Obwohl Amerika als „Schmelztiegel“ seiner vielfältigen Bevölkerung bekannt ist, rückt das Gesundheitswesen ein wichtigeres Thema der Vielfalt in den Mittelpunkt. Das Gesundheitswesen ist eine hochgradig evidenzbasierte Praxis, die Daten in nahezu jedem Aspekt nutzt, von der Diagnose über die Behandlung bis hin zu Arzneimittel- und Medizingerätetests. Aufgrund fehlender Beweise sind jedoch tiefgreifende Rassenunterschiede zur „Norm“ geworden.
Nur 14 Prozent der täglichen medizinischen Entscheidungen werden auf der Grundlage hochwertiger Beweise getroffen. Diese Beweise stammen von 30 Prozent der US-Bevölkerung, da 70 Prozent der US-Bevölkerung von klinischen Studien ausgeschlossen sind.
Obwohl Frauen die Hälfte der Bevölkerung ausmachen, mangelt es im Bereich der Frauengesundheit in der Vergangenheit an Finanzierung und Forschung. Dies könnte teilweise auf die Politik der FDA aus dem Jahr 1977 zurückzuführen sein, die empfahl, Frauen im gebärfähigen Alter von frühen Phasen von Arzneimittelstudien auszuschließen. Dies führte letztendlich zu einem Mangel an Daten darüber, wie sich Drogen auf Frauen auswirken können, bis 1994 ein Gesetz in Kraft trat, das die Beteiligung von Frauen durch die National Institutes of Health vorsah.
Minderheitenpatienten, darunter Schwarze, Braune und Asiaten, werden ebenfalls selten in klinische Studien einbezogen, was zu erheblichen Evidenzlücken führt, die zu weniger günstigen Ergebnissen oder zu Stereotypen und Vorurteilen führen, die auf der Grundlage veralteter, problematischer Algorithmen verstärkt werden, die zu Fehldiagnosen und unangemessenen Ergebnissen führen Behandlungen.
Schwarze und amerikanische Indianer sowie Alaska-Ureinwohner (AIAN) haben eine kürzere Lebenserwartung und weisen zusätzlich die höchsten Raten schwangerschaftsbedingter Sterblichkeit auf. Bei den einheimischen hawaiianischen und pazifischen Inselbewohnern hingegen handelt es sich um eine Bevölkerungsgruppe, für die das Gesundheitswesen aufgrund der erheblichen Datenlücke noch immer nicht in der Lage ist, die Unterschiede genau zu analysieren.
Einheimische Hawaiianer und pazifische Inselbewohner machen beispielsweise weniger als 0,2 Prozent der Bevölkerung von Massachusetts aus. Was würde passieren, wenn jemand aus dieser Bevölkerungsgruppe in die Notaufnahme eingeliefert würde und sich dem typischen Behandlungsplan für die örtliche Bevölkerungsgruppe widersetzen würde? Leider kommt dieses Szenario häufiger vor, als man denkt.
Situationen wie diese machen Patienten anfällig für eine Verschlechterung ihres Zustands, es sei denn, ihr Pflegeteam kann auf größere Pools unterschiedlicher Daten zugreifen. In diesem Beispiel könnte eine Bostoner Notaufnahme idealerweise Daten aus einem hawaiianischen Gesundheitssystem abrufen und so sicherstellen, dass der Patient die am besten geeignete und individuellste Versorgung erhält, da die Bevölkerungsgruppe unterschiedlich auf die Behandlung reagiert. Allerdings kann diese Praxis stundenlange Ärzte in Anspruch nehmen, um die Forschungsergebnisse zu sichten und herauszufinden, welche Daten für jeden Patienten am besten geeignet sind.
Auch Minderheiten sind nicht allein. Auch ländliche Gemeinden werden bei der Beweiserhebung falsch dargestellt. Aufgrund mangelnden Zugangs und fehlendem Bewusstsein stammt nur ein Drittel der Teilnehmer an klinischen Studien aus ländlichen Gemeinden.
Ländliche Gesundheitssysteme sind bekanntermaßen unterbesetzt und verfügen nicht über ausreichend Ressourcen. Aus diesem Grund könnte die Bereitstellung von Daten aus städtischen Gesundheitssystemen in den USA für Ärzte nicht nur zu positiveren Ergebnissen führen, sondern mit KI auch Behandlungsentscheidungen beschleunigen und Ärzten wertvolle Zeit zurückgeben, die sie normalerweise mit dem Durchforsten verbringen würden durch Forschung.
Beweise sind der Schlüssel zum Schließen dieser Lücken, und KI ist erforderlich, um Beweise in reale Erkenntnisse umzusetzen.
Evidenz ist die Transaktionseinheit der Gesundheitsversorgung. Auf diese Weise entscheiden wir, welche Behandlungen durchgeführt werden sollen, messen den Nutzen dieser Behandlungen und stellen sicher, dass wir dem richtigen Patienten die richtige Pflege bieten. Angesichts dieser Ungleichheiten beim Datenzugang mangelt es der Betreuung von Minderheiten an der nötigen Evidenz, um diese Entscheidungen zu treffen.
Gesundheitssysteme und Life-Science-Unternehmen müssen ihren Umgang mit Daten und Beweisen neu bewerten und die Datenlücken mit qualitativ hochwertigen Beweisen schließen, die Ärzte besser informieren und zu positiveren Patientenergebnissen führen können, unabhängig von Rasse, Geschlecht oder Standort.
