Folge 2: Die Schnittstelle zwischen Gesundheitswesen und KI mit Jeff Elton
In der zweiten Folge unseres Podcasts „Innovative Technology Insights“ diskutiert Jeff Elton, CEO von ConcertAI, gemeinsam mit Natasha Allen über die zunehmende Überschneidung von Gesundheitswesen und künstlicher Intelligenz. Welche Bereiche der Medizin werden am meisten von KI profitieren? Wie wird diese Einführung dazu beitragen, gesundheitliche Ungleichheiten zu beseitigen? Wo liegen potenzielle ethische Fallstricke? Und was können Unternehmen tun, um sich auf diesen Wandel vorzubereiten?
Tiefer einsteigen:
- Künstliche Intelligenz hält Einzug in die Stammzellenforschung
- Kann KI die Präzisionsmedizin verändern?
Das folgende Transkript der Episode wurde aus Gründen der Übersichtlichkeit bearbeitet.
Natasha Allen
Hallo zusammen. Mein Name ist Natasha Allen und ich bin Partnerin im Büro von Foley im Silicon Valley und Co-Vorsitzende des Schwerpunktbereichs KI innerhalb unseres Sektors für innovative Technologien. Im heutigen Podcast sprechen wir über KI im Gesundheitswesen.
Mit dabei ist Jeff Elton, der sein Fachwissen zu diesem Thema einbringen wird. Jeff ist CEO von ConcertAI, einem Anbieter von Forschungslösungen und patientenorientierten Lösungen für die Biowissenschaften, Innovationen und weltweit führende Anbieter. Bevor er zu ConcertAI kam, hatte Jeff Führungspositionen bei Accenture und den Novartis Institutes of Biomedical Research Inc. inne.
Jeff Elton
Vielen Dank, Natasha.
Natasha Allen
Vielen Dank, dass Sie heute hier sind. Lassen Sie uns gleich loslegen. Wie in vielen anderen Branchen wird auch im Gesundheitswesen die KI-Technologie einen großen Einfluss haben. Die Gesundheitsbranche steht jedoch bei der Implementierung von KI vor einigen Herausforderungen. Sind Sie der Meinung, dass die Einführung von KI im Gesundheitswesen hinterherhinkt?
Jeff Elton
Es ist schwer zu sagen, ob es hinterherhinkt, aber es macht auf jeden Fall Fortschritte. Zunächst werde ich auf einige Fragen eingehen, die im Zusammenhang mit KI und Gesundheitswesen aufkommen. KI stellt ein Modell dar, mit dem Sie entweder Merkmale eines Patienten vorhersagen können, um seine Bedürfnisse zu interpretieren, oder die Interpretation eines medizinischen Dienstleisters ergänzen können. Außerdem ist KI in der Lage, riesige Daten- und Informationsmengen zu verarbeiten.
In der Regel wurde die KI trainiert. Und genau hier kommen einige Bedenken ins Spiel. Dieses Training basiert in der Regel auf retrospektiven Daten – darunter Bilder, digitale Pathologie, radiologische Daten, elektronische Patientenakten usw. Die zugrunde liegende Frage ist, ob diese Trainingsdatensätze wirklich repräsentativ für die untersuchte Population sind. Transparenz ist entscheidend. Können Sie Vertrauen in die Trainingsmethodik haben? Haben Sie die richtige Gruppe für das primäre Training ausgewählt? Es gibt einen Prozess zur Konservierung oder Aufbewahrung einiger Daten für die nachträgliche Validierung, und Sie möchten zu Beginn eine gewisse Randomisierung zwischen diesen Daten.
Und dann kommt die Stabilität. Populationen sind nicht immer gleich. Wir wenden Behandlungsparadigmen an und die Ergebnisse verbessern sich, sodass ein einmal erstelltes KI-Modell möglicherweise nicht immer die gleiche Leistung erbringt.
Der Bereich entwickelt sich weiter und zieht immer mehr Menschen an. Aber in den klinischen Bereichen, in denen wir tätig sind, gibt es sehr hohe Erwartungen, dass KI in nahezu allen Bereichen des Gesundheitswesens eine wichtige Rolle spielen wird. Das Ergebnis sind sehr große Datenmengen und eine hohe Komplexität. KI kann Entscheidungsträger wirklich unterstützen – indem sie eine Grundlage schafft, die Vertrauen, Transparenz und Gleichbehandlung im Gesundheitswesen ermöglicht.
