Künstliche Intelligenz im Gesundheitswesen : Entwicklungen, Beispiele und Perspektiven

Künstliche Intelligenz (KI) nimmt schon heute Einfluss auf Beruf und Alltag und begleitet die Menschen bei der Erledigung von Arbeitsaufgaben. Im Gesundheitswesen gilt KI als Schlüsseltechnologie und als Motor für Fortschritt und Beschäftigung. Neue Algorithmen tragen dazu bei, dass KI zum Game Changer im Gesundheitsmarkt wird. Herkömmliche Behandlungswege bei der Diagnostik und bei der Therapie von Patienten verändern sich. Medizinisches und pflegerisches Personal soll durch den Einsatz von KI unterstützt und entlastet werden. Künstliche Intelligenz verspricht einen hohen Nutzen für Individuen und Unternehmen. Dabei sind jedoch auch die sozialen, finanziellen, technischen und rechtlichen Rahmenbedingungen zu berücksichtigen. Trotz der vielfältigen Möglichkeiten ist der Einsatz der Künstlichen Intelligenz bei personenbezogenen Daten und in bestimmten Geschäftsmodellen kritisch zu hinterfragen und zu reflektieren. Das vorliegende Herausgeberwerk gibt einen Überblick zu aktuellen - bisweilen kontrovers diskutierten - Themen aus Theorie, Forschung, Transfer und Praxis. In 43 Beiträgen stellen 82 renommierte Autoren und Experten ihr Wissen, ihre Erkenntnisse, Erfahrungen und Einschätzungen vor. Es werden Lösungsansätze und Problemfelder beim Einsatz von Künstlicher Intelligenz im Gesundheitswesen aufgezeigt. Durch eine anschauliche Clusterung und Einordung der Buchbeiträge in themenbezogenen Übersichten eignet sich das Werk sowohl für Einsteiger als auch für Praktiker und Wissenschaftler. Vorwort Inhaltsverzeichnis Herausgeber- und Autorenverzeichnis Über den Herausgeber Autorenverzeichnis 1 Einleitung „Künstliche Intelligenz im Gesundheitswesen“ Literatur 2 Künstliche Intelligenz im Gesundheitswesen als Kernkompetenz? Status quo, Entwicklungslinien und disruptives Potenzial 2.1 Prolog: Digitale Transformation des Gesundheitswesens 2.1.1 Digitalisierungsvektoren 2.1.2 Digitalisierungsstrategien und digitale Versorgungsmodelle 2.1.3 EID-Logik als Synthese 2.2 Künstliche Intelligenz im Gesundheitswesen: Status quo und Entwicklungslinien 2.2.1 Zustandsanalyse der künstlichen Intelligenz im Gesundheitswesen 2.2.2 KI-Anwendungen im Gesundheitswesen 2.2.3 KI-Prognosen im Gesundheitswesen 2.2.4 Holistische KI-Risikobewertung: Jenseits der Technologiefolgenabschätzung 2.3 Künstliche Intelligenz als Kernkompetenz? 2.3.1 Kernkompetenzen im Spiegel des Resource-based View 2.3.2 Wettbewerbsvorteile durch KI-Kompetenzen 2.3.3 Aufbau und Veredelung von KI-Kompetenzen 2.4 Disruptives Potenzial der künstlichen Intelligenz im Gesundheitswesen 2.4.1 3-D-Modell: Disruption, Diskontinuität und Differenzierung durch KI-Anwendungen 2.4.2 KI-Anwendungen als Komplementär-, Assistenz- und Autonomiesysteme 2.5 Schlussbetrachtung Literatur 3 Künstliche Intelligenz – Ein Überblick über die aktuelle und zukünftige Bedeutung von KI in der Wirtschaft und im Gesundheitswesen in Europa 3.1 Bedeutung von KI für Wirtschaft und Gesellschaft 3.1.1 KI ist für Wirtschaft und Gesellschaft weltweit heute wichtig – und noch wichtiger in der Zukunft 3.1.2 KI zeigt ihre finanzielle Wirkung bereits deutlich in der Wirtschaft 3.1.3 Auch Staaten haben die Wichtigkeit der KI erkannt 3.2 Leistung und Definition von KI 3.2.1 KI, was ist das eigentlich? Eine kurze Definition 3.2.2 