Drei Wege, wie KI die Art und Weise revolutioniert, wie Gesundheitsorganisationen Patienten betreuen. Können LLMs wie ChatGPT helfen?

Maschinelles Lernen und KI verändern die medizinische Behandlung in Bezug auf Funktionalität, Diagnostik und mehr. Unterdessen befinden sich große Sprachmodelle - wie ChatGPT - noch im Anfangsstadium.

Die Digitalisierung des Gesundheitswesens hat lange auf sich warten lassen, da die Heilpraxis aus offensichtlichen Gründen an ältere, sorgfältig geprüfte Vorgehensweisen gebunden ist.

Aber zunehmend schleicht sich künstliche Intelligenz in verschiedenen Formen in die Klinik ein. Zu den Anwendungen gehören prädiktive Analysen, intelligente Prothesen, mobile Diagnostik und Gehirnimplantate. Darüber hinaus untersuchen wir angesichts des Aufkommens großer Sprachmodelle (LLMs) wie ChatGPT, ob diese Technologie heute im Gesundheitswesen hilfreich sein kann.

Während ein Großteil der Arbeit in Form von Pilotstudien erfolgt, ist klar, dass KI in den kommenden Jahrzehnten eine wichtige Rolle bei der Gestaltung der Gesundheitsversorgung spielen wird.

„Deep-Learning-KI hat diesen Prozess, bei dem die technische Infrastruktur vorhanden ist und die Daten für ihr Training verfügbar sind, nach Jahren wirklich harter Arbeit endlich hinter sich gebracht“, sagte Jeremy Howard, Mitbegründer des KI-Forschungs- und Bildungs-Startups Fast .ai und Gründer des ersten Unternehmens, das Deep Learning in der Medizin anwendet: Enlitic.

Nach all diesen Anstrengungen „sollte man damit rechnen, in den kommenden Jahren noch viel mehr davon zu sehen“, also angewandte KI in der Medizin, sagte Howard in einem Interview mit ZDNET.

Derzeit besteht der Stand der Technik bei der Anwendung von KI in der Medizin aus kleinen Studien, die eine Vielzahl sehr gut etablierter Formen der KI für maschinelles Lernen einsetzen. Diese Programme haben sich über Jahrzehnte bewährt. Sie werden endlich in die Klinik gebracht und auf eine Vielzahl von Daten angewendet, von Echtzeitmessungen der Gehirnaktivität bis hin zu elektronischen Gesundheitsakten.

Für die neueren Arten der maschinellen Lern-KI wie ChatGPT von OpenAI ist es noch ein weiter Weg. Diese Technologie erhält die ganze Aufmerksamkeit, ist aber zu neu, um im sensiblen Bereich der Klinik zuverlässig zu sein.

Der Einsatz von maschinellem Lernen hat für die teilnehmenden Patienten bereits einen Wandel bewirkt. Gert-Jan Oskam, ein 40-jähriger Fahrradunfallopfer, erhielt eine neuartige Gehirn-Computer-Schnittstelle, die es ihm ermöglichte, wieder zu stehen und zu gehen. Er sagte der renommierten Fachzeitschrift Nature, das Gerät habe „lebensverändernd“ gewesen.

„Letzte Woche musste etwas gestrichen werden und es war niemand da, der mir helfen konnte“, sagte Oskam. „Also nahm ich die Gehhilfe und die Farbe und machte es selbst im Stehen.“

1. Wiederherstellung der Funktionalität mit KI

Zu den dramatischsten ersten Siegen der KI im Gesundheitswesen gehören die noch geringen Erfolge mit Prothesen verschiedener Art zur Wiederherstellung der Funktionalität von Personen mit schweren Verletzungen.

Machen Sie einen Schritt beiseite, Elon Musk: Die sagenumwobene „Gehirn-Computer-Schnittstelle“ oder BCI, von der Musk sagt, dass er sie in klinische Studien einbauen wird, wurde vom Stanford-Team bereits in einem beeindruckenden Beispiel für die Verwendung sorgfältig entwickelter maschineller Lernformen der KI erreicht.

