K√ľnstliche Intelligenz im Gesundheitssystem

K√ľnstliche Intelligenz im Gesundheitssystem

Gesundheitssysteme auf der ganzen Welt stehen vor √§hnlichen Herausforderungen: steigende Kosten, ein Mangel an qualifiziertem Personal, ausufernde B√ľrokratie und eine alternde Bev√∂lkerung.

KI BERATUNG VON MF ROCKET

Eine valide KI-Strategie generiert heute schon konkrete Business-Mehrwerte. Mit der KI-Beratung von MF Rocket K√ľnstliche Intelligenz jetzt optimal nutzen!

In diesem Teil

K√ľnstliche Intelligenz im Gesundheitssystem

Einerseits werden Patientenakten immer noch √ľberwiegend auf Papier gef√ľhrt, aber Diagnosedaten aus Laboren, bildgebende Verfahren und pers√∂nliche Fitness- und Gesundheits-Apps und Wearables bilden einen gro√üen digitalen Datenpool, den k√ľnstliche Intelligenz analysieren kann.

Die Anwendungen von maschinellem und tiefem Lernen im Gesundheitswesen sind vielf√§ltig und beginnen bei pers√∂nlichen und individuellen Gesundheitspl√§nen, die vor allem in den Industrienationen der Schadensbegrenzung dienen. K√ľnstliche Intelligenz h√§lt Einzug in die Medizin und das Gesundheitswesen, einschlie√ülich Krankheitsdiagnose, -behandlung und -forschung.

Bildgebende Diagnostik mit KI

Ob Hautl√§sionen, Brustkrebs oder Darmkrebs – eine fr√ľhzeitige Erkennung erh√∂ht die Wahrscheinlichkeit des √úberlebens und der Heilung.

Ohne das geschulte Auge und die Erfahrung eines Radiologen/einer Radiologin, der/die R√∂ntgenbilder, MRT- und CT-Scans auswertet, w√§re die moderne Medizin nicht denkbar. Pathologen und Pathologeninnen untersuchen zum Beispiel Gewebe auf b√∂sartige Ver√§nderungen und geben bei Operationen h√§ufig R√ľckmeldung, ob es sich um einen Tumor handelt.

Gleichzeitig ist die Radiologie eines der lukrativsten und teuersten medizinischen Fachgebiete. Das Jahresgehalt eines Radiologen/einer Radiologin liegt in den USA bei mehr als 500.000 Dollar. Es gibt also gen√ľgend Anreize f√ľr Start-ups, Investoren und Medizintechnikhersteller, in k√ľnstliche Intelligenz in der diagnostischen Bildgebung zu investieren.

Mit einigem Erfolg:

  1. 2017 wurde CheXNet angek√ľndigt, ein neuronales Netzwerk mit 121 Schichten, das Lungenentz√ľndungen und andere Lungenkrankheiten zuverl√§ssiger erkennt als ein ausgebildeter Radiologe .
  2. 2018 demonstrierte ein ungarisches Forschungsteam ein CNN, das Brustkrebs in Mammogrammen mit einer Genauigkeit von 90 % erkennen und klassifizieren kann .
  3. Forscher/innen der University of Adelaide haben ein Deep CNN mit 172 Schichten und √ľber 1,4 Millionen Parametern entwickelt, das H√ľftfrakturen auf R√∂ntgenbildern mit der gleichen Genauigkeit wie menschliche Radiologen/innen erkennt .
  4. DeepRadiologyNet, ein von der University of California, Los Angeles, entwickeltes System, erkennt Pathologien in Kopf-CT-Scans mit einer deutlich geringeren Fehlerquote als menschliche Pathologen, die auf Kopf-CT spezialisiert sind.

Die Liste lie√üe sich endlos fortsetzen; Studien der Universit√§ten Wien, Heidelberg und Stanford zeigen, dass k√ľnstliche Intelligenz den Menschen in der bildgebenden Diagnostik im direkten Mensch-Maschine-Vergleich √ľbertrumpft.

Zurzeit sind die Systeme darauf ausgerichtet, √Ąrzte und Techniker in der Radiologie zu unterst√ľtzen, um schnellere Diagnosen zu erm√∂glichen und wertvolle Zeit f√ľr die Behandlung komplexer F√§lle freizusetzen.

Diagnostik allgemein mit KI

Das Stethoskop ist seit dem fr√ľhen neunzehnten Jahrhundert das Mittel der Wahl, um die Organe im Brustkorb schnell und minimalinvasiv abzuh√∂ren. Die Auskultation des Herzens kann einer der ersten Hinweise darauf sein, dass der wichtige Muskel n√§her untersucht werden muss.

 

Dabei wird die Eigenschaft von haupts√§chlich laminaren Fl√ľssigkeiten ausgenutzt, die Turbulenzger√§usche verursacht. Diese Ger√§usche k√∂nnen genutzt werden, um Krankheiten oder Ver√§nderungen in der Umgebung zu erkennen. Die Genauigkeit und der Erfolg dieses Verfahrens h√§ngt, wie vieles in der Medizin, von der Erfahrung des Arztes ab, der pathologische Ger√§usche erkennen kann, auch wenn Puls, Atmung und Umgebung St√∂rger√§usche verursachen.