KI ist effektiv und effizient, vor allem in der Datenanalyse 3.2.3 KI kann heute schon mehr als nur Daten analysieren – und fast so viel wie ein Mensch – nur noch nicht alles gleichzeitig 3.3 KI im Gesundheitswesen 3.3.1 Auch im Healthcare-Sektor ist KI angekommen 3.3.2 Anders als in anderen Industrien wird KI hier keinen Jobverlust bedeuten 3.3.3 Best Practices zeigen, wo im Gesundheitswesen KI heute schon hilft 3.4 Ausblick: So revolutioniert KI das Gesundheitswesen in der Zukunft 3.4.1 KI wird das Gesundheitswesen revolutionieren 3.4.2 In China kann heute schon abgelesen werden, wie weit diese Entwicklung gehen kann 3.5 Schlussbetrachtung Literatur 4 Mit KI das Gesundheitswesen verändern 4.1 Einleitung 4.2 KI im Bereich Pandemienbekämpfung 4.3 KI in Medizin – Quo vadis? 4.3.1 These 1: Die Arbeit an medizinischen KI-Anwendungen ist von großer Bedeutung für die Entwicklung der KI-Branche insgesamt 4.3.2 These 2: China übernimmt bei medizinischen KI-Anwendungen die Führung 4.3.3 These 3: Europa braucht neue Ansätze zur Förderung von KI. Daten-IDs und dezentralisierte Technologien zur Schaffung spezialisierter Datenmärkte könnten den Weg gangbar machen 4.3.4 These 4: KI kann Medizin humaner machen und Ärzte entlasten 4.3.5 These 5: KI im Gesundheitswesen erfordert enge Zusammenarbeit zwischen Medizinern und Technologen 4.4 Schlussbetrachtung Literatur 5 Erfolgsfaktoren, Potenziale und Barrieren bei KI-Start-ups im Gesundheitswesen 5.1 Einleitung 5.2 Begriffserklärung „KI-Start-ups“ 5.3 Entwicklungen von KI-Start-ups weltweit 5.4 Erfolgsfaktoren von KI-Start-ups 5.5 KI-Start-ups im Bereich „digitale Assistenten für Ärzte, Versicherer und Patienten“ 5.6 KI-Start-ups im Bereich „Bilderkennung und -analyse“ 5.7 KI-Start-ups im Bereich „Risikobewertung für Ärzte und Patienten“ 5.8 KI-Start-ups im Bereich „Lifestylemanagement und Monitoring“ 5.9 Potenziale von KI-Start-ups 5.10 Barrieren von KI-Start-ups 5.11 Schlussbetrachtung Literatur 6 Künstliche Intelligenz im Entwicklungsprozess von Medikamenten in der Pharmaindustrie 6.1 Einleitung 6.2 Darstellung des Entwicklungsprozesses für neue Medikamente 6.3 Darstellung der Bereiche, in denen KI im Entwicklungsprozess oder in vor- und nachgelagerten Prozessen eingesetzt werden kann 6.4 Auflistung einer Tabelle mit Praxisbeispielen von Firmen, die KI bei der Herstellung von Medikamenten einsetzen oder den Einsatz planen 6.5 Herausforderungen und Chancen von KI in der Pharmaindustrie 6.6 Schlussbetrachtung Literatur 7 KI-Systeme für die nächste Medizintechnikgeneration 7.1 Wandel der Medizintechnik durch KI 7.2 Stand der Technik 7.2.1 Begriffserklärung 7.2.2 KI-Anwendungen in der Medizin 7.3 Training von KI-Systemen für die Intervention 7.3.1 Anwendungsszenario 7.3.2 Lösungsansatz 7.3.3 Anwendung des Deep Reinforcement Learning 7.4 Schlussbetrachtung Literatur 8 Regulatorische Anforderungen an Lösungen der künstlichen Intelligenz im Gesundheitswesen 8.1 Einleitung: Künstlichen Intelligenz im Gesundheitswesen 8.2 Grundlagen 8.2.1 Regulatorische Anforderungen an Medizinprodukte 8.2.2 Besondere Anforderungen an Software 8.2.3 Einführung künstliche Intelligenz. 8.2.4 Was ist Intelligenz – natürlich oder künstlich? 