Natasha Allen
Sie haben es kurz angesprochen – was sind Ihrer Meinung nach einige der ethischen Probleme, die damit verbunden sind, und welche regulatorischen Rahmenbedingungen wirken sich auf diese Probleme aus?
Jeff Elton
Ethische Fragen beziehen sich darauf, ob sich alle Teilpopulationen so verhalten, wie man es erwarten würde. Ein Großteil unserer biomedizinischen Forschung findet in akademischen medizinischen Zentren statt, die sich meist in städtischen Gebieten befinden.
Menschen, die sich in akademischen medizinischen Zentren behandeln lassen, sind in der Regel wohlhabender. Sie sind tendenziell gesünder, auch wenn sie sich in Behandlung begeben. Dies gilt sogar für Bereiche wie die Krebsbehandlung. Die Patienten sind im Allgemeinen gesünder und weniger dekompensiert. Sie sehen nicht unbedingt alle so aus wie die 80 % der Patienten, die in der Gemeinde oder in einem privaten Gesundheitssystem behandelt werden. Ich sage das, weil dies in der Regel das Epizentrum vieler biomedizinischer Innovationen ist. Ein Teil der ethischen Überlegungen besteht darin, das KI-Modell an den relevanten Bevölkerungsdaten auszurichten – also an denjenigen, die wirklich unter den Erkrankungen leiden.
Natasha Allen
Wie kann KI dazu beitragen, gesundheitliche Ungleichheiten zu beseitigen?
Jeff Elton
Meiner Meinung nach wird KI zu Unrecht mit Voreingenommenheit in Verbindung gebracht. Das muss nicht unbedingt der Fall sein. Tatsächlich gibt es viele Bemühungen und Menschen, die daran arbeiten, KI einzusetzen, um Gerechtigkeit im Gesundheitswesen zu gewährleisten. Ein Beispiel ist Prostatakrebs, von dem afroamerikanische Männer überproportional betroffen sein können. Bei der Konzeption einer Studie muss ich möglicherweise sicherstellen, dass die Laborwerte der Studie, selbst wenn diese Studie durchgeführt wird, eine substanzielle Beteiligung von Unterkohorten ermöglichen. Für afroamerikanische Männer in diesem speziellen Fall ist es das Ziel, dass die Ergebnisse für diese Subpopulation oder Untergruppe statistisch valide sind. KI-Modelle und -Tools sowie die Studienkonzeption ermöglichen dies nun.
Ebenso muss ich möglicherweise die klinischen Standorte identifizieren, die in der Lage sind, eine ausreichende Anzahl von Patienten mit unterschiedlichen Merkmalen zu gewinnen, um potenzielle Ungleichheiten und Ungerechtigkeiten im Gesundheitswesen zu beseitigen. Auch hier leisten KI-Modelle einen wichtigen Beitrag, bis hin zu den Arbeitsabläufen der Gesundheitsdienstleister. Wir arbeiten derzeit an Lösungen zur Patientenidentifizierung und arbeiten mit diesen Anbietern zusammen, um die Patienten zu identifizieren und sicherzustellen, dass alle, die potenziell die Zulassungskriterien erfüllen, in die Studie aufgenommen werden – insbesondere diejenigen, die möglicherweise überproportional betroffen sind. In diesen speziellen Fällen nutzen wir KI-Modelle und Daten, um historische Ungleichheiten und Disparitäten zu überwinden.
Natasha Allen
Das ist beeindruckend. Welche Bereiche der Medizin werden Ihrer Meinung nach am meisten von KI profitieren?
Jeff Elton
Ich werde die Antwort in mehrere Teile aufteilen. Wo sehen wir bereits Vorteile? Wie wird sich dies weiterentwickeln und verändern? Und wohin könnte dies mittelfristig und langfristig führen?
Auf der Anbieterseite, vor allem in der radiologischen Bildgebung, gab es viele Fortschritte bei KI-Modellen zur Bildinterpretation. Dies gilt sowohl für die zweidimensionale Bildgebung (Röntgen) als auch für die fortschrittliche dreidimensionale Bildgebung (MRT). KI kann viele verschiedene Aufgaben übernehmen. Ich habe nicht nur ein Bild, sondern kann auch eine Bildvorverarbeitung durchführen. Ich kann damit Merkmale des Bildes bereinigen und aufräumen, wodurch KI-Modelle dann effektiver arbeiten können.