Laut einer Studie der Texas Tech University, die in Medical Devices: Evidence and Research ¬†im Jahr 2014 ver√∂ffentlicht wurde, waren nur 69 Prozent der √Ąrzte und Krankenschwestern, die an der Studie teilnahmen, in der Lage, Ger√§usche richtig zu erkennen.

In einer zweiten Studie aus dem Jahr 2018, die in PLOS ONE  veröffentlicht wurde, wurden Medizinstudenten und Lungenärzte gebeten, 24 Geräusche zu identifizieren, die mit pädiatrischen Atemwegserkrankungen in Verbindung stehen. Nur 24,1 Prozent der Studierenden und 36,5 Prozent der Lungenärzte konnten alle Geräusche der richtigen Ursache zuordnen.

Zwei Studenten der UC Berkeley versuchen, diese Probleme mit Hilfe k√ľnstlicher Intelligenz zu l√∂sen. Zu diesem Zweck haben sie das Stethoskop verbessert und EKGs mit einer und zwei Elektroden sowie verschiedene Deep-Learning-Systeme implementiert, um √Ąrzten und Krankenschwestern bei der Diagnose zu helfen, auch wenn kein erfahrener Kardiologe zur Verf√ľgung steht.

Die Stethoskope des Start-ups zeichnen Herzt√∂ne oder EKGs √ľber eingebaute Elektroden auf und senden diese Daten an einen Cloud-Dienst, wo neuronale Netzwerke die Daten analysieren und diagnostizieren. Die Ergebnisse werden sofort an den Arzt √ľbermittelt, der dann weitere diagnostische oder therapeutische Ma√ünahmen einleiten kann.

Zwei neuronale Netze analysieren die Audiodaten, eines zur Erkennung von Vorhofflimmern und das andere zur Erkennung von pathologischen Herzgeräuschen im Allgemeinen. Das System kann diskrete Geräusche, die auf eine beginnende Aortenstenose hinweisen, mit einer Sensitivität von 97,2 Prozent und einer Spezifität von 86,4 Prozent erkennen.

Ein drittes System kann sowohl Geräusche als auch EKG-Daten verarbeiten, um leichte Herzrhythmusstörungen wie Bradykardie oder Tachykardie oder ein zu langsam oder zu schnell schlagendes Herz zu erkennen.

Den Durchbruch und die FDA-Zulassung verdankt das Startup einem Algorithmus, der das QSR-Intervall in einem EKG auf asymptomatische linksventrikuläre Dysfunktion untersucht und diese mit einer Genauigkeit von 85,7 Prozent und einer Sensitivität von 86,3 Prozent erkennt, unabhängig von der Anzahl der Ableitungen.

Vorhersage des Krankheitsverlaufs mit KI

F√ľr √Ąrzte und Krankenschwestern ist es wichtig zu wissen, wie eine Krankheit fortschreiten wird. Je fr√ľher Ma√ünahmen ergriffen werden, desto besser ist die Prognose f√ľr die meisten Krankheiten und desto besser k√∂nnen die Therapien auf die individuellen Bed√ľrfnisse zugeschnitten werden.

Vorhersagen zu treffen, was als N√§chstes passieren wird, ist eine nat√ľrliche Anwendung des maschinellen Lernens, aber im Bereich der Patientendaten ist es eine gro√üe Herausforderung. Die Auswirkungen der verschiedenen Messungen sind stark kontextabh√§ngig. Die Aussagekraft einer Temperatur h√§ngt davon ab, ob sie oral oder achselh√∂hlenbezogen gemessen wurde. Da die Systeme verschiedener Anbieter verwendet werden, sind die Patientendaten zwischen den Krankenh√§usern h√§ufig nicht kompatibel.

Diese Probleme haben die Entwicklung von prädiktiven Systemen oder statistischen Modellen behindert, die genau vorhersagen können, wie sich der Krankheitsverlauf eines Patienten verändert und wann ein Eingriff notwendig ist und wann nicht.

FHIR, oder Fast Healthcare Interoperability Resources, ist ein Standard, der diese Probleme in Zukunft beseitigen soll. FHIR setzt auf Webtechnologien zur sicheren und schnellen √úbertragung von Daten, wie JSON oder XML. Google Health, die medizinische Abteilung der Suchmaschine, hat zu diesem Zweck Schnittstellenbeschreibungen in allen g√§ngigen Programmiersprachen erstellt, mit denen die Daten z. B. an den Cloud-Dienst Big Query von Google √ľbertragen werden k√∂nnen.

In Zusammenarbeit mit der UC San Francisco, Stanford Medicine und der University of Chicago Medicine wurde ein System aus rekurrenten und vorw√§rtsgerichteten neuronalen Netzen entwickelt, das auf der Grundlage von rohen und unverarbeiteten Patientendaten zuk√ľnftige Ergebnisse vorhersagen kann .

Das System soll drei Dinge vorhersagen: die Dauer des Krankenhausaufenthalts, die Sterblichkeit des Patienten während des Aufenthalts und ob der Patient nach seiner Entlassung wieder ins Krankenhaus eingewiesen wird.

Ver√∂ffentlichten Daten zufolge √ľbertreffen die entwickelten neuronalen Netze herk√∂mmliche Modelle wie die logistische Regression, was die Vorhersageleistung angeht.