Die von Elon Musk angepriesene sagenumwobene „Gehirn-Computer-Schnittstelle“ ist bereits Realität. Forscher in der Schweiz haben eine „digitale Brücke“ zwischen den Bewegungsregionen des Gehirns und der „lumbosakralen“ Region der Wirbelsäule geschaffen, die die Absicht in eine Stimulation der Muskeln umwandelt, um die Beine auf natürliche Weise zu bewegen.

Die „digitale Brücke“, die von Forschern der Maschinenbauabteilung der Stanford University entwickelt wurde, leitet Gehirnsignale mithilfe von Sensoren und drahtloser Technologie um eine Wirbelsäulenbehinderung herum. Das Gerät gibt Oskam das Gehen zurück, der nach einer Rückenmarksverletzung infolge eines Fahrradunfalls ein Jahrzehnt zuvor fast nicht mehr laufen konnte.

Die Forscher Henri Lorach und sein Team beschrieben im Mai in Nature, wie sie Oskam eine „Gehirn-Rückenmark-Schnittstelle“ implantierten. Nach einem fünfmonatigen Programm zur epiduralen Elektrostimulation des Rückenmarks, einer Fähigkeit, mit Hilfe einer Gehhilfe einige Schritte zu unternehmen, konnte er seine Beine nur eingeschränkt nutzen.

Lorach und sein Team implantierten zwei Geräte, die jeweils aus 64 Elektroden bestanden, auf die Teile beider Gehirnhälften, von denen bekannt ist, dass sie die Bewegung steuern. Diese Sensoren sammelten Signale, die als Elektrokortikograph oder ECoG bekannt sind und mit Bewegungsabsichten verknüpft sind. Die ECoG-Signale wurden drahtlos über ein vom Patienten getragenes 3D-gedrucktes Headset erfasst, das über ein USB-Kabel mit einem in einem Rucksack getragenen „Basisstation“-Computer verbunden ist.

Der Rucksackcomputer entschlüsselt die ECoG-Muster in Befehle, die dann drahtlos an ein drittes Gerät gesendet werden, das oben im „lumbosakralen“ Bereich der Wirbelsäule implantiert wird - denken Sie an Ihren unteren Rücken und Ihr Steißbein. Er wird als „Impulsgenerator“ bezeichnet und wandelt die Befehle in elektrische Stimulation um, die „die Muskeln aktiviert, die die beabsichtigten Bewegungen vermitteln“.

Das Ergebnis ist, dass der Patient „die intuitive Kontrolle über die Bewegungen seiner Beine wiedererlangen konnte und ihm die Fähigkeit gab, zu stehen, zu gehen, Treppen zu steigen und sogar komplexes Gelände zu durchqueren“, berichteten Lorach und sein Team. Begleitvideos zum Bericht zeigen, wie der Patient aus einer sitzenden Position aufsteht und geht, in diesem Fall mit dem Computer der Basisstation auf einer Gehhilfe statt in einem Rucksack.

Es ist wichtig zu erkennen, dass es hier nicht nur um die Implantation von Gehirnsensoren geht. Ein Schlüsselelement sind die maschinellen Lernalgorithmen, die Lorach und sein Team entwickelt haben, um die Gehirnsignale für die Bewegungsabsicht zu interpretieren.

Unter Verwendung eines Ansatzes, der als „online adaptiver überwachter Lernalgorithmus“ bekannt ist, wird das Programm optimiert, während der Patient wiederholt versucht, zuerst die Gliedmaßen eines Avatars auf dem Bildschirm und dann ein Exoskelett zu bewegen.

Die Software kombiniert mehrere Bereiche der maschinellen Lernwissenschaft, darunter eine „Expertenmischung“, bei der unterschiedliche Befehle unterschiedliche Gliedmaßen steuern, und dann ein sogenanntes „Hidden-Markov-Modell“, eine Art Algorithmus, der seit Jahrzehnten verwendet wird. Die Berechnung der Bewegungsabsicht erfolgt in Echtzeit, während sich der Patient bewegt. Weitere Details zum Algorithmus finden Sie in einem früheren Artikel des Teams aus dem Jahr 2022.

Wissenschaftler erforschen viele andere Möglichkeiten, Signale aus dem Gehirn zu sammeln und sie durch maschinelles Lernen zu entschlüsseln, um die Funktionalität wiederherzustellen.

