chatbots für die Terminplanung, die Analyse der Patientenstimmung aus verschiedenen Quellen und mehr übernehmen. Einer der überzeugendsten Anwendungsfälle von Gen AI/LLMs, der auf der HIMSS 24 ausführlich zu sehen ist, ist die nahtlose Erfassung von Notizen von Krankenschwestern und Ärzten über ein Mobiltelefon, auf dem die Anwendung läuft, sie in Text umwandeln und gleichzeitig nicht relevante Inhalte herausschneiden um letzte Änderungen vorzunehmen, bevor diese Notizen automatisch in die elektronischen Gesundheitsakten (EHRs) von Epic eingegeben werden.

Es gibt andere Technologien, die man nicht immer als KI betrachtet, die es aber tatsächlich sind. Dazu gehören die Medizinrobotik und ihre Teilgebiete:

Robotische Prozessautomatisierung (RPA) – Auch als Software-Robotik bekannt. Dabei werden intelligente Automatisierungstechnologien eingesetzt, um sich wiederholende Aufgaben wie das Extrahieren von Daten, das Ausfüllen von Formularen und das Verschieben von Dateien auszuführen, wodurch Menschen Zeit für andere Arbeiten haben. Es kann auch verwendet werden, um den Call-Center-Betrieb zu verbessern und Kunden- und Patienten-Self-Service über mehrere Kanäle hinweg zu ermöglichen. Maschinelles Sehen – Dies gibt medizinischen Geräten die Möglichkeit, eine von ihnen ausgeführte Aufgabe zu „sehen“ und auf der Grundlage dieser Eingaben in Echtzeit Entscheidungen zu treffen. Es kann bei allem helfen, von der Identifizierung von Verletzungen und der Interpretation medizinischer Bilder bis hin zum Medikamentenmanagement und der Erstellung von Diagnosen. Fortschritte in diesem Bereich ebnen den Weg für Virtual Reality (VR) und Augmented Reality (AR), die beide ein enormes Potenzial für robotergestützte Operationen haben. Zu diesem Bereich gehört auch das, was wir gemeinhin als medizinische Roboter bezeichnen – halbautonome Maschinen, die Medikamente verabreichen, bei Operationen und Rehabilitationsmaßnahmen unterstützen, Patienten überwachen und sogar als Begleiter für diejenigen dienen können, die davon profitieren würden. Robotergestützte Operationen – Medizinische Roboter, die heute in Operationen eingesetzt werden, verfügen über 3D-Kameras, die Operationen aufzeichnen. Das Video wird irgendwo auf einen Computerbildschirm gestreamt und hilft dem Chirurgen bei der Durchführung der Operation mit chirurgischen Roboterarmen wie dem Da Vinci-Chirurgiesystem, das eine minimalinvasive Chirurgie und eine schnelle Genesung des Patienten ermöglicht, die die Verweildauer (LOS) verkürzt und gleichzeitig gewährleistet überlegene Patientenergebnisse.

Aufbau eines KI-Portfolios

Wie soll eine Gesundheitsorganisation angesichts solch dringender Bedürfnisse und einer so vielversprechenden Technologie wissen, in welche KI sie investieren soll?

Es gibt keine einheitliche Antwort. Es ist eine individuelle Entscheidung, die von den Ressourcen, Bedürfnissen und Prioritäten jeder Organisation abhängt. Keine einzelne KI-Technologie wird alles angehen und alle Probleme lösen, daher sollten Systeme diejenigen priorisieren, die den größten Wert und ROI versprechen.

Unternehmen müssen eine Vielzahl von Faktoren berücksichtigen, darunter die Kosten der Technologie, die einfache Einführung, potenzieller Widerstand seitens der Anbieter und Kostenträger, die sie nutzen werden, Unterbrechung bestehender Arbeitsabläufe, Kompatibilität mit bestehenden Systemen, potenzielle Einsparungen und mehr . Unternehmen müssen auch abwägen, ob sie KI-Technologie entwickeln oder kaufen. Der Bau bietet eine größere Transparenz in den Abläufen, kann jedoch Ressourcen und Fachwissen erfordern, die den Systemen fehlen.

Der durchdachte Aufbau eines Portfolios der nützlichsten und wirkungsvollsten KI-Technologien ist für Unternehmen der beste Weg, um sicherzustellen, dass sie den maximalen Nutzen aus dieser erstaunlichen Innovation ziehen.

Identity Data Management (IDM) für KI-Datentreue und -bereitschaft

Entscheidend für den Erfolg jedes KI- oder Analysedatenprogramms ist natürlich die Qualität der verwendeten Patienten-/Mitglieds-/Verbraucheridentitätsdaten, angefangen beim Identity Data Management (IDM). Fehlerhafte und fehlende Daten oder doppelte Daten beeinträchtigen die KI-Leistung, was es für Unternehmen schwierig machen kann, den gewünschten ROI zu erzielen und einen Mehrwert aus ihren KI-Initiativen zu schaffen. Damit ihre KI-Investitionen eine sinnvolle Wirkung erzielen, benötigen Unternehmen hochwertige IDM-Prozesse und -Ressourcen.

Unternehmen, die sich ihrer IDM-Fähigkeiten nicht sicher sind, sollten mit Experten zusammenarbeiten, die ihre Abläufe bewerten, vergleichen und verbessern können, um den Nutzen der KI-Technologie zu maximieren.

Bild: Warchi, Getty Images

Dieser Beitrag erscheint über das MedCity Influencers-Programm. Über MedCity Influencer kann jeder seine Sicht auf Wirtschaft und Innovation im Gesundheitswesen auf MedCity News veröffentlichen. Klicken Sie hier, um herauszufinden, wie.