Reine Blackbox-Modelle k√∂nnen nur schwer Vertrauen in Vorhersagen schaffen, vor allem wenn es um Entscheidungen geht, die das Leben von Menschen betreffen. Das vorgestellte System l√∂st dieses Problem, indem es die wichtigsten Parameter und Daten, die zu einer Vorhersage gef√ľhrt haben, deutlich hervorhebt, damit das medizinische Personal sie nachvollziehen kann.

ConsumerMedical will KI nutzen, um einzugreifen, bevor eine Behandlung beginnt. Unnötige medizinische Behandlungen kosten die Vereinigten Staaten jährlich 200 Milliarden Dollar  und setzen die Patienten den Risiken von Narkosen und Operationen aus.

ConsumerMedical hat f√ľnf Operationen identifiziert, die den Gro√üteil der unn√∂tigen Eingriffe ausmachen: H√ľft- und Kniegelenkersatz, Hysterektomien, bariatrische Operationen zur Gewichtsreduktion und Operationen im unteren R√ľckenbereich bei Schmerzsymptomen. Selbst wenn es keine eindeutige medizinische Indikation gibt, neigen Patienten dazu, gerade diese Operationen durchzuf√ľhren.

ConsumerMedical hat ein maschinelles Lernsystem entwickelt, um Patienten zu erreichen, die keinen medizinischen Grund f√ľr eine Operation haben, und sie √ľber nicht-invasive Alternativen zu informieren. Die Patienten haben nicht immer Zugang zu Informationen.

Nach Angaben von ConsumerMedical entscheiden sich bis zu 37% der Patienten gegen eine Operation, nachdem sie sich informiert haben. Das Unternehmen beabsichtigt, den Gesundheitszustand der Patienten im weiteren Verlauf zu √ľberwachen, um die Vorhersagemodelle kontinuierlich zu verbessern.

Eine zweite Anwendung zielt darauf ab, Krebspatienten an den erfahrensten Arzt und die beste klinische Einrichtung f√ľr ihre Krankheit zu vermitteln. Zu diesem Zweck analysiert das System Befunde, Diagnosen und Testergebnisse und vergleicht sie mit Datenbanken erfolgreicher Operationen bei dem jeweiligen Krankheitsbild, um eine Empfehlung auszusprechen, wo man den passenden Experten finden kann.

Pharmazeutische Entwicklung und Forschung mit KI

Die Entwicklung neuer pharmazeutischer Wirkstoffe ist ein zeitaufw√§ndiger und kostspieliger Prozess, der mit vielen R√ľckschl√§gen verbunden ist, um einen wirksamen neuen Wirkstoff auf den Markt zu bringen.

Derzeit wird nur eine von 10.000 erforschten Substanzen als Arzneimittel zugelassen. W√§hrend neue Wirkstoffe in den fr√ľhen Phasen der pharmazeutischen Entwicklung h√§ufig zuf√§llig entdeckt wurden, folgen neue Wirkstoffe heute einem mehr oder weniger festgelegten Weg von der Forschung √ľber die klinische Pr√ľfung bis zur Zulassung:

 

  1. Bestimmung der Krankheit von Interesse

Zu Beginn des Forschungsprojekts muss eine Zielkrankheit bestimmt werden, bei der gute Erfolgsaussichten bestehen und die wirtschaftlichen Interessen des Pharmaunternehmens √ľbereinstimmen.

 

  1. Identifizierung des Zielortes

Damit ein Medikament wirken kann, m√ľssen ein Vektor und eine Bindungsstelle gefunden werden, auf die es abzielt.

 

  1. Identifizierung von Arzneimittelkandidaten

Die aktive Forschungsphase beginnt. Es werden Kandidaten gesucht, die an die identifizierten Targets binden und so Krankheitsprozesse beeinflussen können.

 

  1. Wirksamkeitstests

Erste Tests mit potenziellen Wirkstoffen an Zellkulturen im Labor. Ist der Wirkstoff sowohl wirksam als auch sicher?

 

  1. Phase I: Verabreichung des Wirkstoffs

Ein erster Test am Menschen. Der Wirkstoff wird gesunden Freiwilligen verabreicht, und es werden erste Erkenntnisse √ľber den Stoffwechsel im K√∂rper und die Nebenwirkungen gewonnen.

 

  1. Phase II: Forschung

Es werden Studien mit einer kleinen Anzahl von Probanden durchgef√ľhrt, die die Zielkrankheit haben. H√§lt der Wirkstoff in der Praxis, was er verspricht? Und hat er keine ernsthaften Nebenwirkungen?

 

  1. Phase III: Forschung

Der neue Wirkstoff wird an Tausenden von Menschen in verschiedenen Ländern getestet. Je größer die Zahl der Fälle ist, desto seltener werden sich die Nebenwirkungen zeigen.

  1. Zulassung

Die Zulassungsbeh√∂rden pr√ľfen und bewerten alle Tests, Studien und Versuchsdaten. Ein Antrag auf Zulassung eines neuen Wirkstoffs kann leicht mehr als 500.000 Seiten umfassen. Wenn die Pr√ľfung positiv ausf√§llt, kann das Medikament verschrieben werden.