Letzten Monat berichteten Forscher Sean Metzger und sein Team von der Abteilung für Neurochirurgie der University of California in San Francisco in Nature über einen Sprachdecoder, der eine Stimme für ein 47-jähriges Schlaganfallopfer erzeugte, das fast zwanzig Jahre zuvor stumm geschaltet worden war.

Der sogenannte multimodale Sprachdecoder nutzte außerdem einen implantierten ECoG-Detektor, um „beabsichtigte Sätze“ aus Signalen in Bereichen des sensomotorischen Kortex des Gehirns zu dekodieren. Dieser Bereich ist für „Bewegungsversuche der Lippen, der Zunge und des Kiefers“ verantwortlich. Die Signale werden in das dekodiert, was die Forscher „Vokaltrakt-Darstellungen“ nennen, die dann in verschiedene Arten von Ausgaben umgewandelt werden können: Text auf einem Bildschirm, generiertes Audio von gesprochenen Wörtern und Bewegungen eines sprechenden Avatars.

Der sogenannte multimodale Sprachdecoder verwendete auch einen implantierten ECoG-Detektor, um „beabsichtigte Sätze“ aus Signalen in Bereichen des sensomotorischen Kortex des Gehirns zu dekodieren, und zwar unter Verwendung eines bewährten Typs von maschinellem Lernalgorithmus, der als „bidirektionales rekurrentes neuronales Netzwerk“ bekannt ist „RNN“, ein Programm, das seit langem zur Modellierung von Zeitreihendaten verwendet wird.

Der Schlüssel sind wiederum nicht nur Sensoren, sondern auch Algorithmen für maschinelles Lernen. Die Signale aus dem ECoG von Stimmtraktversuchen wurden in einen anderen bewährten Typ eines maschinellen Lernalgorithmus eingespeist, der als „bidirektionales rekurrentes neuronales Netzwerk“ oder „RNN“ bekannt ist, ein Programm, das seit langem zur Modellierung von Zeitreihendaten verwendet wird das die gleichen Variablen zu unterschiedlichen Zeitpunkten misst, um Trends zu erkennen. Das RNN wurde zunächst so eingestellt, dass es mehrere vorgefertigte Sätze antizipierte, die der Patient zu sprechen versuchte (die dem Patienten auf einem Bildschirm angezeigt wurden) - das ist eine Form der Korrelation der Gehirnaktivität mit einem definierten Satz von Ergebnissen.

Nach zwei Wochen eines solchen Trainings erzeugte das RNN jedoch eine spontane Textausgabe aus unaufgeforderten Sätzen, die der Patient auszusprechen versuchte. Das Programm konnte bis zu 78 Wörter pro Minute generieren. Das war um ein Vielfaches schneller als die 14 Wörter pro Minute, die der Patient mit seinem vorhandenen Hilfsmittel produzieren konnte, einem Head-Tracking-Gerät, bei dem der Patient bei Wörtern auf einem Bildschirm nicken musste, ähnlich wie es der verstorbene Physiker Steven Hawking verwendete .

Ebenso konnte das RNN darauf trainiert werden, das ECoG so zu interpretieren, dass es einer Wellenform entspricht, die dann einen Vocoder ansteuern könnte, um Sprache zu erzeugen. Nach zweiwöchiger Abstimmung des Systems mit dem Patienten zeigte das von ihnen entwickelte „Sprachneuroprothesensystem“ so beeindruckende Ergebnisse, dass „wir glauben … diese Ergebnisse haben eine wichtige Leistungs-, Generalisierbarkeits- und Ausdrucksschwelle überschritten.“ könnte bald praktische Vorteile für Menschen mit Sprachverlust haben“, schreiben Metzger und sein Team.

2. KI kann medizinische Diagnostik portabel machen

Eines der Haupthindernisse der medizinischen Diagnostik besteht darin, dass Patienten eine Reise zu einer medizinischen Einrichtung antreten müssen, wo Tests mit gigantischen Geräten durchgeführt und Daten von geschulten Experten manuell überprüft werden können. Einige neue Diagnoseversuche nutzen jedoch maschinelle Lernformen der KI, um das Problem aus der Klinik zu lösen.

Nehmen Sie an Schlafstudien teil, die in der Regel einen siebenstündigen Aufenthalt in einer Einrichtung umfassen, an den Elektroden angeschlossen sind und die ganze Nacht vom Personal überwacht werden. Könnte es stattdessen zu Hause mit einem Telefon und ein paar aufklebbaren Pflastern durchgeführt werden?