8.2.5 Abgrenzungen innerhalb KI 8.2.6 Unterschied zwischen adaptiver und nicht adaptiver KI 8.3 Regulatorischer Umgang mit KI-gestützten Medizinprodukten 8.3.1 Regelungen bezüglich der Zulassung von KI-gestützten Medizinprodukten 8.3.2 Anwendung der Normen bei der Erstellung von nicht adaptiven KI-gestützten Medizinprodukten 8.3.3 Die Problemstellung bei adaptiven KI-gestützten Medizinprodukten 8.4 Schlussbetrachtung Literatur 9 KI-Implementierungsoptionen in dateninflationären Versorgungsnetzen: Von der abstrakten Vision zur konkreten Wertschöpfungstransformation 9.1 Künstliche Intelligenz als Vision für das Gesundheitswesen? 9.1.1 Big-Data-Management in Versorgungsnetzen 9.1.2 Anforderungen an KI-Systeme im Gesundheitswesen 9.1.3 KI-Realisierung im Gesundheitswesen: Vision 2 Value 9.1.4 KI-Perspektiven im Gesundheitswesen: Thesen, Themen und Trends 9.1.5 Schlussbetrachtung Literatur 10 KI-basierte Lernumgebungen für eine digitale Souveränität von Patientinnen und Patienten – Theorie und Konzeption einer virtuellen Consent-Assistenz 10.1 Einleitung 10.2 Künstliche Intelligenz im Blickpunkt des Lernens und der Kompetenzentwicklung 10.3 Digitale Souveränität als Ziel personalisierten Lernens 10.3.1 Digitale Souveränität und Selbstbestimmung 10.3.2 Informiertheit, Data Literacy und Digital Literacy – Voraussetzung und Abgrenzung zum digital souveränen Handeln 10.4 Personalisierte Lernprozesse und adaptive Lernumgebungen als informeller Lern- und Erfahrungsraum 10.5 Ein Gestaltungsszenario zur Forcierung digitaler Souveränität 10.6 Chancen und Grenzen personalisierten Lernens mit künstlicher Intelligenz für digital souveräne Patientinnen und Patienten – ein vorläufiges Resümee 10.7 Schlussbetrachtung Literatur 11 Bessere Medizin? Künstliche Intelligenz verantwortlich gestalten 11.1 Einführung: Problembeschreibung am Beispiel Gesundheits-Apps 11.1.1 Kategorisierung und Bewertung von Gesundheits-Apps 11.1.2 Mobile Health als künftiges Gestaltungsmerkmal des Gesundheitswesens 11.1.3 Offene Fragen und Herausforderungen 11.2 Grundzüge biblischer Anthropologie 11.2.1 Der Mensch als Ebenbild Gottes 11.2.2 Die „Royalisierung“ des Menschen 11.2.3 Das relationale Verständnis des Menschen 11.2.4 Der beauftragte Mensch 11.2.5 Der bedürftige und begrenzte Mensch 11.2.6 Zwischenfazit 11.3 Grundlegende sozialethische Kriterien 11.3.1 Leibhaftigkeit und Würde der Person 11.3.2 Freiheit und Selbstbestimmung 11.3.3 Wechselseitige Solidarität als Ausdruck stellvertretenden Handelns freier Menschen 11.3.4 Gerechtigkeit im Blick auf die Verteilung gesellschaftlicher Güter 11.3.5 Nachhaltigkeit 11.3.6 Zwischenfazit 11.4 Perspektiven eines zukünftigen Gesundheitswesens 11.4.1 Medizin als Sorge um den ganzen Menschen 11.4.2 KI- basierte Medizin und transhumanistische Ideologie 11.4.3 Krankheit und Gesundheit als Gemeinschaftsaufgabe 11.5 Offene Fragen und eine Ethik des Digitalen 11.5.1 Digitalisierung braucht Regeln 11.6 Schlussbetrachtung Literatur 12 Ethische Aspekte von KI-Anwendungen in der Medizin 12.1 Einleitung 12.2 Verantwortung und Vertrauen als ethische Prinzipien 12.2.1 Voraussetzung für moralische Verantwortung 12.2.2 Verlässlichkeit und Vertrauen 12.3 Ethische Prinzipien in Anwendung auf künstliche Intelligenz 12.3.1 Kann KI moralisch agieren? 