 

  1. Phase IV: Forschung

Nach der Zulassung wird das Medikament weiteren Forschungen unterzogen, z.B. zur Ermittlung von Wechselwirkungen mit anderen Wirkstoffen.

 

Bis zur Zulassung eines Medikaments mit einem neuen Wirkstoff entstehen durchschnittlich Kosten in Höhe von 1 bis 2,6 Milliarden US-Dollar, und der Prozess dauert zehn bis zwölf Jahre .

K√ľnstliche Intelligenz kann in vielen Phasen der Arzneimittelforschung eine unterst√ľtzende oder halbautonome Rolle spielen. K√ľnstliche Intelligenz kann die zeitaufw√§ndige Phase der Suche nach einem Arzneimittelkandidaten oder einer sogenannten Leitstruktur, die der Ausgangspunkt f√ľr die Suche nach einem Wirkstoff sein k√∂nnte, erheblich beschleunigen. Die Fragen, ob ein Wirkstoff wirklich an das Zielmolek√ľl bindet und ob er dabei wirksam und sicher ist, erfordern h√§ufig umfangreiche Untersuchungen in der pr√§klinischen Phase.

Support Vector Machines und Random Forest haben bisher mit einigem Erfolg auf der Grundlage bekannter Molek√ľle vorhergesagt, welche Struktur ein neues Molek√ľl haben muss, um an die gew√ľnschte Bindungsstelle zu binden. Das Problem bei diesen Algorithmen ist der Mangel an Daten: Je mehr Daten √ľber ein Molek√ľl und seine Bindungseigenschaften vorhanden sind, desto besser sind die Vorhersagen von SVM und Random Forest. F√ľr Molek√ľle, die sehr gut beschrieben sind und deren Eigenschaften bekannt sind, sind statistische Vorhersagen dar√ľber, ob ein Molek√ľl binden kann, in der Regel jedoch nicht mehr erforderlich.

Die Vorhersagequalit√§t von SVM und Random Forest sinkt dramatisch bei v√∂llig neuen Substanzen, f√ľr die keine oder nur wenige Daten verf√ľgbar sind.

Ein Doktorand der University of Toronto hat sich in seiner Forschung auf dieses Problem konzentriert und es zur Marktreife gebracht.

AtomNet  basiert auf Convolutional Neural Networks und deren Fähigkeit, einzelne Merkmale in Bildern zu erkennen, wie z. B. die Kanten von Objekten, unabhängig von ihrer Position im Originalbild.

Atomnet arbeitet nach einem √§hnlichen Prinzip, aber statt Nasen in Gesichtern zu lernen, lernt es verschiedene Merkmale von Molek√ľlen.

Im Gegensatz zu einem zweidimensionalen Pixelbild mit drei Farbkan√§len verwendet AtomNet die dreidimensionale Struktur des Molek√ľls als Eingabe und einzelne Atome als Farbkan√§le. AtomNet lernt auf diese Weise, welche Atome sich an welche anderen binden, und es kann auch auf bisher ungesehene Beispiele abstrahieren.

Auch k√ľnstliches Lernen ist dringend n√∂tig; Sch√§tzungen √ľber die Anzahl der Molek√ľle mit pharmakologischen Wirkungen reichen von 1024 bis 1060 .

Das System ist so erfolgreich, dass es inzwischen von vielen gro√üen Pharmaunternehmen eingesetzt wird und seit 2012 zur Entdeckung von 50 neuen Therapieans√§tzen gef√ľhrt haben soll.

 

Deep Genomics, ein Start-up-Unternehmen aus Toronto, verfolgt einen anderen Ansatz bei der Suche nach Therapien. Bei der Behandlung von Krankheiten geht es h√§ufig um Proteine, die bestimmte Funktionen im K√∂rper erf√ľllen.

Mit der Entschl√ľsselung des menschlichen Genoms und einem besseren Verst√§ndnis der genetischen Hintergr√ľnde r√ľckt eine bereits in den 1970er Jahren beschriebene Antisense-Oligonukleotid-Therapie in den Fokus der pharmazeutischen Forschung.

Oligonukleotide sind kurze Nukleinsäuren, die aus einer geringen Anzahl von Nukleotiden bestehen. Durch Basenpaarung können diese Oligonukleotide an andere Nukleinsäuren binden. Die Basen Adenin und Thymidin sowie Cytidin und Guanidin verbinden sich immer zu einem Doppelstrang der Nukleinsäure. Bei Antisense-Oligonukleotiden ist die Reihenfolge der Basen umgekehrt (antisense = gegen den Sinn). Dadurch wird die Bildung des Zielproteins während der Biosynthese verhindert.

In den letzten Jahren wurden mehrere Medikamente auf Basis von Antisense-Oligonukleotiden zur Behandlung von Krankheiten wie Duchenne-Muskeldystrophie, spinaler Muskelatrophie und zytomegalovagaler Retinitis zugelassen. Auch individualisierte Therapien, die auf sehr individuellen genetischen Mutationen beruhen, sind mit Antisense-Oligonukleotiden behandelbar, wie die Beschreibung von Milasen  in der Literatur als Mittel der Wahl gegen die neurodegenerative Krankheit Batten-Syndrom/Spielmeyer-Vogt-Krankheit zeigt.

