Was ist maschinelles Lernen? Sind wir im Gesundheitswesen bereit für künstliche Intelligenz?

Mit der Erfindung des Computers und seiner Entwicklung zu einem unverzichtbaren Teil unseres Lebens begannen Menschen, über folgende Fragen nachzudenken: Wie intelligent kann ein Computer sein? Ist künstliche Intelligenz möglich? Wie können wir Computer dazu bringen, selbstständig zu lernen? Daraus entstand die Frage: Was bedeutet Lernen für eine Maschine? 1959 erklärte Arthur Samuel, Computer könnten unabhängig von ihrer Programmierung Lernfähigkeiten entwickeln, und entwickelte ein Damespiel. Was dieses Spiel von anderen unterschied, war, dass es aus seinen früheren Zügen lernte und sich dadurch verbesserte.

Was ist maschinelles Lernen (Machine Learning)?

Maschinelles Lernen (machine learning) bedeutet, dass Computer oder entwickelte Geräte mit künstlicher Intelligenz durch das Zusammenwirken verschiedener Disziplinen wie Statistik, Informationstheorie, Algorithmen und Funktionalanalyse aus vorhandenen Daten Schlussfolgerungen ziehen. Heute wird maschinelles Lernen etwa bei Sprach- und Gesichtserkennung, Suchanalysen in autonomen Fahrzeugen, Data Mining und medizinischen Anwendungen eingesetzt.

Wie weit sind wir beim maschinellen Lernen?

Im von der Forschungsgruppe Gartner, die Technologietrends analysiert, erstellten Hype-Zyklus für aufkommende Technologien sehen wir maschinelles Lernen in der als Gipfel der Erwartungen bezeichneten Phase „The peak of expectations“. Die früher an diesem Punkt befindlichen 3-dimensionalen Drucker sind heute sehr leicht verfügbar und entwickeln sich schnell weiter. Ähnlich werden wir in naher Zukunft häufiger mit maschinellem Lernen zu tun haben.

Die auf einen Wandel im Gesundheitswesen ausgerichteten, von persönlicher Genomik und Biosensordaten bis zu elektronischen Gesundheitsakten (ESK) und Krankenversicherungsanträgen reichenden großen Datenmengen (big data) kennen wir inzwischen alle. Durch die Nutzung dieser Daten kann maschinelles Lernen uns verschiedene Analysen liefern und unterstützende Prognosen erstellen. Im Gesundheitswesen werden diese als Entscheidungsunterstützungssysteme bezeichnet. Verschiedene Prognosen im Gesundheitssektor zu erstellen, ist jedoch nichts Neues (beispielsweise die APACHE-Klassifikation zur Vorhersage des Verlaufs und Sterberisikos bei Intensivpatienten oder der ASCVD-Risikorechner zur Abschätzung des Bedarfs an cholesterinsenkenden Medikamenten). Mithilfe maschinellen Lernens und klinischer Daten können Prognosemodelle für Tausende ähnliche klinische Probleme erstellt werden.

Künstliche Intelligenz hat es im Gesundheitswesen nicht leicht

Beim Projekt Google Flu , das Epidemien weltweit vorhersagen und verfolgen sollte, erwiesen sich Enttäuschungen bei der Datenanalyse als Hauptgrund für das Scheitern. Tatsächlich bestehen derzeit erhebliche Probleme bei der Übertragung und Verarbeitung von Gesundheitsdaten. Während beispielsweise die traditionellen Methoden der Patientenregistrierung umfassende Daten lieferten, sehen wir heute stärker eingeschränkte Patientendatenquellen (Schwierigkeiten, bestimmte vorgegebene Muster einzuhalten).

Anwendungen maschinellen Lernens im Gesundheitswesen finden sich in vielen Bereichen, von der Krankheitsdiagnose und personalisierten Behandlung bis zur Arzneimittelentdeckung und Radiologie. Das größte Hindernis seiner Entwicklung sind die Standardisierung und Verwaltung der Daten. Damit dieser Technologietrend, der sich laut Hype-Zyklus auf dem Gipfel der Erwartungen befindet, schneller und wirksamer von der 3., als „Tal der Enttäuschungen“ bezeichneten Phase zur 4., dem „Anstieg der Erleuchtung“, gelangen kann, müssen frühere Fehler erkannt werden. Für das Gesundheitswesen müssen Anwendungen elektronischer Gesundheitsakten effizienter und für maschinelles Lernen wirksamer gestaltet werden.