12.3.2 Schuldhaftigkeit bei Fehlern der künstlichen Intelligenz 12.3.3 Kann Vertrauen in KI gerechtfertigt sein? 12.4 Herausforderungen der digitalen Medizin 12.4.1 Veränderte Patientenanforderungen 12.4.2 Transparenz und Nachvollziehbarkeit von digitalen Gesundheitsangeboten 12.4.3 Gemeinsame Behandlungsführung und Risikoeinschätzung 12.4.4 Verantwortung für medizinische Entscheidungen von Geräten und Anwendungen 12.5 Verantwortung und Vertrauen als Leitmotive der digitalen Medizin 12.5.1 Verantwortung als Leitmotiv der Nutzung von KI-Anwendungen 12.5.2 Vertrauen als Leitmotiv der digitalen Behandlung 12.6 Ausblick und Hinweise für die Entwicklung von KI-Anwendungen im Gesundheitswesen 12.7 Schlussbetrachtung Literatur 13 Maschinen mit Moral für eine gute Pflege der Zukunft? 13.1 Einleitung 13.2 „KI“: Erscheinungsformen und Nutzungspotenziale 13.3 „KI“: Anwendungsfelder in der Pflege 13.4 Wertekompass I: Gute Pflege 13.5 Wertekompass II: Akzeptabilität 13.6 Personalität und „KM“ – eine Standortbestimmung 13.7 „KM“ für „KI“ – ethische Bewertungen 13.8 Schlussbetrachtung Literatur 14 Zwischen Automatisierung und ethischem Anspruch – Disruptive Effekte des KI-Einsatzes in und auf Professionen der Gesundheitsversorgung 14.1 Einleitung 14.2 Diagnose, Inferenz und Behandlung 14.3 Anwendungsfelder für KI-Systeme 14.3.1 Klinische Medizin 14.3.2 Einzelfallhilfe in der Sozialen Arbeit 14.4 Diskussion 14.5 Schlussbetrachtung Literatur Förderhinweis 15 Potenziale digitaler und KI-basierter Tools zur Gesundheitsförderung in Unternehmen – Eine systemtheoretische Beobachtung von Implementierungs- und Verankerungsprozessen 15.1 Einführung und Problemstellung 15.2 Anforderungen an ein gelingendes betriebliches Gesundheitsmanagement 15.2.1 Erfolgsfaktoren der betrieblichen Gesundheit 15.2.2 Defizite, Hürden und Probleme klassischer arbeitsplatzbezogener Gesundheitsprogramme 15.3 Systemtheoretische Grundlagen 15.3.1 Soziale Systeme 15.3.2 Betriebliche Gesundheitsförderung aus soziologisch-systemtheoretischer Perspektive 15.3.3 Zum Steuerungsproblem von Unternehmen als soziale Systeme 15.3.4 Zum Scheitern von BGF-Interventionen 15.4 Einsatz digitaler und KI-basierter Tools zur betrieblichen Gesundheit 15.4.1 Vor- und Nachteile digitaler und KI-basierter Anwendungen 15.4.2 Beispiel Gesundheits-Apps 15.5 Potenziale digitaler und KI-basierter Tools zur Förderung der Gesundheit in Unternehmen aus systemtheoretischer Perspektive 15.5.1 Möglichkeiten und Grenzen der gesundheitsförderlichen Intervention aus systemtheoretischer Sicht 15.5.2 Handlungsempfehlungen zur Implementierung und Verankerung von Gesundheit in Unternehmen 15.6 Schlussbetrachtung Literatur 16 Nachhaltige Entwicklung im Krankenhauswesen – Künstliche Intelligenz als Treibstoff und Hemmnis 16.1 Einleitung 16.2 Begriff: Nachhaltige Entwicklung 16.2.1 Begriffliche Einordnung 16.2.2 Dimensionen der Nachhaltigkeit 16.3 Ökologische Nachhaltigkeit im Krankenhauswesen 16.3.1 Problembeschreibung 16.3.2 Projekte und Initiativen 16.3.3 Alternative künstliche Intelligenz 16.3.4 Lösungsvorschlag 16.4 Schlussbetrachtung Literatur 17 Präzisionsmedizin, künstliche Intelligenz: Chancen für ein verbessertes Therapiemanagement? Ein organisationsökonomischer Blick 17.1 Hinführung: Gesundheitswesen und Digitalisierung 17.2 Präzisionsmedizin und künstliche Intelligenz: eine Potenzialbetrachtung 17.3 Organisationsökonomische Betrachtung 17.3.1 Die Bedeutung der Dienstleistungsproduktion 17.3.2 Gesundheitsökonomische Effizienz: die gesamtwirtschaftliche Perspektive 17.4 Ausgesuchte gesundheitspolitische Fragen 17.4.1 Disease Interception als