An dieser Stelle kommt das bereits erw√§hnte Start-up Deep Genomics ins Spiel. 69 Milliarden Oligonukleotide und eine Million mRNA-Targets werden mit Hilfe von k√ľnstlicher Intelligenz auf potenzielle Therapieans√§tze abgeglichen und analysiert. Das erste Ziel des Unternehmens ist es, eine Bibliothek von 1000 Oligonukleotiden mit nachgewiesenen Anwendungsm√∂glichkeiten zu erstellen. Derzeit sind acht Antisense-Oligonukleotide entdeckt worden und befinden sich in pr√§klinischen Studien.

Deep Genomics analysiert Genome anhand von DNA-Sequenzen als Input-Merkmale mit Hilfe eines Convolutional Neural Network. Das neuronale Netzwerk lernt, welche Kombinationen und Variationen von Basenpaaren f√ľr eine Krankheit relevant sind, indem es bekannte Sequenzen f√ľr verschiedene Krankheiten verwendet.

BenevolentAI, ein britisches Start-up, macht den ersten Schritt. Obwohl der Prozess in der Entdeckung neuer Wirkstoffe und individueller Therapien gipfelt, beginnt BenevolentAI schon vor der Entdeckung von Molek√ľlen und Wirkstoffen: Prim√§rliteratur, Abhandlungen und Ver√∂ffentlichungen aus dem biologischen Bereich werden einbezogen.

Mit Interpret hat das Startup eine auf Natural Language Processing basierende Plattform geschaffen, die selbstständig Wissen aus verschiedenen Publikationen zusammenträgt und Querverbindungen herstellt, die ein Mensch aufgrund der Menge an medizinischen Publikationen unmöglich in einem Leben schaffen könnte.

BenevolentAI nutzt die Natural Entity Recognition, die auf biologische Begriffe und Phrasen trainiert ist und bedeutungstragende Paare extrahiert und in Beziehung setzt.

Die KI sucht nach Mustern wie “Rolle von GEN bei ERKRANKUNGEN”, “GEN-Ziel f√ľr ERKRANKUNGEN” und “ERKRANKUNGEN verursacht durch GEN-Mutation”.

Wenn das System die Zusammenh√§nge nicht versteht, kann es sich auf einen aktiven Lernprozess mit einem Biologen einlassen. Gleichzeitig erkennt das System Negationen und Spekulationen und schlie√üt sie aus den Ergebnissen aus, so dass nur die in der Literatur beschriebenen Ursache-Wirkungs-Beziehungen zur√ľckgegeben werden.

Ein Relationales Netzwerk sucht nach nicht offensichtlichen Zusammenh√§ngen bei Krankheiten und Gendefekten und sortiert sie f√ľr Wissenschaftler/innen nach chemischen M√∂glichkeiten, Sicherheit und potenzieller Behandelbarkeit.

Auf der Grundlage dieser Entscheidung kann ein weiteres k√ľnstliches neuronales Netzwerk eingesetzt werden, um bekannte Eigenschaften von Molek√ľlen zu kombinieren und so Verbindungen zu finden, die den Zielparametern am besten entsprechen. Diese Verbindungen werden dann synthetisiert und im Labor getestet, wobei die Ergebnisse als Feedback an das neuronale Netzwerk zur√ľckgespielt werden, um die Modelle zu verfeinern.

Nach Angaben von Benevolent.ai kann dieses System die Zeit, die es braucht, um einen endg√ľltigen Medikamentenkandidaten zu finden, von durchschnittlich 4,5 Jahren auf 14 Monate verk√ľrzen.

W√§hrend der Pandemie Covid 19 wurde die Leistungsf√§higkeit von BenevolentAI im Besonderen und Deep Learning im Allgemeinen unter Beweis gestellt. Die Plattform von BenevolentAI wurde innerhalb von zwei Tagen so modifiziert, dass sie zun√§chst Fachliteratur √ľber Viren entdecken und verkn√ľpfen konnte, w√§hrend sie nach Beschreibungen suchte, welche Gene die F√§higkeit eines Virus, in eine Zelle einzudringen, wie beeinflussen. In einem weiteren Schritt suchte die BenevolentAI-Plattform nach zuvor identifizierten Wirkstoffen und Pr√§paraten, die in diese Mechanismen eingreifen. Innerhalb weniger Wochen wurde nicht nur ein Wirkstoff, Baricitinib, mit vielversprechenden Anti-Coronavirus-Eigenschaften entdeckt, sondern auch ein Artikel in der Fachzeitschrift The Lancet zur Begutachtung ver√∂ffentlicht. Daraufhin wurde Mitte M√§rz eine klinische Studie √ľber die positiven Eigenschaften von Baricitinib auf das Fortschreiten von Covid 19 eingeleitet.

Das MIT k√ľndigte f√ľr Anfang 2020 eine bahnbrechende Entwicklung an . Halicin, ein Molek√ľl, das von der KI in 2001: Odyssee im Weltraum inspiriert wurde, ist ein neues Antibiotikum, das von einer k√ľnstlichen Intelligenz entwickelt wurde.