Glücklicherweise ermöglichen die jüngsten Fortschritte bei der anonymen Generierung realer Beweise und Innovationen in der KI Unternehmen, bestehende Datensätze neu zu bewerten und Lücken mit zusätzlichen ausgelagerten Daten zu schließen. Dadurch können wir die verfügbare Evidenz erhöhen und den Traum der personalisierten Medizin Wirklichkeit werden lassen – auch für unterrepräsentierte Patienten.
KI kann nicht nur schnell, sondern auch in großem Maßstab Beweise liefern. Mit diesen Tools können Hunderttausende Studien gleichzeitig durchgeführt werden, um umfangreiche Belege für Frauen, Kinder und andere demografische Gruppen zu generieren, beispielsweise solche mit Komorbiditäten und krankheitsbasierte Gruppen, die in klinischen Studien und anderen Forschungsarbeiten notorisch unterrepräsentiert sind.
Eines der größten Hindernisse bei der Beweiserstellung ist die langwierige Analyse von Krankenakten und der langwierige Anonymisierungsprozess. Generative KI dient dazu, anstehende Aufgaben zu automatisieren, darunter auch die Erstellung realer Beweise. KI kann diesen zeitaufwändigen Prozess beschleunigen und Forschern und Klinikern anonymisierte Daten liefern, die Lücken in der Darstellung schließen. Diese Datensätze können dann zusammengestellt und verwendet werden, um Large-Language-Modelle (LLMs) mit genaueren Erkenntnissen auf Forschungsniveau zu versorgen oder fehlende Daten für die klinische Entscheidungsfindung zu ergänzen, um sicherzustellen, dass Minderheitengruppen mehr Forschung zur Verfügung steht.
Unternehmen, die in LLMs investieren, möchten sicherstellen, dass die Daten ihres Modells relevant und evidenzbasiert sind. Eine ordnungsgemäße Evidenzgenerierung aus veröffentlichter Literatur oder realen Daten kann dieses Problem lösen. Obwohl einige Ärzte ChatGPT für die klinische Entscheidungsfindung nutzen, sind allgemeine LLMs wie ChatGPT im Gesundheitswesen unzuverlässig, da sie nicht auf realen Beweisen basieren. Die Daten, aus denen es stammt, basieren nicht auf realen Beweisen und führen daher zu ungenauen Ergebnissen.
KI-Tools wurden auch entwickelt, um die Datenqualität zu bewerten und zu verbessern und es Gesundheitssystemen und Biowissenschaftsunternehmen zu ermöglichen, Lücken zu erkennen und umsetzbare Schritte zu deren Überbrückung zu unternehmen, um sicherzustellen, dass zukünftige Entscheidungen im Gesundheitswesen mit ausreichender Evidenz getroffen werden. Für Kliniker, die LLMs zur Entscheidungsfindung nutzen, können Datenauswertungstools die Qualität der generierten Beweise danach bewerten, wie gut sie zum Hintergrund eines Patienten passen. Es kann auch zukünftige Pflegevorschläge generieren und aktualisierte Daten für die spätere Verwendung enthalten. Tools zur Datenauswertung können Ärzte sogar darüber informieren, wie gut ein bereitgestellter Datensatz zu ihrer Frage passt, die Vertrauenswürdigkeit von Vorschlägen aufdecken und etwaige Inkonsistenzen in den Antworten aufdecken.
KI wird es uns ermöglichen, mehr Personalisierung im Gesundheitswesen anzubieten. Mit der binnen weniger Minuten generierten Evidenz werden die Zeiten breit angelegter Leitlinien vorbei sein, da Forscher und Kliniker personalisierte Evidenz zur Hand haben, die die wertebasierte Versorgung verändern kann.
Während wir uns dem Jahr 2025 nähern, müssen sich KI-Tools auf die Erstellung qualitativ hochwertiger Beweise konzentrieren. Diejenigen, die dies durch Transparenz, hochwertige Methodik und die Fähigkeit, eine vertrauensbasierte Antwort von Ärzten zu erhalten, erreichen, werden langfristig erfolgreich sein und die evidenzbasierte Versorgung verändern.
Foto: Natali_Mis, Getty Images
Dr. Brigham Hyde ist seit August 2022 CEO und Mitbegründer von Atropos Health. Hyde verfügt über eine bedeutende Erfolgsbilanz beim Aufbau von Unternehmen im Gesundheitstechnologie- und Real-World-Data-Bereich (RWD) und war zuletzt Präsident von Data & Analytics bei Eversana. Vor dieser Position war Herr Hyde als Gesundheitspartner beim KI-Risikofonds Symphony AI tätig, wo er die Investition in Concert AI leitete, Mitbegründer und Betreiber von Concert AI war, einem RWD-Unternehmen im Bereich Onkologie – zuletzt mit einem Wert von 1,9 Milliarden US-Dollar. Zuvor war Hyde als Chief Data Officer bei Decision Resources Group tätig, die 2020 für 900 Millionen US-Dollar von Clarivate übernommen wurde. Er war außerdem Mitglied des Global Data Science Advisory Board von Janssen, Mitglied der Forschungsfakultät am MIT Media Lab und als ein außerordentliches Fakultätsmitglied an der Tufts Medical School.
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.