Herausforderung 17.4.2 Plattformen und künstliche Intelligenz 17.5 Schlussbetrachtung Literatur 18 Künstliche Intelligenz in der hausärztlichen Versorgung 18.1 Einleitung 18.2 Das deutsche Gesundheitssystem und die hausärztliche Versorgung 18.3 KI-basierte Diagnosesysteme 18.4 Die Einstellung der Hausärzte zu künstlicher Intelligenz in der Diagnosestellung 18.4.1 KI und der Hausarzt 18.4.2 Einflussfaktoren der Einstellung 18.5 Implikationen für die Praxis 18.6 Schlussbetrachtung Literatur 19 Einsatzgebiete künstlicher Intelligenz bei chronischen Erkrankungen – Ein erster Überblick im Diagnostik- und Therapiebereich 19.1 Einleitung 19.2 Begriffsklärung „chronische Erkrankung“ 19.3 Behandlung von Patienten mit chronischen Erkrankungen 19.4 Chronische Erkrankung: Asthma bronchiale 19.5 Chronische Erkrankung: Epilepsie 19.6 Chronische Erkrankung: Depressionen 19.7 Chronische Erkrankung: Morbus Alzheimer 19.8 Chronische Erkrankung: Colitis ulcerosa 19.9 Vor- und Nachteile von KI im Diagnostik- und Therapiebereich 19.10 Schlussbetrachtung Literatur 20 Künstliche Intelligenz und Digitalisierung im Bereich Diabetes mellitus 20.1 Einleitung 20.2 Begriffsklärung „Diabetes mellitus“ (Typ-1-Diabetes) 20.3 Ausgangspunkt der Transformation im Diabetesmanagement 20.4 Traditioneller Behandlungsprozess (Typ-1-Diabetes) 20.5 Digitalisierter Behandlungsprozess (Typ-1-Diabetes) 20.6 KI-gestützter Behandlungsprozess (Typ-1-Diabetes) 20.7 Diabetesprojekte und Beispiele mit Digitalisierungs- und KI-Bezug in Deutschland 20.8 Schlussbetrachtung Literatur 21 Künstliche Intelligenz in Prozessen des Gesundheitswesens – Chancen und Risiken am Beispiel der akuten Schlaganfallbehandlung 21.1 Einleitung 21.2 Deep Learning 21.3 Der Prozess der akuten Schlaganfallversorgung 21.4 Bildgebende Diagnostik als KI-Baustein im Prozess der akuten Schlaganfallversorgung 21.5 Diskussion: KI-Bausteine als Prozesse 21.6 Schlussbetrachtung Literatur 22 Künstliche Intelligenz, Big Data und Krebsdiagnostik im Gesundheitswesen 22.1 Einleitung 22.2 Begriff „künstliche Intelligenz“ 22.3 Big Data, Fachkräftemangel und KI im Gesundheitswesen 22.4 Einsatzgebiete von künstlicher Intelligenz in der Krebsdiagnostik 22.5 Akzeptanz für KI-Anwendungen schaffen 22.6 Herausforderungen bei KI-Anwendungen 22.7 Chancen und Risiken des technischen Fortschritts 22.8 Schlussbetrachtung Literatur 23 Diagnoseunterstützung durch künstliche Intelligenz für Labordaten 23.1 Bedeutung von Labordaten 23.2 Einordnung in den Bereich der künstlichen Intelligenz 23.3 Technisch-funktionale Aspekte der KI-Plattform 23.3.1 Detailübersicht Datenschutzkonzept 23.3.2 Detailübersicht Knowledge Graph 23.4 Betriebswirtschaftliche Aspekte und Adoption im Klinikum 23.5 Potenziale und Risiken 23.6 Strategien zur Implementierung KI-basierter Systeme 23.7 Schlussbetrachtung Literatur 24 Daten einfach anders denken! Big Data (BD) und künstliche Intelligenz (KI) in der Praxis 24.1 Einleitung 24.2 Die Digitale Transformation 24.3 Wertvoll durch Daten 24.3.1 Datengenerierende Unternehmen sind wertvoller als güterproduzierende Unternehmen 24.3.2 Sicht auf Europa und europäische Pharmaunternehmen 24.3.3 Datengenerierende Unternehmen vs. Pharmaunternehmen 24.4 Die richtigen Daten 24.4.1 Wichtige Regeln 24.4.2 Methoden und passende Daten zu Ereignissen 24.4.3 Definitionen 24.5 Interpretation von Daten endogener und exogener Faktoren am Beispiel eines Formel-1-Fahrzeuges 24.5.1 Endogene Faktoren 24.5.2 Exogene Faktoren 24.5.3 Digitale Transformation der Formel 1 24.5.4 Set-up des Formel-1-Rennwagens 24.6 Interpretation von Daten endogener und exogener Faktoren auf Prozesse in Pharmaunternehmen 24.6.1 Produktion 24.6.2 Personalisierte Produktion von Pharmazeutika 24.7 Schlussbetrachtung Literatur 25 Verstehen was Ärzte schreiben: Kann KI die Datenflut in der Medizin bändigen? 