Die k√ľnstliche Intelligenz sollte lernen, Wirkungen auf der Grundlage von Molek√ľlstrukturen vorherzusagen, ohne zu wissen, wie Medikamente wirken, und ohne beschriftete Trainingss√§tze. Die Forscherinnen und Forscher wollten sicherstellen, dass das neuronale Netzwerk Muster erkennen kann, die der Mensch zuvor nicht entdeckt hatte. Das Ziel war es, ein Medikament zu entwickeln, das sowohl gegen das Bakterium Escherichia coli wirksam ist als auch sich von bisherigen Antibiotikastrukturen unterscheidet.

Das System schlug 100 Molek√ľle vor, die dann in Labortests eingehender untersucht wurden. Eines davon, das urspr√ľnglich zur Behandlung von Diabetes entwickelt wurde, erwies sich als √§u√üerst wirksam gegen eine Vielzahl von Bakterien, darunter auch solche, gegen die Reserveantibiotika unwirksam (oder nicht mehr wirksam) sind, wie Clostridioides difficile und Acinetobacter baumannii. Au√üerdem wurde in vitro nachgewiesen, dass es f√ľr Bakterien √§u√üerst schwierig ist, eine Resistenz gegen Halicin zu entwickeln.

Die ersten klinischen Versuche sollen 2020 beginnen, so die Forscher. Antibiotika werden dringend ben√∂tigt. Die Zahl und Verbreitung von panresistenten Keimen nimmt rapide zu, was zum Teil auf den Einsatz von Antibiotika in der Tierhaltung zur√ľckzuf√ľhren ist. Laut der UN Interagency Coordination Group on Antimicrobial Resistance werden im Jahr 2050 j√§hrlich 10 Millionen Menschen an den Folgen von antibiotikaresistenten Bakterien sterben, wenn nicht neue Wirkstoffe entwickelt werden und der Antibiotikaeinsatz in der Tierhaltung drastisch reduziert wird.

Da die Antibiotikaforschung in den letzten Jahren stark zur√ľckgegangen ist, ist Halicin ein wichtiger Schritt. Die Kosten f√ľr die Forschung sind hoch, und es gibt ein Paradoxon: Die Gesellschaften wollen neue Antibiotika, aber sie wollen sie nicht einsetzen, um die Bildung von Resistenzen zu vermeiden. Gleichzeitig handelt es sich bei vielen neuen Antibiotika um Wirkstoffe der dritten oder vierten Generation, was bedeutet, dass sie keinen v√∂llig neuen Wirkmechanismus haben, sondern bestehende Wirkmechanismen erweitern oder verfeinern.

Aufklärung mit KI

F√ľr Kinder und Jugendliche in konservativen L√§ndern oder Landesteilen ist es schwierig oder unm√∂glich, Informationen √ľber Pubert√§t, Sexualit√§t oder Krankheiten zu erhalten.

Mit dem Chatbot Roo √ľberbr√ľckt die Nichtregierungsorganisation Planned Parenthood die Bildungsl√ľcke in den Vereinigten Staaten. Eingabesysteme filtern h√§ufig anz√ľgliche oder sexuell bezogene Suchanfragen oder Eingaben heraus, besonders in den Vereinigten Staaten. Bei solchen Suchanfragen schaltet Google sogar die Autovervollst√§ndigungsfunktion ab.

Roo f√ľhrt Jugendliche behutsam an die Themen heran und hilft ihnen, in einem Tutorial passende, altersgerechte Erkl√§rungen zu finden, auch wenn dem Nutzer die Begriffe nicht oder nur umgangssprachlich bekannt sind.

Wenn der Chatbot keine passende Antwort findet, kann der Nutzer an einen menschlichen Chatpartner der Organisation weitergeleitet werden, der dann weiterhelfen kann.

Chatbots haben in Studien gezeigt, dass sie Menschen helfen, Schamgef√ľhle und Schwellenangst zu √ľberwinden . Das scheint im Fall von Roo funktioniert zu haben. Statt der erwarteten eine Million Konversationen pro Jahr, hat Roo in den ersten 12 Monaten 3,5 Millionen abgewickelt. 78 Prozent der Nutzerinnen und Nutzer waren zwischen 13 und 19 Jahre alt, und 64 Prozent waren farbig.

Der Chatbot basiert auf dem Bold360-Framework und wurde 6 Monate lang auf die spezifischen Themen trainiert.

Krankenpflege mit KI

Bei der Pflege von Krankenhauspatienten gibt es verschiedene Ansätze, um Prozesse oder die Pflege selbst zu verbessern.

Dekubiti, also Sch√§digungen der Haut und der tieferen Gewebeschichten durch anhaltenden Druck und die daraus resultierende verminderte Durchblutung, sind ein Problem in der Pflege von Patienten, die √ľber l√§ngere Zeit in ihren Bewegungen eingeschr√§nkt sind.

Druckgeschw√ľre sind nicht nur schmerzhaft f√ľr den Patienten, sondern sie erm√∂glichen auch das Eindringen von Bakterien in den K√∂rper. Es gibt vier Stufen der Sch√§digung, die durch Druckgeschw√ľre verursacht werden.

