Im Bereich der Radiologie zum Beispiel, die schon heute von der crosssektoralen Zusammenarbeit mit anderen Disziplinen und einem engen Austausch ambulanter und stationärer Versorgung lebt, ergibt sich eine immer größer werdende Diskrepanz zwischen der Zahl radiologisch geschulter Ärzte und dem steigenden Bedarf bildgebender Diagnostik. Die daraus resultierende Datenflut lässt die Anforderungen an Arbeitseffizienz und Produktivität wachsen und macht es notwendig, den Arzt bei der Entscheidungsfindung mithilfe von KI zu unterstützen.

Diagnostische Fehler können gering gehalten werden

Trotz der kurzen Interpretationszeit und der immer komplexer und hochauflösenderen Bilder, können so diagnostische Fehler gering gehalten werden, da man die verfügbaren Daten mithilfe von computergestützten Verarbeitungsprogrammen interpretieren kann. Die gewonnenen klinisch relevanten Informationen („Radiomics“) können dann bei komplizierten Befunden, wie beispielweise einem schwer erkennbaren Thorax-CT, verwendet werden und dem Arzt helfen.

Anhand des Beispiels ist erkennbar, dass maschinelles Lernen und KI-Algorithmen einen immer wichtigeren Bestandteil der Bildanalyse und der gesamten Diagnostik darstellen. Damit verbunden werden wir eine Neuordnung ambulanter und stationärer Diagnostik und Therapie sehen. Hier gilt es, frühzeitig geeignete Zusammenarbeitsstrukturen, ein innovatives Qualitätsmanagement und passende Vergütungsmodelle zu entwickeln.

Risiko-Scores

In der Diagnostik können durch personalisierten, standardisierten und quantitativen Einsatz künstlicher Intelligenz Fehler bei der Befundung weiter verringert und eine präzisere Interpretation erleichtert werden. Auch die Risiko-Scores können durch die Hilfe der KI bei chronischen Krankheiten verwendet werden. Laut dem Radiologen Keith Dreyer wird diese Technologie den Arzt aber nicht ersetzen, sondern diesen unterstützen und dadurch die Qualität, Effizienz und Ergebnisse verbessern.

Auch beim Umgang mit dem Patienten sind diese Möglichkeiten einsetzbar, da man ihm so leichter Erkrankungen und Krankheitsrisiken visuell aufzeigen kann. In der Kardiologie könnten sich zudem KI-basierte Bildanalysen durchsetzen, die reproduzierbare Messungen unterschiedlicher Merkmale durchführen können und diese nicht nur bildlich, sondern auch textlich bearbeiten.