25.1 Einleitung 25.2 Die Schwierigkeit medizinische Sprache automatisiert zu interpretieren 25.3 Natural Language Processing zur automatischen Interpretation medizinischer Sprache 25.4 Anwendungsfall und bisherige Lösungen zum Schlaganfall in der Neuroradiologie 25.5 Lösung ReportCheck 25.6 Fallstudie ReportCheck für Schlaganfall 25.7 Schlussbetrachtung Literatur 26 Ist Stimme das neue Blut? KI und Stimmbiomarker zu früheren Diagnose – für jedermann, überall und jederzeit 26.1 Einleitung 26.2 Warum und wie lassen sich in menschlichen Lauten Hinweise über die Gesundheit finden? 26.3 Wie eine KI die Patienten „hört“ 26.4 Beispiele zur Performanz automatischer Diagnose 26.5 Datensammlung – Die Grundlage und der Flaschenhals 26.6 Emotion und Parkinson – Zwei Beispiele 26.7 Für jedermann, überall und jederzeit – die Patienten im Fokus 26.8 Ausblick 26.9 Schlussbetrachtung Literatur 27 Interdisziplinäre Ansätze zu Medizin und künstlicher Intelligenz (KI): Stimmauswertung zur Frühdiagnose beim Morbus Parkinson (MP) 27.1 Ziel der Arbeit und Methode 27.2 Morbus Parkinson (MP) 27.3 Relevanz und Möglichkeiten der Früherkennung bei Morbus Parkinson 27.4 Stimme als Marker für die Früherkennung von Morbus Parkinson 27.5 Spracherkennung und künstliche Intelligenz (KI) zur Diagnose von Morbus Parkinson 27.6 Chancen und Risiken 27.7 Schlussbetrachtung und nächste Schritte Literatur 28 KI-unterstützte Anwendungen und Potenziale in der Medizin- und Gesundheitstechnologie 28.1 Einleitung 28.1.1 „Starke“ und „schwache“ künstliche Intelligenz (KI) 28.1.2 Maschinelles Lernen (ML) und künstliche neuronale Netze (KNN) 28.1.3 Einfluss KI auf die medizinische Forschung 28.2 KI-Anwendungen in Medizin und Gesundheitswirtschaft 28.2.1 KI-basierte Radiologie, Bildverarbeitung und Mustererkennung 28.2.2 Digitale Medizin 28.3 Schlussbetrachtung Literatur 29 Künstliche Intelligenz in der Radiologie und Strahlentherapie aus der Perspektive von Ärzten und Medizinphysikexperten – Eine Interviewstudie 29.1 Einleitung 29.2 Künstliche Intelligenz in der Radiologie und Strahlentherapie 29.3 Chancen und Risiken von Künstlicher Intelligenz aus der Perspektive von Ärzten und Medizinphysikexperten 29.3.1 Eingeschätzte Chancen durch den Einsatz von KI 29.3.2 Eingeschätzte Risiken durch den Einsatz von KI 29.4 Implikationen für die Praxis 29.5 Schlussbetrachtung Literatur 30 Interpretation magnetresonanz-tomographischer (MRT) Daten mit KI 30.1 Einleitung 30.2 Mustererkennung 30.2.1 Merkmalsraum 30.2.2 Klassifikatoren 30.2.3 Datennormierung 30.3 Support Vector Machines 30.4 Künstliche neuronale Netze 30.4.1 Aufbau und Funktionsweise 30.4.2 Lernalgorithmen und Deep Learning 30.4.3 Anwendung 30.5 Convolutional Neural Networks 30.5.1 Aufbau und Funktionsweise 30.5.2 Anwendungsbeispiele 30.6 Radiomics 30.6.1 Verfahrensablauf 30.6.2 Parametergewinnung und -selektion 30.6.3 Anwendungsbeispiele 30.7 Schlussbetrachtung