Es haben sich verschiedene Skalen entwickelt, um das Risiko eines Patienten einzusch√§tzen, indem Mobilit√§t, Sinneswahrnehmung und andere Faktoren in ein Punktemodell umgewandelt werden. Anhand der Gesamtzahl der Punkte l√§sst sich dann das Risiko eines Patienten einsch√§tzen. W√§hrend in den USA die so genannte Braden-Skala verwendet wird, gibt es in Deutschland verschiedene modifizierte Einstufungen, aber es gibt keinen allgemein g√ľltigen Standard, da je nach Pflegesituation unterschiedliche Parameter an Bedeutung gewinnen.

Forscher der Boise State University, der Utah State University, der University of Washington und der Colleges of Nursing haben gemeinsam ein automatisiertes Prognosemodell entwickelt, das mithilfe von maschinellem Lernen das Dekubitusrisiko vorhersagt, noch bevor ein Patient aufgenommen wird. Anstatt dekubitusspezifische Variablen wie beim Skalenmodell zu erfassen, wird daf√ľr die normale Patientenakte verwendet.

Zur Erstellung des Modells, das im American Journal of Ciritical Care veröffentlicht wurde, wurde der Random Forest Algorithmus verwendet.

Random Forest ist ein entscheidungsbaumbasierter Klassifizierungsalgorithmus. W√§hrend des Trainings erzeugt Random Forest eine gro√üe Anzahl von Entscheidungsb√§umen, und das Ergebnis, das am h√§ufigsten als Klasse f√ľr einen Datensatz zugeordnet wurde, erh√§lt den Zuschlag (Modalwert). Der Random-Forest-Algorithmus zeichnet sich dadurch aus, dass er resistent gegen Korrelationen in Datens√§tzen ist, wie sie z. B. in medizinischen Daten vorkommen.

Der Algorithmus wurde auf zwei Klassen trainiert, Dekubitusgrad 1 oder höher und Dekubitusgrad 2 oder höher, und es wurde ein Wert von 0,79 Area under the Receiver Operating Characteristics (AUROC) erzielt.

 

AUROC

Die Area under the Receiver Operating Characteristics (AUROC) ist eine der wichtigsten Bewertungskennzahlen nicht nur im klinischen Umfeld, sondern f√ľr Klassifizierungsaufgaben im Allgemeinen.

Der AUROC setzt sich aus zwei Komponenten zusammen: Receiver Operating Characteristics und Area Under the Curve. Um die AUROC zu verstehen, muss man zunächst beide Teile getrennt betrachten.

In einem kartesischen Koordinatensystem wird die ROC-Kurve gezeichnet, indem man die True Positive Rate auf der y-Achse gegen die False Positive Rate auf der x-Achse aufträgt.

 

Die True Positive Rate (TPR) wird berechnet, indem die Anzahl der True Positives durch die Summe der True Positives und False Negatives (TP/TP + FN) geteilt wird.

Die Falsch-Positiv-Rate wird berechnet, indem die Gesamtzahl der Falsch-Positiven durch die Gesamtzahl der Wahren Negativen und Falsch-Positiven geteilt wird.

True Positives sind Werte, die vom Modell korrekt als positiv eingestuft wurden. False Positives sind Werte, die das Modell als positiv eingestuft hat, obwohl sie in Wirklichkeit negativ sind. (Fehlertyp 1)

Falsch Negative sind Werte, die das Modell als negativ einstuft, obwohl sie in Wirklichkeit positiv sind. (Fehlertyp 2). Wahre Negative sind Werte, die vom Modell korrekt als negativ eingestuft wurden.

Je näher der AUROC-Wert bei eins liegt, desto besser kann das Modell zwischen den Klassen unterscheiden, wobei ein AUROC von 0,5 dem Zufall entspricht.

In Zukunft soll das System verbessert werden, um den am st√§rksten gef√§hrdeten Patienten dekubitusspezifische Hilfsmittel wie z. B. spezielle Matratzen zur Verf√ľgung zu stellen.

Covid-19 mit KI bewältigen

Die j√ľngste weltweite SARS-Covid-19-Pandemie hat zu einer schnellen Anpassung von KI-basierten Systemen gef√ľhrt, nachdem entdeckt wurde, dass die Covid-19-Krankheit sehr gut und manchmal sogar fr√ľher durch R√∂ntgenaufnahmen und CT-Scans der Lunge erkannt werden kann.

Deep Insights und LifeTec, beide in Wien ansässig, haben einen Deep Learning-Klassifikator entwickelt, der in Rekordzeit zwischen Bildern von gesunden Lungen, solchen mit allgemeiner Pathologie und solchen mit der Covid-19-Krankheit unterscheiden kann. Da es lange dauert, bis medizinische Diagnoseinstrumente zugelassen werden, der Nutzen des Systems aber nicht zu vernachlässigen ist, wurden das neuronale Netzwerk und die Testdaten unter einer Open-Source-Lizenz veröffentlicht (https://labs.deep-insights.ai/).

Die Beschaffung von Trainingsdaten ist derzeit die gr√∂√üte Herausforderung im Bereich der diagnostischen Bildgebung. Es gibt nur eine begrenzte Anzahl von beschrifteten Datens√§tzen f√ľr Trainingssysteme. Au√üerdem k√∂nnen die Bilddaten selbst sehr unterschiedlich sein, so dass Systeme, die auf Bilddaten eines Herstellers trainiert wurden, nicht gut auf Bilddaten anderer Systeme verallgemeinert werden k√∂nnen.

