Künstliche Intelligenz (KI) und maschinelles Lernen – die Generierung von Wissen über selbstlernende Algorithmen – haben sich in einigen Branchen inzwischen verbreitet. Auch im Gesundheitswesen setzen sie sich nun verstärkt durch. Was leistet KI – und was setzt sie voraus? Dieses Thema stand bei der HIMSS 2018 mit oben auf der Tagesordnung.
Die Entwicklung und die Anwendung von KI fanden über Jahrzehnte wenig Resonanz im Markt – zu groß war die Diskrepanz zwischen Nutzenversprechen und Wirklichkeit. „Weshalb stößt KI heute auf ein so starkes Interesse?“, fragte Pamela Peele sich und das Kongresspublikum in Orlando. Sie arbeitet als Chief Analytics Officer bei der Krankenversicherung des University of Pittsburgh Medical Center (UPMC) sowie beim Technologietransferunternehmen und Inkubator UPMC Enterprises. Und die Rednerin gab selbst die Antwort: „Weil wir jetzt leistungsfähige Algorithmen besitzen sowie Unmengen an Daten und die Fähigkeit, diese IT-gestützt zu verarbeiten. Die Gemengelage passt.“. [1]
Entscheidend für die Einlösung der Versprechen ist die Verfügbarkeit großer Mengen an Daten. Ausschlaggebend hierbei ist wiederum, dass diese Daten von der hohen Qualität sind, die die Algorithmen für das automatische Lernen voraussetzen. In vielen Unternehmen sind Daten allerdings nicht an einem zentralen Ort oder in einem nutzbaren Format vorhanden oder sie enthalten Verzerrungen, die zu Fehlentscheidungen führen können. Organisationen, die sich auf einen effektiven Einsatz von KI und Machine Learning vorbereiten wollen, müssen daher zunächst die vorhandenen Informationssysteme und Datenströme bewerten, um die Bereiche, die sich für die Automatisierung eignen, zu identifizieren und von jenen zu unterscheiden, in denen weitere Investitionen erforderlich sind. [2]
Jede Branche erfordert eine solche Bewertung. So steht dem Einsatz von KI im Gesundheitswesen beispielsweise die Haltung von Daten in Silos auf Fachgebietsebene innerhalb und außerhalb der Organisationen entgegen. Eine weitere große Herausforderung insbesondere im klinischen Bereich besteht darin, dass die Daten oft komplex und unstrukturiert sind – was sich nachteilig auf den Einsatz von Machine Learning auswirkt.
Dick Daniels, CIO des Kostenträger- und Leistungserbringerkonzerns Kaiser Permanente, erklärte im Magazin CIO, dass KI „die einzige Technologie ist, die eine drastische Veränderung bewirken könnte“, da sie große Datenmengen schnell verarbeiten und in brauchbare Informationen für klinische Entscheidungen umwandeln kann. [3] Er spricht hiermit ein Schlüsselkriterium an: Systeme für KI und Machine Learning müssen kontinuierlich und schnell ein hohes Volumen an Gesundheitsdaten einspeisen. Hierfür stellen die richtige Infrastruktur, die geeigneten Prozesse und eine durchdachte Datenstrategie die Voraussetzung dar.
Wie kann eine Datenstrategie für KI und Machine Learning aussehen?
Unternehmen, die ihren Erfolg mit diesen Technologien maximieren wollen, kommen um eine Investition in Datenmanagementtechnologien nicht herum. Die Anforderungen der komplexen Systeme unterscheiden sich dabei von herkömmlichen Business-Intelligence-Anwendungen: Im KI-Kontext geht es um das schnelle Laden von Daten aus allen Quellen.
Dabei sollten Unternehmen auf Datenmanagementtechnologien setzen, die die Prinzipien der Third Platform von IDCunterstützen. Third-Platform-Ansätze ermöglichen es Unternehmen, die digitale Transformation zu beschleunigen – was im Gesundheitswesen aus Gründen der Qualität und Wirtschaftlichkeit dringend benötigt wird. Diese Technologien sind in vier Bereichen verankert: „Big Data & Analytics, Cloud, Mobile und Social“. KI und Machine Learning sind laut IDC Teil einer Fourth Platform für digitale Transformation. Es erscheint sinnvoll, auf Third-Platform-Technologien aufzubauen, um eine Fourth-Platform-Technologie erfolgreich zu realisieren.
