// Neural Networks

Wie neuronale Netze in der Gesundheitsbranche eingesetzt werden können: 10 Anwendungsfälle

Inhaltsverzeichnis

#1. Roboterchirurgie
#2. Bildgebende Diagnostik
#3. Virtuelle Pflegeassistenten
#4. Workflow und Verwaltungsaufgaben
#5. Vorhersage von Ausbrüchen von Infektionskrankheiten
#6. Entwicklung von Medikamenten und neuen Behandlungen
#7. Personalisierte Medizin
#8. Betrugsbekämpfung
#9. Verhaltensänderung
#10. Datenerhebung und -analyse

Haben Sie Fragen?
Alexander Safonov
Der Autor des Artikels

Der KI-Markt im Gesundheitswesen wurde im Jahr 2020 auf 8,23 Milliarden US-Dollar geschätzt und soll bis 2030 voraussichtlich 194,4 Milliarden US-Dollar erreichen und von 2021 bis 2030 mit einer jährlichen Wachstumsrate von 38,1 % wachsen. Gleichzeitig werden künstliche neuronale Netze zum Haupttreiber des Marktwachstums, denn dank ihnen kann der digitale „Geist“ so schnell und effizient lernen. In diesem Artikel beschreiben wir genau, wie künstliche neuronale Netze heute in der Medizin eingesetzt werden.

Roboterchirurgie

Chirurgische Eingriffe erfordern fundiertes medizinisches Wissen, hohe Präzision, die Fähigkeit, sich an veränderte Umstände anzupassen, und konstante Aufmerksamkeit über einen langen Zeitraum. Obwohl ausgebildete Chirurgen in der Regel all diese Eigenschaften besitzen, sind sie doch nur gewöhnliche Menschen und können daher Fehler machen, besonders wenn sie einen vollen Terminkalender haben. Nach Untersuchungen der Johns Hopkins University kommt es allein in den USA jährlich zu mehr als 4.000 Operationsfehlern . Beispielsweise hinterlässt ein Chirurg mindestens
39 Mal pro Woche Fremdkörper in Patienten, mehr als 20 Mal pro Woche führen Chirurgen die falsche Operation durch oder operieren das falsche Organ.

Smart Tissue Autonomous Robot or STAR is the first AI that has planned and performed soft-tissue surgery (pigs) without human intervention

Der Smart Tissue Autonomous Robot, oder STAR, ist die erste KI, die Weichteiloperationen (Schweine) ohne menschliches Eingreifen plant und durchführt. Quelle

Roboterchirurgie kann dieses Problem lindern. Insbesondere kann auf neuronalen Netzen basierende KI verwendet werden, um eine Operation zu simulieren und zu planen, die Fähigkeiten eines Chirurgen zu bewerten und chirurgische Aufgaben zu vereinfachen. Außerdem können Roboter mit mechanischen Armen chirurgische Eingriffe selbstständig durchführen, was diese Art von Service beschleunigen und die Kosten senken wird, sowie hochprofessionelle Operationen häufiger machen – ein cooler Chirurg wird wahrscheinlich nicht in armen Gegenden Afrikas leben wollen oder Asien, während ein Roboterchirurg in jedem Raum mit Strom aufgestellt werden kann.

Und das alles sind nicht nur Worte: Die Industrie der Roboterchirurgie wird bereits auf 40 Milliarden US-Dollar geschätzt und zeigt hervorragende Ergebnisse:

  • Künstliche neuronale Netze analysieren Daten aus präoperativen Krankenakten, um das Instrument des Chirurgen während der Operation zu führen, wodurch die Krankenhausaufenthalte von Patienten um 21 % oder mehr reduziert werden.
  • Eine Studie mit 379 orthopädischen Patienten ergab, dass ein neuronales Netzwerk-basiertes Roboterverfahren im Vergleich zu allein arbeitenden Chirurgen zu fünfmal weniger Komplikationen führte.
  • Herzchirurgen werden von einem Mini -Heartlander- Roboter unterstützt . Es wird in einen kleinen Schnitt in der Brust eingeführt, um eine stabile und lokalisierte Sondierung, Kartierung und Behandlung über die gesamte Oberfläche des Herzens durchzuführen. Seine Verwendung verringert den Schaden für den Patienten, wenn ein Zugang zum Herzen erforderlich ist.
  • Der autonome Operationsroboter Smart Tissue (STAR) führte unabhängig voneinander eine schwierige Aufgabe an Weichgeweben von Schweinen durch (Wiederverbinden der beiden Darmenden) und zeigte deutlich bessere Ergebnisse als menschliche Chirurgen.