Literatur 31 Machine Learning in der Medizin: Was können Lernalgorithmen und wie sicher sind sie? 31.1 Einleitung 31.2 Bayessche Statistik in Bioinformatik und Medizin 31.3 Vom Bayesschen Lernen zum Machine Learning 31.4 Anwendungen neuronaler Netze in Bioinformatik und Medizin 31.5 Lernalgorithmen auf dem Weg zu neuen Impfstoffen 31.6 Zukunftsperspektiven: Sicherheit und hybride KI 31.7 Schlussbetrachtung Literatur 32 Eine sanfte Einführung ins Lernen tiefer neuronaler Netze 32.1 Einleitung 32.2 Materialen und Methoden 32.2.1 Einführung in maschinelles Lernen und Mustererkennung 32.2.2 Künstliche neuronale Netze 32.2.3 Netzwerktraining 32.2.4 Deep Learning 32.2.5 Wichtige Architekturen im Deep Learning 32.2.6 Fortgeschrittene Deep-Learning-Konzepte 32.3 Ergebnisse 32.3.1 Bild- und Objekterkennung 32.3.2 Bildsegmentierung 32.3.3 Bildregistrierung 32.3.4 Physikalische Simulation 32.3.5 Bildrekonstruktion 32.4 Diskussion 32.5 Schlussbetrachtung Literatur 33 Neuronale Netze zur Effizienzsteigerung der Texterkennung in der Rezeptabrechnung 33.1 Einleitung 33.2 Begriffsklärung „Bildqualität“ 33.3 Stand der Technik 33.4 Methodik 33.4.1 Anforderungen 33.4.2 Datenakquise 33.4.3 Verlustfunktion 33.4.4 Lernmodell 33.4.5 Lernprozess 33.5 Ergebnisse 33.6 Integration in den produktiven Workflow 33.7 Diskussion und Ausblick 33.8 Schlussbetrachtung Literatur 34 Abrechnung medizinischer Leistungen mit künstlicher Intelligenz 34.1 Status quo und Potenziale 34.2 Technische Prinzipien 34.2.1 Tabellen 34.2.2 Handschrift 34.2.3 Texte 34.3 Anwendung 34.3.1 Beispiel: DRG-Kodierung einer Cholezystektomie 34.3.2 Automatisierung 34.4 Schlussbetrachtung Literatur 35 Erklärbare KI in der medizinischen Diagnose – Erfolge und Herausforderungen 35.1 Einleitung 35.2 Überblick relevanter xAI-Methoden 35.3 Jüngste Erfolge von xAI in der Medizin 35.3.1 Modellkorrigierende Methoden 35.3.2 Exploration & Validierung von Diagnosekriterien 35.3.3 xAI-Frameworks 35.4 Verbleibende Herausforderungen für die Anwendung 35.4.1 Evaluation von xAI-Methoden 35.4.2 Einsatz im klinischen Alltag 35.4.3 Diversität & Vollständigkeit 35.4.4 Menschenzentrierte Ausrichtung 35.5 Schlussbetrachtung Literatur 36 Explainable AI im Gesundheitswesen 36.1 Einführung 36.2 Interpretierbarkeit, Erklärbarkeit und Erklärung 36.2.1 Einteilung und Bewertung der Interpretierbarkeit 36.2.2 Erklärbarkeit vs. Erklärung 36.3 Methoden und Beispiele 36.3.1 Global, intrinsisch 36.3.2 Lokal, intrinsisch 36.3.3 Global, post hoc 36.3.4 Lokal, post hoc 36.3.5 Beispiel: Röntgenbildklassifikation 36.3.6 Beispiel: Hypoxämierisikovorhersage im OP 36.4 Kritik der Explainable AI 36.5 Schlussbetrachtung Literatur 37 Humanoide Robotik und körperlose KI-Systeme im Gesundheitswesen 37.1 Einleitung 37.2 Designprinzipien humanoider Roboter 37.2.1 Verfügbarkeit 37.2.2 Flexibilität 37.2.3 Adaptivität 37.2.4 Einfachheit 37.2.5 Transparenz 37.2.6 Erschwinglichkeit 37.3 Akzeptanz von KI-Systemen 37.3.1 Beispiele aus der Forschung 37.3.2 Diagnostische Medizin 37.3.3 Medizinischer Prozess 37.3.4 Akzeptanz durch Verständnis 37.3.5 Mensch-Maschine-Interaktion 37.4 Schlussbetrachtung Literatur 38 Roboter als intelligente Assistenten in Betreuung und Pflege – Grenzen und Perspektiven im Praxiseinsatz 38.1 Einleitung und Fragestellung 38.2 Methodische Überlegungen und Herangehensweise 38.3 Erkenntnisse aus