Ein Team am Georgia Institute of Technology in Atlanta, Georgia, hat drahtlose Schlafpflaster aus Silikon mit eingebetteten flexiblen Schaltkreisen entwickelt, wie kürzlich in der renommierten Fachzeitschrift Science berichtet wurde. Die Patches nutzen maschinelles Lernen, um die Schlafdaten zu messen, anstatt den Patienten über Nacht von einem Live-Techniker überwachen zu lassen.

Die Pflaster können vom Patienten zu Hause im Gesicht angebracht werden, eines auf der Stirn, eines am Kinn. Sie sammeln Daten für Elektroenzephalogramme (EEG) und Elektrookulogramme (EOG), zwei Arten von Messungen zur Erkennung von Schlafapnoe. Im Gegensatz zu gelbasierten Elektroden, die in einer Schlafklinik verwendet werden, können die Pflaster tagelang verwendet werden.

Die Patches übertragen die EEG- und EOG-Daten über Bluetooth an ein Mobilgerät am Krankenbett, und das Mobilgerät nutzt ein sogenanntes „Convolutional Neural Network“ oder „CNN“, ein Arbeitstier des maschinellen Lernens. Mit einem CNN können Daten, die als Aktivitätsspektrum dargestellt werden, analysiert werden, um Schlafapnoe zu erkennen.

Silikon-Gesichtspflaster für Schlafstudien zu Hause enthalten flexible Schaltkreise, sodass sie während des Schlafs getragen werden können. Zur Datenerfassung und -analyse stellen sie drahtlos eine Verbindung zu einem Mobilgerät her.

Der Hauptautor Shinjae Kwon und sein Team stellten in Versuchen mit acht Probanden fest, dass „die Leistung des Systems eine hohe Genauigkeit von 88,52 %“ bei der Erkennung obstruktiver Schlafapnoe zeigt. Darüber hinaus zeigte die Erkennung der Home-Patches und von CNN eine „hohe Übereinstimmung“ mit der Erkennung von 82,4 %, die durch klinikbasierte Goldstandard-Schlafstudien, bekannt als „Polysomnographie“, erzielt wurde.

Kwon und sein Team wollen eine groß angelegte Studie des Systems durchführen und die Fähigkeiten der Sensoren erweitern, um andere Indikatoren für Schlafapnoe zu erkennen, darunter Blutsauerstoffsättigung, Kohlendioxid und Bewegungen.

Angesichts der Tatsache, dass das mobile Gerät die CNN-Daten sortiert und siebt, deuten die Bemühungen von Kwok und seinem Team auf einen viel größeren Trend hin: das Sammeln und Analysieren von Daten vor Ort mit KI auf einem mobilen Gerät. Durch die Automatisierung der Messung, die normalerweise von erfahrenen Technikern manuell durchgeführt wird, können einige Diagnosen außerhalb der Klinikgrenzen durchgeführt werden.

In einer Studie aus dem Jahr 2021 eines Teams der Stanford University unter der Leitung von Chayakrit Krittanawong wurden zusätzlich zur EKG-Überwachung der Apple Watch über ein Dutzend Beispiele tragbarer Gesundheits-Herzüberwachung für Verbraucher aufgeführt. Dazu gehören Brillen von OrCam Technologies aus Israel und Schuheinlagen von MEGAComfort.

Diese Wearables erzeugen „Biosignale“, die das Team als „physiologische Signale definiert, die kontinuierlich gemessen und überwacht werden können, um Informationen über elektrische, chemische und mechanische Aktivitäten zu liefern.“ Maschinelles Lernen ist ein guter Kandidat, um all diese Daten zu aggregieren, zu analysieren und zu interpretieren.

Krittanawong und sein Team berichten über kleine Studien mit 100 Probanden, die tragbare Pflaster mit Einwegsensoren verwendeten, die auf der Brust der Probanden getragen wurden. Der mit einer Einwegbatterie betriebene Sensor erfasste mehrere Daten von der Haut des Probanden, darunter Elektrokardiogramm-Wellenformen, Hauttemperatur und Körperhaltung des Probanden. Alle diese Daten wurden kontinuierlich über Bluetooth drahtlos an ein Mobiltelefon gestreamt und dann zur Analyse mithilfe maschinellen Lernens in die Cloud hochgeladen.

