Von Big Data bis KI
Aktuell steht die Telematikinfrastruktur stellvertretend für die Digitalisierung des deutschen Gesundheitswesens. Dabei sorgen auch andere Trends für Fortschritt in Diagnostik, Therapie und Forschung. Medizininformatiker Prof. Dr. Martin Boeker von der Technischen Universität München spricht im Interview über Künstliche Intelligenz (KI), hoch spezialisierte Berufsbilder und das Potenzial von Big Data.
Von Real-World Data über Clinical Decision Support bis hin zur roboterassistierten Operation
Herr Boeker, wie verändert die Digitalisierung hierzulande die Berufsbilder in der Medizin?
Sagen wir es mal so: Die Digitalisierung bringt gravierende Veränderungen mit sich, die Ausbildung hängt jedoch Jahre hinterher. Wir versuchen zunehmend, digitale Inhalte einzubinden. Mobile Medizin, also alles rund um Gesundheitsapps, ist ein großes Thema. Big Data und Künstliche Intelligenz sind es natürlich ebenso. Aber das Entwicklungstempo ist enorm hoch und die Lehre kann hier derzeit schwer Schritt halten.
Aber es gibt auch positive Beispiele, oder?
Ja klar. Im ärztlichen Feld sind alle rein diagnostischen Bereiche, besonders in der Bildgebung und in der Radiologie, weitgehend „durchdigitalisiert“. Überall, wo viele Monitor- und Bilddaten anfallen, hat sich hierzulande vieles weiterentwickelt – durch komplexe Programme, durch neue Möglichkeiten der Bildverarbeitung und der Darstellung. Letztlich besteht im diagnostischen Bereich der Arbeitsalltag sehr stark aus der Bedienung von spezifischen Computersystemen. Diese Systeme sind sehr teuer und wahrscheinlich werden sie sich eher auf spezialisierte Zentren konzentrieren, die sich die Nutzung und Wartung leisten können. Im technischen und pflegerischen Bereich gibt es schon seit Jahren Berufsbilder wie Kardiotechnik oder Intensiv- und Anästhesiepflege. Dort arbeiten hoch spezialisierte Leute, die oft technische Systeme bedienen müssen. Hier haben wir weniger ein Digitalisierungs- als vielmehr ein Fachkräfteproblem. Doch solche Berufe mit sehr spezialisierten, technisch anspruchsvollen Aufgaben im Operationssaal (OP) oder auf der Intensivstation werden immer stärker gefragt sein.
Bilden sich denn gerade ganz neue, digitalisierungsgetriebene Berufe im Medizinwesen heraus?
Im Bereich der Data Science lässt sich das schon beobachten. Es gibt eine große Nachfrage nach Machine-Learning-Technologien. Inwieweit sich daraus weitverbreitete Berufsbilder entwickeln, bleibt zunächst abzuwarten. Da wäre nämlich noch das Problem mit dem Medizinproduktegesetz: Damit man etwas regelmäßig in der Medizin einsetzen kann, muss es als Medizinprodukt zugelassen werden, was ein aufwendiger und teurer Prozess ist – und die Schwelle erhöht, Produkte in den Markt bringen zu können.
Ist der digitale Wandel in der Medizin vor allem ein Wandel in der Diagnostik?
Das würde ich so nicht sagen. Wir haben genügend therapeutische Möglichkeiten – komplizierte Operationen laufen ja mitunter roboterassistiert ab. Die großen Roboter, die am schlagenden Herzen operieren, können sich aktuell nur wenige Zentren leisten. Aber es gibt viele mikroinvasive Interventionen, die mit entsprechender Bildgebung gekoppelt sind – da dürfte es weitere technische Entwicklungen geben. KI-gestützte und einfach zu bedienende Clinical-Decision-Support-Systeme (CDS) werden zunehmend eine Rolle spielen. Im Gesundheitswesen fallen Massen an Daten zu bestimmten Krankheiten an, in klinischen Studien, vor allem allerdings im Versorgungsalltag. Die CDS strukturieren diese Daten, werten diese aus und helfen medizinischem Personal dabei, aus mehreren Optionen die beste Therapie zu wählen.
