Künstliche Intelligenz in der Medizintechnik. Potenziale von KI gestützten Medizinprodukten
Bachelorarbeit von: Bakuns, Merry. Studiengang Clinical Engineering FH Campus Wien
Zusammenfassung
Diese Arbeit beschäftigt sich mit dem Einsatz von künstlicher Intelligenz (KI) in der Medizintechnik und möglichen Einsatzbereichen von KI im Gesundheitswesen. Es werden die Vorteile und Herausforderungen für die Anwender*innen von KI-gestützter Medizintechnik aufgezeigt werden.
Einführung
Der Prozess der Digitalisierung als alle Lebensbereiche umfassendes Phänomen hat seinen Ursprung im 20. Jahrhundert und führt zu einer Anhäufung von großen Datenmengen in digitaler Form. Die digitale Transformation erlaubt eine umfassende Verknüpfung und Verbindung
unterschiedlichster Daten. Die Auswertung dieser Datenmengen durch computergestützte Technologie ermöglicht eine Vereinfachung und
Effektivitätssteigerung vieler Prozesse. Vor allem Künstliche Intelligenz und lernende Maschinen kommen dabei immer öfter zum Einsatz, so auch in der Medizintechnik. Die Auswertung von Gesundheitsdaten aus Forschung und Patientenversorgung eröffnet neue Möglichkeiten für Diagnose und Überwachung, für präventive Maßnahmen und die Steuerung von medizinischen Abläufen. Dadurch gewonnene Erkenntnisse können Verbesserung und Individualisierung der medizinischen Behandlung von Patienten ermöglichen. KI kann große Mengen entsprechender Daten effektiver und schneller auswerten als der Mensch [1].
Hinsichtlich der zukünftigen Entwicklungen in der Medizin birgt KI großes Potenzial, bringt andererseits auch Herausforderungen mit sich. KI im Bereich der klinischen Diagnostik können beispielsweise dem/der behandelnden Arzt*In sowohl eine Unterstützung bei seiner Entscheidungsfindung sein als auch zu einer Fehldiagnose führen. Die Anwendung entsprechender Programme muss deshalb mit einer gewissen Vorsicht erfolgen und auch gesetzlich reguliert sein [2].
Ziele der Arbeit
FF1: Welche Einsatzbereiche für KI gibt es aktuell im Gesundheitswesen?
FF2: Welche Vorteile können sich durch den Einsatz von KI gestützten
Medizinprodukten für den jeweiligen Anwender ergeben?
Hintergrund
Maschinelles Lernen (ML) ist ein integraler Bestandteil der künstlichen Intelligenz und kann als Werkzeug der Künstlichen Intelligenzen gesehen werden. Seinen Ursprung hat ML in der Mustererkennung und Computerlerntheorie der Künstlichen Intelligenz. Wissen, welches durch zahlreiche Datenmengen durch diesen Algorithmus extrahiert wird, kann auf konkrete Vorhersagen oder Entscheidungsprozesse angewendet werden [2]. Um die Funktionalität und Arbeitsweise von Machine Learning-Systemen zu konkretisieren, werden die benötigten Daten differenziert in Trainings-Daten, Validierungs-Daten sowie Test-Daten [3]. Damit ein Modell mit relevanten Funktionen aufgebaut werden kann benutzen KI Trainingsdaten. Deep Learning (DL) ist eine Methode des maschinellen Lernens, welches durch künstliche neuronale Netzwerke (KNN) unstrukturierte Daten verarbeitet [3].
Methoden
Anhand einer Literaturrecherche wurden aktuelle Forschungsprojekte und deren Einsatzbereiche für KI gestützte Medizinprodukte identifiziert.
Drei ausgewählte Projekte, die sich in Ihren verwendeten Verfahren und Methoden unterscheiden wurden ausgewählt, um näher beurteilt zu werden. Damit konnten Vorteile verschiedener Anwendergruppen identifiziert werden. Mit Hilfe eines Leistungskatalogs wurden Funktionsumfang, Zweckbestimmung, benötigte medizinische Daten und deren Datenbanken genauer beschrieben.
Ergebnisse
Beantwortung der FF1:
Die Anwendung von Machine Learning-Systemen in der Medizin kann in vier Gruppen unterteilt werden:
- Machine Learning-basierte-Apps primär für die Prävention
- Machine Learning-basierte-Apps zum Monitoring mit Alarmfunktion oder medizinisches Screening sowie Triage
- Computerbasierte Diagnose und Computerbasierte Prognose
- „Locked closed-loop“-Medizin-Systeme und „Continuous learning closedloop“- Medizin-Systeme [1].
Konkrete aktuelle Entwicklungen, die anhand eines Leistungskatalogs genauer beurteilt wurden: Anwendung zur Diagnoseerstellung [4], Herzüberwachung [5], Sturzerkennung [6].
Beantwortung der FF2: die Vorteile und Herausforderungen der drei Entwicklungsprojekte [4][5][6] wurden identifiziert und die konkreten Eigenschaften in einem Leistungskatalog beschrieben
Quelle: Bakuns, M.: Künstliche Intelligenz in der Medizintechnik. Potenziale von KI gestützten Medizinprodukten. Bachelorarbeit am Studiengang Clinical Engineering. FH Campus Wien. 2021.
Referenzen
[1] Scherk J., Pockacker-Tröscher G., Wagner K.: Künstliche Intelligenz-Artificial Intelligence. im Auftrag von BMVIT, Bereich Innovation. Linz. 2017. unter https://www.bmvit.gv.at/dam/bmvitgvat/content/innovation/forschungspolitik/forschungshorizont/kuenstliche_intelligenz.pdf
[2] Acatech: Machine Learning in der Medizintechnik – Analyse und Handlungsempfehlung. Deutsche Akademie der Technikwissenschaften. Berlin. 2020. unter: https://www.acatech.de/publikation/machine-learning-in-der-medizintechnik/
[3] Datasolut: Machine Learning: Definitionen, Algorithmen, Methoden und Beispiele. Datasolut GmbH. Köln. unter: https://datasolut.com/was-ist-machine-learning/ letzter Zugriff: 2021
[4] Deshmukh N.: Low-Cost Device Prototype for Automatic Medical Diagnosis Using Deep Learning Methods. IEEE Xplore. 2018. DOI: 10.1109/UEMCON.2018.8796551
[5] Afadar Y., Akram A., Alkeebali A., Majzoub S.: Heart Arrhythmia Detection & Monitoring Using Machine Learning & ECG Wearabale
Device. IEEE Xplore. 2020. DOI: 10.1109/ITT51279.2020.9320881
[6] Desai K., Mane P., Dsilva M., Zare A., Shingala P., Ambawade D.: A Novel Machine Learning Based Wearable Belt for Fall Detection.
IEEE Xplore. 2020. https://ieeexplore.ieee.org/document/9231114
Beitragsbild von macrovector auf Freepik