Bildgebende Diagnostik

Bildgebung in der Medizin bezieht sich auf den Prozess der Erstellung visueller Darstellungen der inneren Strukturen des Körpers für klinische Analysen und medizinische Eingriffe sowie eine visuelle Darstellung der Funktionen bestimmter Organe oder Gewebe. Die Bildgebung verbessert die Diagnose bei der Verwendung von Röntgenstrahlen, Computertomographie, Mammographie, MRT, PET, Ultraschall und anderen Verfahren.

Die medizinische Gemeinschaft hat seit langem erkannt, dass die Bildgebung die Wahrscheinlichkeit einer Krankheitserkennung erheblich erhöhen kann. Doch oft kann selbst das geschulte menschliche Auge eines Arztes kleine Details in den Bildern nicht erkennen. Darüber hinaus sollten wir auch das Problem mit „verschwommenen“ Augen nicht vergessen: Forscher der Harvard University fügten Röntgenbildern ein Bild eines Gorillas hinzu und zeigten sie Ärzten - 83% der Radiologen bemerkten das Bild eines Gorillas nicht Röntgenstrahlen .

Only 2 doctors out of 10 noticed the gorilla in this picture.

Nur 2 von 10 Ärzten haben den Gorilla auf diesem Bild bemerkt.

Convolutional Neural Networks (CNNs) eignen sich hervorragend für die medizinische Bildgebung . CNNs wurden entwickelt, um Bilder zu verarbeiten, was bedeutet, dass sie laut Wissenschaftlern der Stanford University in der Medizin verwendet werden können, z. B. zur Analyse von MRT-Scans oder Röntgenbildern. Darüber hinaus übertreffen CNNs oft die menschliche Genauigkeit. Bei professionellen Dermatologen liegt die Genauigkeit bei der Erkennung von Melanomen beispielsweise zwischen 65 % und 85 %. Wohingegen Lösungen wie TensorFlow, scikit-learn oder keras eine Genauigkeit von 87 % bis 95 % aufweisen .

Neural networks are 10% more accurate at detecting melanomas than human dermatologists

Neuronale Netze sind bei der Erkennung von Melanomen um 10 % genauer als menschliche Dermatologen. Quelle.

Gleichzeitig arbeiten sie viel schneller als Menschen, ohne Mittagspausen und freie Tage: Forscher der Mount Sinai Icahn School of Medicine haben ein neuronales Netzwerk entwickelt, das wichtige neurologische Erkrankungen wie Schlaganfall und Hirnblutung 150-mal schneller diagnostizieren kann als menschliche Radiologen.

Hier sind einige weitere Beispiele für medizinische Bildgebung mit neuronalen Netzen:

  • Im Jahr 2019 verwendeten Forscher ein auf den Architekturen ResNet50 und InceptionV3 aufgebautes Convolutional Neural Network, um medizinische Bildsätze und Dermatoskopie zu analysieren. Diese Lösung bot die gleiche Genauigkeit wie professionelle Humandiagnostiker.
  • Eines der Früherkennungsinstrumente für Brustkrebs, das vom Houston Medical Research Institute entwickelt wurde, interpretiert Mammogramme mit einer Genauigkeit von 99 % und liefert diagnostische Informationen 30-mal schneller als ein Mensch.
  • Eine Gruppe chinesischer Forscher hat ein neuronales Netzwerksystem entwickelt , um Röntgenbilder auf frühe Anzeichen einer durch COVID-19 verursachten Lungenentzündung zu analysieren. Dieses Tool spart Ärzten bis zu 40 % Diagnosezeit und ermöglicht ihnen, ansteckende Patienten schneller zu identifizieren, zu isolieren und zu behandeln.
  • wissenschaftliches Team aus Spanien hat einen Deep-Learning-Algorithmus entwickelt, der auf einem neuronalen Netzwerk basiert, um die Auflösung der MRT zu verbessern. Es hilft , komplexe Pathologien im Zusammenhang mit dem Gehirn zu identifizieren , darunter Krebs, Sprachstörungen und körperliche Verletzungen.
  • Facebook AI (jetzt Meta) und NYU Langone Health haben eine KI namens fastMRI entwickelt. Es bietet einen neuen Ansatz zur Erstellung von MRT-Bildern, der den Scanvorgang um das Vierfache beschleunigt. Als solche Bilder Radiologen zur Verfügung gestellt wurden, konnten sie den Unterschied zwischen einem herkömmlichen Scan und einem mit fastMRI erstellten Scan nicht erkennen.

Virtuelle Pflegeassistenten

Eine weitere Sache, bei der neuronale Netze helfen können, ist die Interaktion mit Patienten bei Dingen wie Patientenanfragen, Verwaltung sensibler Gesundheitsinformationen von Patienten, Terminvereinbarung mit Ärzten, Versendung von Testberichten, Erinnerungen an Arzttermine und mehr. Die Übertragung dieser Aufgaben auf KI könnte allein im US-Gesundheitsmarkt jährlich 20 Milliarden US-Dollar einsparen.

Virtuelle Pflegeassistenten wie Care Angel können einen ersten Termin vereinbaren, einen Krankenhausbesuch vereinbaren, Krankenakten teilweise pflegen, Testergebnisse melden und sogar einen Gesundheitscheck per Sprache durchführen. Ein weiteres Beispiel für eine ähnliche Lösung ist Sensely. Dieser virtuelle Assistent ist eine interaktive Anwendung, die entwickelt wurde, um den medizinischen Arbeitsablauf zu rationalisieren, Routineprozesse zu automatisieren und die Kosten für die Überwachung der Patientenversorgung zu senken. Studien zeigen, dass die Verwendung von Sensely die Arbeitskosten für die Patientenüberwachung im Vergleich zu einem herkömmlichen Verfahren um 66 % senken kann.

Workflow und Verwaltungsaufgaben

Eine Umfrage des New England Journal of Medicine (NEJM) unter britischen Ärzten ergab, dass mehr als 80 % der Befragten Burnout bei Ärzten als Problem in ihrer Organisation ansehen. Gleichzeitig gab die Hälfte dieser Befragten an, dass die „Entlastung administrativer Aufgaben“ dieses Problem ganz oder teilweise lösen kann, sodass Ärzte mehr Zeit mit Patienten verbringen und mehr Zeit für die berufliche Weiterbildung aufwenden können. Und vor allem Beschwerden über die Notwendigkeit, elektronische Patientenakten (EHR) von Patienten zu führen, die viele Krankenhäuser auf der ganzen Welt aufsuchen.

The prevalence of burnout among medical personnel in the United States

Wie häufig ist Burnout bei medizinischem Personal in den USA? Quelle.

Künstliche Intelligenz auf Basis neuronaler Netze kann einen erheblichen Teil der routinemäßigen Büroarbeit beim Ausfüllen von Dokumenten und Berichten übernehmen, wodurch bis zu 18 Milliarden US-Dollar im Gesundheitswesen eingespart werden. Ein Sprache-zu-Text-Transkriptionsalgorithmus kann Ihnen beispielsweise dabei helfen, eine elektronische Patientenakte auszufüllen, Tests zu bestellen, Medikamente zu verschreiben, Notizen zu machen und andere Dinge mit Ihrer Stimme während einer Patientenuntersuchung zu machen.