Die Pflaster wurden als Alternative zu implantierbaren Herzüberwachungsgeräten verwendet, um das Risiko einer Krankenhauseinweisung wegen Herzinsuffizienz vorherzusagen. Dank der Cloud-Analyse funktionierten die Patches und mobilen Geräte mit einem Maß an Empfindlichkeit und Spezifität, das mit herkömmlichen implantierbaren Monitoren in medizinischer Qualität übereinstimmte.

3. Bessere prädiktive Analysen für die Patientensicherheit

Zu den bisher am weitesten verbreiteten Einsatzmöglichkeiten von KI in tatsächlichen klinischen Umgebungen gehört der Einsatz von Vorhersagealgorithmen - Programmen, die beispielsweise die Wahrscheinlichkeit einer Wiedereinweisung ins Krankenhaus vorhersagen können. Sie verwenden häufig Daten aus elektronischen Gesundheitsakten (EHRs), da es sich bei solchen Akten um einen leicht verfügbaren Speicher für große Datenmengen handelt.

Laut Hauptautor David Classen und seinem Team ergab eine diesjährige Studie der University of Utah School of Medicine auf der Grundlage von EHR-Daten eine „breite Akzeptanz von KI im aktuellen klinischen Betrieb“.

Die Genauigkeit dieser Vorhersagetools ist jedoch fraglich. Eine im Jahr 2021 von der University of Michigan Medical School durchgeführte Studie zur Epic-Software für Sepsis ergab extrem niedrige Genauigkeitsraten bei der Sepsis-Vorhersage des Tools, was Zweifel an seinem Nutzen in der Praxis aufkommen lässt.

Das deutet darauf hin, dass Forscher bessere Möglichkeiten benötigen, um aus all diesen Daten abzuleiten, was eine EHR ihnen sagt.

Ein Beispiel für die Spitzentechnologie der prädiktiven Analytik: Wissenschaftler der Stanford University School of Medicine sammelten EHRs von 22.104 Paaren von Müttern und ihren Neugeborenen, verknüpften die Aufzeichnungen und kamen zu einer ihrer Meinung nach besseren Fähigkeit, die Sterblichkeit bei Frühgeburten vorherzusagen , die häufigste Todesursache bei Kindern unter 5 Jahren.

Die im Februar in Science Translational Medicine veröffentlichte Arbeit von Davide de Francesco und seinem Team nutzte Merkmale aus den Gesundheitsakten der Mutter, um die Ergebnisse des Neugeborenen vorherzusagen. Das Hauptziel besteht darin, ein genaueres Bild der Säuglingssterblichkeit zu erhalten als die Handvoll typischerweise verwendeter Merkmale, die als „Aussehen, Puls, Grimasse, Aktivität und Atmung“ oder Apgar-Score zum Zeitpunkt der Geburt/Entbindung bekannt sind.

Stattdessen fütterten die Forscher mehrere Datenpunkte aus mehreren Besuchen der Mutter vor der Entbindung in einen anderen bewährten Typ eines maschinellen Lernalgorithmus, der als „Lang-Kurzzeit-Gedächtnis“ oder „LSTM“ bezeichnet wird und wie RNNs zum Zerlegen verwendet wird zusammen Zeitreihendaten. Das LSTM wurde darauf trainiert, Codes für Dinge wie mütterliche Eingriffe, Medikamente und Beobachtungen im Vorfeld der Geburt mit den Zuständen in der Neugeborenen-Krankenakte des Säuglings, wie etwa Hypotonie oder Sepsis, zu korrelieren.

Die Autoren stellten fest, dass sich die Fähigkeit, die berichteten Ergebnisse des Säuglings vorherzusagen, im Vergleich zur herkömmlichen Risikobewertung deutlich verbessert hat.

Insbesondere könnte das LSTM-Programm ein erhöhtes Risiko aufgrund einiger mütterlicher Erkrankungen verallgemeinern. „Zu diesen Codes, die stark mit den Ergebnissen bei Neugeborenen verbunden sind, gehörten […] Opioidabhängigkeit in Remission, fetale-mütterliche Blutungen und verschiedene angeborene Herzerkrankungen“, berichten sie.