Interviews und Workshops mit StakeholderInnen 38.3.1 Generelle Einstellungen zum Einsatz von robotischen Systemen in der Pflege 38.3.2 Einsatzfeld – Hilfstätigkeiten/Assistenztätigkeiten 38.3.3 Einsatzfeld – Navigation (Transport und Begleitung) 38.3.4 Einsatzfeld – Medizin/Diagnostik 38.3.5 Einsatzfeld – Aktivierung/Betreuung/Unterhaltung/Informieren 38.4 Ausgestaltung von Robotern und KI 38.4.1 Technologische Besonderheiten der aufgezeigten Einsatzszenarien 38.4.2 Partizipative Entwicklung in Praxis 38.4.3 Grenzen und Perspektiven im Praxiseinsatz 38.5 Rahmenbedingungen für Robotik und KI in der Pflege 38.5.1 Anforderungen und Konsequenzen des KI-Einsatzes in der Pflege 38.5.2 Erwartungen an Roboter und KI 38.6 Schlussbetrachtung Literatur 39 „Robotik und KI in der Pflege“ als Lerneinheit in der generalistischen Pflegeausbildung – Desiderat, Bedarf und pflegerische Wirklichkeit 39.1 Einleitung 39.2 Problemstellung und aktueller Forschungsstand 39.3 Ableiten von Unterrichtsinhalten aus den Subjektiven Theorien Auszubildender aus Pflegeberufen 39.3.1 Exploration Subjektiver Theorien der Auszubildenden 39.3.2 Den Begriff „Pflege“ einordnen und ihn als ein Kriterium für die Einschätzung robotischer Systeme nutzen 39.3.3 Übersicht über robotische Systeme für die Pflege erhalten 39.3.4 Ethisch verantwortlich mit robotischen Systemen in der Pflege umgehen 39.4 Schlussbetrachtung Literatur 40 Das Bremen Ambient Assisted Living Lab und darüber hinaus – Intelligente Umgebungen, smarte Services und Künstliche Intelligenz in der Medizin für den Menschen 40.1 Einleitung 40.2 Das Bremen Ambient Assisted Living Lab 40.3 Mobilitätsassistenz im BAALL 40.4 Smart Services im Alltag 40.5 Von Ernährungsassistenz zu evidenzbasiertem Policy-Design 40.6 Verbesserung der Lebensqualität von Krebspatienten mit verteilten holistischen Daten 40.7 Vernetzung und Plattform 40.8 Schlussbetrachtung Literatur 41 Smarthome und Smartliving – Möglichkeiten und Grenzen der KI im Projekt DeinHaus4.0 41.1 Einleitung 41.2 Gesellschaftliche Rahmenbedingungen 41.3 Projektpartner und Projektziele 41.4 Forschungsdesign 41.5 Projektumsetzung 41.6 Rolle der KI im Projekt 41.7 Kritische Diskussion 41.8 Schlussbetrachtung Literatur 42 Smarte Systeme in Rehabilitation und Prävention. Wie künstliche Intelligenz und Gamification das Bewegungstraining individualisieren 42.1 Einleitung 42.2 Begriffsklärung Gamification und Exergames 42.3 Potenziale von Gamification im Gesundheitsbereich 42.4 Bewegungsmonitoring 42.5 Bestehende Lösungen 42.6 Dynamische Anpassungen auf Basis von KI 42.7 Schlussbetrachtung Literatur 43 Klinische Evaluation eines Rollatormoduls zur sensorgestützten Haltungs- und Gangmustererkennung 43.1 Einleitung 43.1.1 Grundlagen der Ganganalyse 43.1.2 Gangstörungen im höheren Lebensalter 43.1.3 Auswirkungen der Rollatorenbenutzung 43.2 Methoden und Ergebnisse 43.2.1 Gangklassifikation mithilfe von (virtuellen) Distanzsensoren 43.2.2 Evaluation zur Anforderungsanalyse 43.2.3 Evaluation eines ersten Prototyps mit dedizierten Distanzsensoren und Nutzerschnittstelle 43.2.4 Interventionsstudie zur Beurteilung von Praktikabilität und Reliabilität des finalen Demonstrators 43.3 Diskussion 43.3.1 Beurteilung der Nutzerfreundlichkeit und Praktikabilität 43.3.2 Beurteilung der Klassifikationsraten 43.3.3 Bewertung der Warnhinweise 43.4 Schlussbetrachtung Literatur