In der Integrierten Versorgung kann dies zu einer gesteigerten Produktivität und zu einer datengetriebenen Arbeitswelt führen.KI eröffnet neue Möglichkeiten, um präzisere Befunde und prognostisch aussagekräftige Risiko-Scores zu erstellen. Mit den nachfolgenden Ausführungen möchte die Deutsche Gesellschaft für Integrierte Versorgung e.V. (DGIV) auf die Notwendigkeit hinweisen, auch die zunächst technisch anmutende Diskussion für die Weiterentwicklung der Integrierten Versorgung in Deutschland zu nutzen.

In den letzten Jahren hat sich KI immer weiter verbreitet und die Einsatzgebiete reichen inzwischen von der Spracherkennung bei Smartphones bis hin zu humanoiden Robotern. Es handelt sich dabei meist um Computerprogramme, die die kognitiven Fähigkeiten eines Menschen nachahmen können und lernfähig sind. Für die Medizin ist besonders das „Deep Learning“ interessant, welches auf einem künstlichen neuronalen Netz beruht und dadurch neue Möglichkeiten z. B. für die medizinische Bildgebung schafft.

„Deep Learning“

Dabei werden diesem Netz zuerst ausgewählte Datensätze eingelesen, anschließend an die Zwischenschichten weitergegeben und dort verarbeitet und als Letztes wird ein Ergebnis errechnet.

Sollte dies vom tatsächlichen Output abweichen („Ground Truth“), verändert sich das Netz, bis es sich dem richtigen Ergebnis in mehreren Schritten annähert und schlussendlich neue Bilddaten mit hoher Wahrscheinlichkeit richtig interpretieren kann. „Deep Learning“ ist eine bahnbrechende Technologie, die im Zusammenspiel mit der Verfügbarkeit von schnelleren Prozessoren und höherer Leistung eine bessere Bildgebung ermöglicht.

Deep Convolutional Neural Network

Eine Sonderform künstlicher neuronaler Netze, die sich in der Bilderkennung etabliert hat, ist das sogenannte „Deep Convolutional Neural Network“. Dabei extrahiert das künstliche Gehirn aus den Daten zuerst Bildmerkmale (z. B. Ecken und Schatten) und in mehreren Schritten schließt das Netz selbstständig auf umfangreiche Bildmuster und Objekte. Der Prozess ist inzwischen so ausgereift, dass Fehler nur noch mit einer Wahrscheinlichkeit von wenigen Prozent auftreten. In naher Zukunft werden Algorithmen und Netze daher die klinische Diagnostik grundlegend transformieren.