Patient*in 4.0 – noch hapert es an der KI

„Medizin 4.0“ beschreibt die Vernetzung medizinischer Versorgung auf allen Ebenen mit modernen Informations- und Kommunikationstechniken. Die „Patient*innen 4.0“ sollen direkt davon profitieren, indem Prognose und individuelle Verläufe, abhängig vom Behandlungskontext, durch Kardiologen und Kardiologinnen besser verstanden werden. In absehbarer Zukunft soll so eine individuell für Patienten und Patientinnen angepasste, personalisierte Herzmedizin („Precision Medicine“) entstehen.

Diese Zielsetzung erfordert eine Integration von unstrukturierten und strukturierten Daten aus dem klinischen Bereich (Arztbriefe, 2D/3D/4D-Bildgebungen, molekulare Daten, Laborwerte, EKG, usw.) mit longitudinalen Daten, welche die „Patient*innen 4.0“ selbst beisteuern. Durch aktive Teilhabe der Patientinnen und Patienten können Daten aus gekoppelten Geräten (Waagen, Blutdruckmessung) oder Aktivitätsdaten aus tragbaren oder implantierbaren Sensoren (z. B. Smartwatches) gewonnen werden. Die Quantifizierung der kardiovaskulären Gegebenheiten in der alltäglichen Umgebung der „Patient*innen 4.0“ stellt eine große Chance dar, Krankheitsverläufe besser zu verstehen und frühzeitiger eingreifen zu können.

Was heute schon machbar ist

Bereits heute kann die Überwachung des Pulmonalarteriendrucks (PA) aus der Ferne nach Implantation eines kleinen kommerziellen Devices vorgenommen werden. Der PA ist ein Frühindikator für den Beginn einer sich verschlechternden Herzinsuffizienz. Die bereitgestellten präsymptomatischen Daten ermöglichen frühzeitige Änderungen in der medizinischen Therapie, z. B. Dosistitration des Medikaments, bevor Symptome einer Herzinsuffizienz auftreten. Die Möglichkeit, Schwellenwerte individuell festzulegen, gestattet es Kardiologinnen und Kardiologen die Behandlung und das medizinische Management für alle Patientinnen und Patienten zu personalisieren und zu optimieren (Abb. 1).

Automatisierte Datenverarbeitung

Das A & O sind Standards

Die 4.0-Transformation erfordert jedoch die klinische Etablierung einer grundlegenden, möglichst einheitlichen digitalen Infrastruktur sowie einen hohen Automatisierungsgrad bei der Datenauswertung. Verfahren aus der Künstlichen Intelligenz (KI, engl. „AI“) sind hier bereits im Einsatz, jedoch kristallisiert sich immer mehr heraus, dass robuste KI-Modelle mit nachvollziehbaren und interpretierbaren Entscheidungskonstrukten („Explainable AI“) sowie entsprechender Vorhersagesicherheiten benö- tigt werden. Dabei wird immer klarer, wie wichtig Standards sind. Darunter fallen Kriterien, welche die medizinische und ökonomische Wirkung bewerten (Wolff J, Front Digit Health. 2021;3: 594971) und nicht zuletzt auch entsprechende Evaluationsmetriken, die notwendig sind, um die Performance von entsprechenden KI-Modellen zu vergleichen.

Neue Trainingsmethoden für die KI

Eine besondere Herausforderung beim Trainieren von KI-Verfahren ist die klinikinterne Datenhomogenität im Unterschied zur allgemeinen Heterogenität, die beispielsweise durch Selektionsverzerrung aufgrund verschiedener Pathologien entsteht, aber auch durch verschiedene Bevölkerungsgruppen, Scanner-Hersteller oder -Modelle, Bezeich- nungen, Behandlungsmethoden usw.. Zudem verhindern strenge europäische Datenschutzvorgaben, repräsentative Patientenkohorten im größeren Stil klinikübergreifend zusammenzuführen.

In einem laufenden Forschungsprojekt, gefördert vom DZHK e. V., arbeiten wir zusammen mit interdisziplinären und klinikübergreifenden Teams aus verschiedenen Universitätskliniken in Deutschland an einem neuartigen Konzept, um die Datenvielfalt effektiv zu nutzen, ohne dass die Daten selbst die Klinik verlassen müssen. Die Datenhoheit verbleibt am Standort.

Die Idee des sogenannten „Förderierten Lernens“, engl. „Federated learning“, ist datenschutztechnisch vielversprechend und technisch und organisatorisch sehr anspruchsvoll: „Let the algorithm travel, not the data“. Neuronale Netzwerke greifen dabei während des Trainingsprozesses auf mehrere dezentrale Datenpools zu und werden über eine Client-Server-Struktur so trainiert, dass nur die Modellparameter ausgetauscht und anschließend aggregiert werden.

In einem ersten Use-Case dieses Konsortiums sind Zugriffe auf ca. 15.000 Herz-CT-Datensätze möglich (Seidler T, 2022, Abstr. 199; https://doi.org/ 10.1007/ s00392-022-02002-5). Trotz der technisch hohen Hürden könnte dieser Ansatz einen weiteren Meilenstein liefern, der Daten in Wissen transformiert und robuste Entscheidungsalgorithmen für den klinischen Alltag ermöglicht.

Kontakt-- Jun. Prof. Dr. sc. hum. Sandy Engelhardt, M.Sc., Universitätsklinikum Heidelberg, sandy.engelhardt@med.uni-heidelberg.de