Ein Beispiel für eine solche Lösung ist Olive, eine KI-gestützte Plattform, die mehrere Verwaltungsprozesse automatisiert, z. B. die Validierung unbegründeter medizinischer Ansprüche, die Übermittlung notwendiger medizinischer Daten an die entsprechenden medizinischen Fachkräfte usw. Olive lässt sich problemlos in bestehende Softwaretools für das Gesundheitswesen integrieren.

Ähnliche Dienstleistungen werden von K2 Process Automation angeboten. Diese Plattform nutzt künstliche Intelligenz, um die Verwaltung medizinischer Einrichtungen und ihrer Mitarbeiter zu optimieren. Insbesondere kann AI K2 Daten in der Patientenakte automatisch aktualisieren, Patientenanfragen bearbeiten, indem sie ihnen Benachrichtigungen senden, wenn sie Testergebnisse erhalten, Anrufe protokollieren und Informationen entsprechend speichern.

Vorhersage von Ausbrüchen von Infektionskrankheiten

Ende Dezember 2021 prognostizierte die Plattform BlueDot den Ausbruch des Coronavirus in China. Die künstliche Intelligenz von BlueDot, die Nachrichten in 65 Sprachen, Gespräche von Menschen in sozialen Netzwerken und Berichte über die Krankheit untersucht hatte, meldete eine Woche früher als die Weltgesundheitsorganisation (WHO) einen Ausbruch einer neuen grippeähnlichen Infektion. Und dies ist nicht der erste derartige Fall. Zuvor hatte BlueDot einen Ausbruch des Zika-Virus in Florida im Jahr 2016 vorhergesagt, sechs Monate bevor es passierte. Noch früher sagte BlueDot den Ebola-Ausbruch 2014 und seine Ausbreitung über Afrika hinaus voraus.

Ein weiteres Startup, das seine Fähigkeit bewiesen hat, den Ausbruch von Infektionskrankheiten vorherzusagen, ist Metabiota. Laut TechCrunch hat die Plattform dazu beigetragen, die Ausbreitung von Ebola in Sierra Leone zu stoppen.

The HealthMap neural network managed to catch CoVID-19 when Wuhan doctors first started discussing the strange disease on the ProMED-mail site. Any Internet user can use that site's data.

Das neuronale Netzwerk HealthMap konnte CoVID-19 erkennen, als Ärzte in Wuhan gerade begannen, die seltsame Krankheit auf der ProMED-Mail-Website zu diskutieren. Jeder Internetnutzer kann die Daten dieser Seite verwenden. Quelle.

Entwicklung von Medikamenten und neuen Behandlungen

Im Jahr 2015, während des Ebola-Ausbruchs in Westafrika, nutzte das amerikanische Pharmaunternehmen Atomwise mithilfe künstlicher Intelligenz eine Partnerschaft mit IBM, um Verbindungen zu untersuchen, die an ein Glykoprotein binden können, das verhindert, dass Ebola in Zellen im Körper eindringt. Diese Analyse wurde vom neuronalen Netzwerk Atomwise in weniger als einem Tag durchgeführt, obwohl dieser Prozess normalerweise Monate oder sogar Jahre dauert.

Dies war das erste Mal, dass KI den Arzneimittelentwicklungsprozess so stark beschleunigt hat. In weiteren 5 Jahren werden die USA das erste Medikament zulassen, das fast vollständig von KI entwickelt wurde, das Medikament DSP-1181 zur Behandlung von Zwangsstörungen. Dieses Medikament wurde von Exscientia entwickelt und dauerte laut Management nur 12 Monate.

Aber dieser Zeitraum ist nicht die Grenze. Insilico Medicin behauptet, dass ihre KI, GENTRL, in der Lage ist, in nur 3 Wochen neue Medikamente gegen bestimmte Pathologien zu entwickeln. Es dauert ungefähr 25 weitere Tage, um die beste Option auszuwählen und zu testen. Somit dauert es nur 46 Tage, um Medikamente mit GENTRL herzustellen.