Da sind wir bei Big Data. Deren Potenzial scheint immens, insbesondere für die Forschung …
Die Rede ist hier allgemein vom Datenschatz. Generell rate ich zur Vorsicht: Routinedaten – sogenannte Real-World Data – werden für die Routineversorgung erhoben und nicht für die Wissenschaft. Daher beschränkt sich die Nutzbarkeit auf bestimmte Fragestellungen. Und nur weil Daten aus dem Krankenhaus kommen, sind sie nicht gleich hochwertig. Sie sind oftmals fehlerhaft. Aber: Sie können richtig wertvoll werden. Zum einen natürlich durch gute Dokumentation. Zum anderen steigt die Verlässlichkeit von Real-World Data mit ihrer Menge.
Je größer der Datenschatz, desto mehr Aussagekraft haben Routinedaten für die Forschung?
Ja, man kann davon ausgehen, dass sich Fehler in einzelnen Datensätzen über viele verschiedene Datensätze hinweg ausgleichen. Und am Ende führen große Populationen zu validen Aussagen über bestimmte Erkrankungen, was uns wiederum näher in Richtung personalisierte Medizin bringt: Anhand von aussagekräftigen Real-World Data werden Forschende und Behandelnde genauer identifizieren können, welche Behandlungsgruppen von welcher Therapie am meisten profitieren. Dadurch werden Behandlungen individualisierter, zielgerichteter und womöglich auch verträglicher.
Mit der Big-Data-Revolution dürften Datentreuhänder eine immer wichtigere Rolle spielen. Wie sehen Sie dieses Konzept?
Datentreuhänder können eine wichtige Rolle bei der Nutzung von Daten aus dem Gesundheitswesen spielen, wenn sie allgemeine Akzeptanz und Vertrauen in der Bevölkerung genießen. Damit würde sich die Chance ergeben, Daten von sehr vielen Menschen aus ganz unterschiedlichen Bereichen der Versorgung – stationär und ambulant – zusammenzuführen. Die Nutzung dieser Daten wird für Forschende damit über einen zentralen Zugangspunkt zu standardisierten und vertraglich geregelten Bedingungen ermöglicht.
Noch scheint sich die Rolle des Datentreuhänders vor allem auf die Funktionen einer Vertrauensstelle zu fokussieren. Reicht das oder müssen andere Services wie die Datenveredlung an Bedeutung gewinnen?
Ein Datentreuhänder kann erst dann Forschung substanziell unterstützen, wenn Daten aus verschiedenen Quellen integriert abgerufen werden können, zum Beispiel aus mobilen Gesundheitsakten, von Krankenkassen und aus dem stationären Bereich. Dafür gilt es, diese Daten in standardisierter Weise zusammenzuführen und ihre Qualität zu überprüfen.
Vorausgesetzt die Datenbasis ist groß genug, es gleichen sich immer mehr Fehler aus und Datentreuhänder genießen breites Vertrauen: Könnten sich klinische Studien damit erübrigen und Real-World Data in Zukunft den größten Part in der Forschung ausmachen?
Klinische Studien bieten eine sehr hohe Evidenzstufe. Sie hinter sich zu lassen, kann sich die Forschung nicht leisten. Für bestimmte Fragestellungen wird es jedoch auf Alternativen für klassische Studien hinauslaufen. Bei personalisierter Medizin oder mit Blick auf sehr seltene Erkrankungen, wo molekulare Diagnostik eine große Rolle spielt, funktionieren die traditionellen Studienmodelle nicht. Ich glaube, dass hier stattdessen Beobachtungsdaten, die wir zunehmend gewinnen, eine wichtige Rolle spielen werden. Doch auch hier würde ich differenzieren: Bei einer Register- oder Beobachtungsstudie mit einer zusätzlichen Dokumentation ist die Datenqualität höher als beim reinen Blick auf den Versorgungsalltag. Ich denke, letztlich wird es Mischformen geben.