Frontline Worker als Roboter mit KI

Boston Dynamics ist ein bekanntes Robotikunternehmen. Das Unternehmen aus dem US-Bundesstaat Massachusetts wurde dank Robotern wie Spot, Atlas und Cheetah sowie YouTube-Videos, die ihre F√§higkeiten demonstrieren, schnell weltber√ľhmt.

Boston Dynamics hat im Bereich der k√ľnstlichen Intelligenz eine interessante Unterscheidung zwischen athletischer und schulischer KI getroffen. Im Sprachgebrauch von Boston Dynamics ist letztere eine Ann√§herung an die reale Welt. Athletische KI bezieht sich auf die F√§higkeit, einen K√∂rper und k√∂rperliche Aktivit√§ten in Echtzeit in einem Raum zu steuern und dabei mit der Welt zu interagieren, anstatt eine Abstraktion zu sein.

Nach der Pandemie Covid 19 bat das Bringham and Women’s Hospital in Massachusetts Boston Dynamics um Hilfe, weil in kurzer Zeit eine gro√üe Anzahl medizinischer Mitarbeiter/innen erkrankte und die Patientenversorgung gef√§hrdete.

Spot, ein Roboterhund, der als mobile telemedizinische Plattform eingesetzt wird, wurde von Boston Dynamics zur Verf√ľgung gestellt. Patienten, bei denen der Verdacht auf die Covid 19-Krankheit besteht, werden gebeten, in Zelten au√üerhalb des Krankenhauses auf Tests zu warten, um zu verhindern, dass die Krankheit eingeschleppt wird und Patienten und Personal in Gefahr bringt. Spot kann mit jedem Handy-f√§higen Tablet ausgestattet werden. Die Kamera erm√∂glicht es dem medizinischen Personal, aus sicherer Entfernung erste Fragen zur Krankheit zu stellen.

Verschiedene Diagnoseverfahren wie die Messung von K√∂rpertemperatur, Atemfrequenz, Puls und Sauerstoffs√§ttigung werden in einem sp√§teren Entwicklungsstadium eingef√ľhrt. W√§hrend die Temperatur mit speziellen temperaturempfindlichen Kameras gemessen werden kann, ist die Pulsmessung ohne Spezialger√§te, die in Zeiten unsicherer Virus√ľbertragungswege sicherer ist, eine komplexe Aufgabe, die mit Hilfe von k√ľnstlicher Intelligenz gel√∂st werden soll.

Photoplethysmographen, eine Technik, die mit Hilfe von Bildern das Volumen eines Gefäßes oder eines biologischen Körpers im Allgemeinen misst, werden zur Pulsmessung auf Distanz eingesetzt. Die Technik macht sich die unterschiedlichen Hautbrechungen zunutze, die auf dem Volumen der tieferen Gefäße basieren.

 

Boston Dynamics beschreibt den abstrakten Ansatz f√ľr Spot wie folgt:

  1. Erkenne das Gesicht
  2. Lokalisiere die Augenbraue im Gesicht.
  3. Zeichne die RGB-Werte jedes Pixels der Stirnkamera im Laufe der Zeit auf.
  4. Entferne alle Störungen, die z. B. durch Kopfbewegungen verursacht werden.
  5. Erfasse die Spitzen in den RGB-Werten und benutze sie, um den Puls zu berechnen.

In der letzten Stufe soll Spot in der Lage sein, Oberflächen selbstständig zu desinfizieren, ohne Menschen zu gefährden, entweder mit geeigneten Chemikalien oder mit UV-Licht.

Nach der Pandemie hat Boston Dynamics alle Steuerungspl√§ne und die Software offengelegt, in der Hoffnung, dass andere Robotikunternehmen sie f√ľr ihre Hardware adaptieren und weiterentwickeln werden.

KI BERATUNG VON MF ROCKET

Eine valide KI-Strategie generiert heute schon konkrete Business-Mehrwerte. Mit der KI-Beratung von MF Rocket K√ľnstliche Intelligenz jetzt optimal nutzen!

Alle Kapitel im Ratgeber K√ľnstliche Intelligenz

Computer security technology
Blog

K√ľnstliche Intelligenz in der Sicherheitstechnik

Wenn es um k√ľnstliche Intelligenz geht, werden h√§ufig martialische Anspielungen aus der Popkultur verwendet. Ob es nun um Killerroboter geht, die von einer m√§chtigen k√ľnstlichen Intelligenz gesteuert werden, oder um Weltuntergangsszenarien, die von abtr√ľnnigen Computern ausgel√∂st werden. In Wirklichkeit hat

mehr lesen ¬Ľ
Smart farming, using modern technologies in agriculture
Blog

K√ľnstliche Intelligenz in der Landwirtschaft

Immer erschwinglichere Sensoren, die Drohnentechnologie und der verst√§rkte Einsatz von IoT-Anwendungen und mobilen Daten√ľbertragungsm√∂glichkeiten bereiten den Boden f√ľr den breiten Einsatz von k√ľnstlicher Intelligenz in der Landwirtschaft. KI BERATUNG VON MF ROCKET Eine valide KI-Strategie generiert heute schon konkrete Business-Mehrwerte.

mehr lesen ¬Ľ