Das ehrgeizigste Projekt in diese Richtung ist jedoch Deep Genomics. Dieses Unternehmen entwickelt eine KI namens Project Saturn, um neue Methoden zur Beseitigung der Auswirkungen genetischer Mutationen zu entdecken. Deep Genomics hat bereits 69 Milliarden Oligonukleotidmoleküle im Vergleich zu 1 Million In-Silico-Targets bewertet, um eine Bibliothek mit 1.000 Verbindungen zu erstellen, die experimentell validiert wurden, um die Zellbiologie wie beabsichtigt zu manipulieren.

Personalisierte Medizin

Ein weiterer ressourcenintensiver Bereich im Gesundheitswesen, in dem künstliche neuronale Netze nützlich sein können, ist die personalisierte Medizin. Tatsache ist, dass jeder Behandlungsfall einzigartig ist, da jede Person eine einzigartige Immunität, Krankengeschichte und aktuellen Gesundheitszustand hat. Und all dies muss für eine maximale Wirksamkeit der Behandlung berücksichtigt werden. Aber erstens kann der Arzt nicht immer alle Nuancen im Zustand des Patienten erkennen, und zweitens verfügt der Arzt nicht über die notwendige Kompetenz, um unter Berücksichtigung all dieser Nuancen eine umfassende Entscheidung über die Erstellung des effektivsten Behandlungsplans zu treffen - dafür Sie müssen das tiefste Wissen in allen Bereichen der Medizin haben, was unrealistisch ist.

Aber es steht unter der Macht der künstlichen Intelligenz. Er ist in der Lage, riesige Datenmengen zu studieren und zu analysieren und eine Entscheidung zu treffen, die alle verfügbaren Daten sowohl zum Zustand des Patienten als auch zu seinen Behandlungsoptionen berücksichtigt. Bisher gibt es nicht viele solcher Projekte (sie sind zu komplex und erfordern riesige Mengen hochwertiger medizinischer Daten). Doch erste Erfolge in diese Richtung gibt es bereits: AI Merative von IBM (ehemals Watson Oncology) soll speziell solche Probleme lösen.

Betrugsbekämpfung

Ein weiteres großes Problem im Gesundheitswesen ist Betrug. Gefälschte Medikamente, Versicherungsbetrug und minderwertige, illegale und vorsätzlich unwirksame medizinische Dienstleistungen schaden der Branche ebenso wie gefälschte, minderwertige klinische Forschung. Allein in den USA kostet Betrug im Gesundheitswesen nach vorsichtigen Schätzungen das Land etwa 68 Milliarden Dollar pro Jahr, was 3 % der gesamten Gesundheitsausgaben des Landes entspricht.

Auch künstliche Intelligenz auf Basis neuronaler Netze kann mit diesem Problem fertig werden. Beispielsweise verfügt das Medizinunternehmen Aetna über etwa 350 neuronale Netzwerkmodelle für Sicherheit und Betrugsschutz. Highmark Inc hat auch ein eigenes NN zur Betrugsbekämpfung, und nach Angaben des Unternehmens hat sein Produkt für neuronale Netzwerke dem Unternehmen bereits geholfen, 245 Millionen US-Dollar einzusparen .

Verhaltensänderung

Wie oft haben Sie es versäumt, Ihre Medikamente einzunehmen, Ihre ärztliche Untersuchung vergessen oder ignoriert? Umfragen zeigen, dass dies ein sehr häufiges Problem ist und Ärzte wenig oder gar keine Kontrolle darüber haben. Darüber hinaus verschärfen Anweisungen und Kritik am Verhalten von Patienten durch Ärzte das Problem nur, da Patienten sich für ihre Krankheiten schämen und einfach nicht mehr ins Krankenhaus gehen.

Aber verschiedene Gadgets und Anwendungen, die das Verhalten der Menschen korrigieren, können dabei helfen. Das offensichtlichste Beispiel sind Fitnessarmbänder und Smartwatches, die helfen, Ziele zu setzen (z. B. 4 Kilometer pro Tag zu gehen) und deren Erreichung zu verfolgen sowie an Vorsorgeuntersuchungen und die Notwendigkeit körperlicher Aktivität zu erinnern. Anspruchsvollere Apps wie Somatix verfolgen die täglichen Aktivitäten eines Patienten und weisen auf seine Gewohnheiten und Routinen hin, damit er sich darauf konzentrieren kann, sie loszuwerden und zu heilen.