Darüber hinaus könnten sie auch einige Dinge behaupten, die ein Frühgeborenes in den Wochen und Monaten nach der Geburt schützen.

„Bemerkenswerte Labormessungen, die auf einen schützenden Zusammenhang mit neonatalen Folgen hinweisen, umfassen Serumalbumin, Serumprotein, Blutplättchen, Basophile, Lymphozyten und Eosinophile“, schreiben sie. „Diese Daten deuten darauf hin, dass es eine Wechselwirkung zwischen dem mütterlichen Immunsystem eine Woche vor der Entbindung und der relativen Gesundheit des Fötus gibt, die sich bis in die Neugeborenenperiode und darüber hinaus fortsetzt.“

Die Stanford-Arbeit legt nahe, dass mit der Ablösung relativ primitiver Vorhersagesysteme durch ausgefeiltere Deep-Learning-Modelle viel mehr Informationen einfach daliegen und darauf warten, entschlüsselt zu werden.

Große Sprachmodelle (LLMs) im Gesundheitswesen?

Die oben besprochenen KI-Methoden des maschinellen Lernens - RNNs, CNNs, LSTMs und Hidden-Markov-Modelle - sind allesamt ziemlich gut etablierte KI-Ansätze, die es schon seit Jahrzehnten gibt. Das Neue ist, dass sie jetzt mit einem neuen, höheren Grad an Komplexität und mit neuen Daten eingesetzt werden.

Aber was ist mit den wirklich neuen Algorithmen im Deep Learning, der „generativen KI“, die in aller Munde ist, wie etwa ChatGPT von OpenAI?

Die generative KI in der Medizin und im Gesundheitswesen steckt noch in den Kinderschuhen. KI in Form großer Sprachmodelle dringt erst nach und nach in Pilotstudien in das Feld ein, gebremst durch Bedenken hinsichtlich Dingen wie den „Halluzinationen“ von Sprachmodellen, also ihrer Neigung, falsche Informationen zu behaupten.

Tatsächlich wurde in einer Studie von Weill Cornell Medicine im August berichtet, dass „LLMs dazu neigen könnten, sachlich inkonsistente Zusammenfassungen zu erstellen und übermäßig überzeugende oder unsichere Aussagen zu machen, was zu potenziellem Schaden aufgrund von Fehlinformationen führen könnte.“

Der Erfinder von ChatGPT, OpenAI, hat der Zeitschrift Nature Medicine tatsächlich gesagt, dass „seine Modelle nicht für medizinische Diagnosen, zur Triage oder zur Bewältigung lebensbedrohlicher Probleme verwendet werden sollten.“

Aufgrund der Risiken und ethischen Probleme der generativen KI stehen noch viele regulatorische Hürden bevor.

Im Juli schrieben die Wissenschaftler Bertalan Meskó vom ungarischen The Medical Futurist Institute und Eric Topol vom Scripps Research Translational Institute einen Übersichtsartikel, in dem sie feststellten, dass „LLMs enorme Versprechen für die Zukunft des Gesundheitswesens bieten, ihre Verwendung jedoch auch Risiken mit sich bringt.“ ethische Herausforderungen.“

Meskó und Topol prognostizieren, dass die Regulierungsbehörden „eine neue Regulierungskategorie für LLMs schaffen werden, da diese sich deutlich von KI-basierten medizinischen Technologien unterscheiden, die bereits einer Regulierung unterzogen wurden“.

„Es scheint sicherlich äußerst nützlich zu sein“, sagt Jeremy Howard über generative KI, „aber es ist sehr schwierig, es so konsequent einzusetzen, dass es in die aktuellen Einschränkungen und Prozesse im US-amerikanischen Gesundheitssystem passt.“

Howard prognostiziert, dass generative KI trotz ihrer Mängel von Nutzen sein könnte, um die Lücke bei den medizinischen Fachkräften zu schließen.

„Der Großteil der Weltbevölkerung hat nicht annähernd genug Zugang zu Ärzten“, sagte er. „Es könnte darauf hinauslaufen: Möchten Sie einen kommunalen Gesundheitshelfer mit einer sechsmonatigen Schulung in der effektiven Nutzung dieses KI-Systems und nicht gar nichts?“