Neben dem passenden Technologiemix sollten Unternehmen ihre Informationsbestände und -ströme mit Blick auf die Informationslogistik untersuchen, die die „Informationsfabrik“ speist. Betrachten wir KI und Machine Learning vereinfacht als hungrige Algorithmen – ähnlich einem Produktionsfließband, das kontinuierlich Input benötigt, um die Herstellung von Produkten zu ermöglichen. Die Ziele der Informationslogistik ähneln damit jenen der physischen Logistik: das richtige Produkt (Information) im richtigen Format zur richtigen Zeit am richtigen Ort für die richtigen Personen – im Fall von KI und Machine Learning also für die richtigen Algorithmen.
Was sind die Voraussetzungen für erfolgreiche KI-Programme im Gesundheitswesen?
Chris DeRienzo, Chief Quality Officer des Leistungserbringerkonzerns Mission Health in Asheville, North Carolina, gibt einen sehr guten Überblick über die Kernelemente einer erfolgreichen KI-Implementierung.
[4] Er benennt dabei die verschiedenen Komponenten, die erforderlich sind, um jene Art von kontinuierlicher Verbesserung zu schaffen, die für den erfolgreichen Einsatz von KI und Machine Learning notwendig ist. Die meisten von ihnen haben mehr mit Menschen zu tun als mit Technologie. Die Schlüsselkomponenten sind:
- zuverlässige Daten als Grundvoraussetzung.
- ein starkes Führungsteam mit einem ausgeprägten unternehmerischen und klinischen Verständnis, sprich eine partnerschaftliche Zusammenarbeit zwischen Medizin, Pflege und Verwaltung.
- zur Unterstützung der Kliniker: Ingenieure mit klinischem Wissen aus der Leistungserbringung oder Prozesswissen aus der Fertigungsindustrie.
- Businessanalysten, die Daten visualisieren und anpassungsfähige Prozesse in klinische Workflows integrieren können.
- Unterstützung hinsichtlich der klinischen Praxis von renommierten Experten mit einem Commitment zur Verbesserung der Versorgung.
Nur einer dieser fünf Punkte betrifft also tatsächlich die Technologie, nämlich die verlässlichen Daten. Die Bereinigung von Daten ist eine enorme – und enorm wichtige – Aufgabe im Rahmen der Etablierung einer Datenstrategie, sowohl im Hinblick auf das Datenmanagement als auch bei der Strategieumsetzung in die Praxis.
Erst wenn Gesundheitseinrichtungen die richtigen Technologien, die geeigneten Teams und die passenden Elemente der Prozessanalyse installiert haben, können KI- und Machine-Learning-Programme den Erfolg erzielen, den uns der Hype um diese Technologien verspricht.
„Ich setze mich mit ganzer Kraft ein, und ich denke, das ist alles, was ein verantwortungsbewusstes Wesen tun kann.“ – HAL 9000 in 2001: Odyssee im Weltraum
Zuerst veröffentlicht am 13. April 2018 auf HealthcareITNews.com. Gekürzt und adaptiert für den deutschsprachigen Markt.
[1] Sutner, Shaun. „HIMSS 2018 Focuses on AI in Healthcare.“ SearchHealthIT, 28. Febr. 2018, searchhealthit.techtarget.com/news/252435933/HIMSS-2018-focuses-on-AI-in-healthcare.
[2] Noga, Dan; Wellers, Timo; Elliott, Markus. „8 Ways Machine Learning Is Improving Companies’ Work Processes.“ Harvard Business Review, 7. Juni 2017, hbr.org/2017/05/8-ways-machine-learning-is-improving-companies-work-processes.
[3] Sweeney, Evan. „Plenty of Buzz for AI in Healthcare, but Are Any Systems Actually Using It?“ Fierce Healthcare, 11. Mai 2017, www.fiercehealthcare.com/analytics/plenty-buzz-for-ai-healthcare-but-anyone-actually-using-it.
[4] Miliard, Mike. „What Does a Successful AI and Analytics Program Look like?“ Healthcare IT News, HIMSS Media, 12. Febr. 2018, www.healthcareitnews.com/news/what-does-successful-ai-and-analytics-program-look?