Somatix integrates easily with smart gadgets that track patient activity to adjust the patient's behavior.

Somatix lässt sich leicht in intelligente Geräte integrieren, die die Patientenaktivität verfolgen, um das Patientenverhalten zu korrigieren. Quelle.

Vergessen Sie auch nicht die verschiedenen Anwendungen, um schlechte Gewohnheiten zu beseitigen und gute Gewohnheiten zu schaffen. Sie schaffen die „Fremdkontrolle“, die der Patient braucht, was oft ein wirksamerer Motivator ist als der Rat von Ärzten, Bitten oder gar Drohungen von Angehörigen. Gleichzeitig sind solche Anwendungen besonders effektiv, wenn sie Elemente der Gamification verwenden – die Verwendung von Spielpraktiken (Auszeichnungen, Erfolge, Belohnungen, Levels, Kontowachstum) in einem Nicht-Gaming-Kontext.

Datenerhebung und -analyse

Last but not least steht die Erhebung und Analyse hochwertiger medizinischer Daten auf unserer Liste. Und das ist nicht nur die Erhebung der Krankengeschichte des Patienten, sondern auch diverser damit zusammenhängender Daten, angefangen damit, wo der Patient arbeitet und wie oft er ins Fitnessstudio geht, bis hin zu welchen Filmen er sich ansieht und was er isst – im Idealfall sollte all dies der Fall sein auch bei der Erstellung des Behandlungsplans berücksichtigt werden.

Das Problem ist, dass das Sammeln solcher Daten sehr schwierig und kostspielig ist. Die Leute möchten nicht jeden Kauf, Lauf oder Horrorfilm, den sie sich ansehen, melden. Aber das können Plattformen leisten, die auf künstlicher Intelligenz basieren. Wenn eine solche Lösung mit einem Smartphone, einer Smartwatch, einem Kühlschrank, Online-Banking und anderen Quellen integriert ist, wird künstliche Intelligenz solche Statistiken für jeden Patienten automatisch und vertraulich sammeln.

Beispiele für solche Lösungen gibt es viele. Zum Beispiel ein Gadget von Current Health mit künstlicher Intelligenz zur medizinischen Überwachung des Zustands einer Person. Dieses tragbare Gerät war eines der ersten, das die Zulassung der US Food and Drug Administration (FDA) für den Heimgebrauch erhielt. Das Gerät kann Herzfrequenz, Atmung, Sauerstoffsättigung, Temperatur und Mobilität von Patienten messen, um diese Daten dem Arzt bereitzustellen, der dem Patienten Empfehlungen gibt.

Current Health allows healthcare organizations to personalize and scale the way they provide home health care with a single, flexible solution

Current Health ermöglicht es Gesundheitsorganisationen, die Art und Weise, wie sie ihre Gesundheitsversorgung zu Hause erbringen, mit einer einzigen, flexiblen Lösung zu personalisieren und zu skalieren. Quelle.

Ein beliebteres Beispiel ist die Apple Watch, die neben den Current Health-Funktionen auch Elektrokardiogramme (EKGs) aufnehmen und Nachrichten an das nächste Krankenhaus, Verwandte oder Freunde senden kann, wenn die Uhr einen Sturz oder eine unregelmäßige Herzfrequenz erkennt – diese Funktionen haben mehr als einer Person das Leben gerettet.

Feedback von unseren Kunden

Entwicklung eines komplexen Ökosystems auf Basis der Blockchain-Technologie.

Hast du eine Frage?

Ihre name *
Ihre E-Mail *
Ihre Telefonnummer
Botschaft
 

Hast du Fragen? Sie können uns schreiben.

Telegram

Seit 2015 bringen wir Ihre Idee in das Qualitätsprodukt ein.

Abonniere unseren Newsletter