Warum ist das wichtig? Ein Grund dafür ist, dass Radiologen tatsächlich immer knapper werden. Das ist eine praktische Überlegung. Die Zahl der neuen Radiologen, die in die Praxis eintreten, im Vergleich zu denen, die in den Ruhestand gehen, und im Vergleich zur Nachfrage nach diesem Beruf befindet sich im Wandel.
Zweitens werden KI-Modelle nicht müde. Sie können bei der Primärdiagnose helfen, um sicherzustellen, dass den Radiologen Merkmale zur Akzeptanz vorgelegt werden. Ihre Ergebnisse müssen auch nicht immer für bare Münze genommen werden.
KI-Modelle können auch für Ex-post-Sekundärbewertungen verwendet werden, um sicherzustellen, dass keine kritischen Merkmale übersehen werden, oder um Warnsignale zu geben, um die allgemeine Versorgungsqualität zu verbessern. Langfristig werden wir eine Verlagerung hin zur digitalen Pathologie erleben, da viele der gleichen modellbasierten Ansätze auch dort funktionieren werden. Mit diesen digitalen Objektträgern aus der anatomischen Pathologie auf verschiedenen Plattformen werden Sie allmählich technische Konvergenzen in diesem Bereich beobachten können.
Die nächste Stufe der Konvergenz besteht darin, elektronische Patientenakten und andere Datentypen mit Bildgebungsdaten zu verknüpfen. Nehmen wir zum Beispiel elektronische Patientenakten. Ich habe wahrscheinlich einen Patienten mit nicht-kleinzelligem Lungenkrebs. Ich werde eine Bildauswertung durchführen und auch Teile der Patientenakte mit molekularen Daten hinzuziehen. Die Integration dieser beiden Elemente wird die Genauigkeit weiter verbessern.
Was ich jetzt mache, ist nicht nur das Lesen des eigentlichen Bildes, sondern ich beginne tatsächlich mit der Auswahl der Behandlungen für die klinischen Studien, für die der Patient in Frage kommen könnte. Ich halte mich zurück, indem ich sage, dass dies keine Unterstützung bei klinischen Entscheidungen ist.
Das ist tatsächlich eine sehr wichtige Funktion, da KI das Gesundheitswesen weiterhin verändern wird. Es ist wie bei einem pointillistischen Gemälde, bei dem man viele sehr kleine Lösungen mit höchster Präzision erhält. Zusammen bieten sie immer mehr Funktionen – sie unterstützen die Entscheidungsfindung der jeweiligen klinischen Teams und stellen sicher, dass ihnen keine Merkmale entgehen.
Schließlich wird es eine Vernetzung zwischen verschiedenen Datentypen und dann auch zwischen verschiedenen Disziplinen geben. Dann wird es zu einer Konvergenz in der Entscheidungsarchitektur kommen. Tatsächlich werden klinische Datenquellen – elektronische Datenquellen aus Krankenakten – etwas an Nutzen einbüßen. Intelligentere, intelligentere Datenschichten werden in der Lage sein, sich über mehrere Datenmodalitäten hinweg zu integrieren. Diese Modelle werden zu einer höheren Qualität, Produktivität und viel höheren Präzision bei der Vorhersage und Förderung viel besserer Ergebnisse für die Patienten führen.
Natasha Allen
Das ist sehr gut. Lassen Sie uns nun ein wenig über ConcertAI sprechen. Wie nutzt ConcertAI KI in seinem Unternehmen?
Jeff Elton
KI kann auf drei verschiedenen Ebenen betrachtet werden. Wir nutzen KI in unseren eigenen Betrieben. Als Unternehmen arbeiten wir mit Hunderten von Gesundheitsdienstleistern zusammen. Einige unserer klinischen Lösungen werden bei 1.400 Anbietern in Europa, den Vereinigten Staaten und Japan eingesetzt. Wir arbeiten hier in den Vereinigten Staaten mit Hunderten von Anbietern an verschiedenen Aspekten bestimmter Krebsarten. Obwohl wir uns nicht ausschließlich auf Krebs konzentrieren, legen wir einen sehr starken Schwerpunkt darauf.
Wir verwenden KI- und natürliche Sprachverarbeitungsmodelle, um die strukturierten Teile von Datensätzen zu lesen. Dabei kann es sich um PDF-Dokumente, Notizen von Krankenschwestern und Ärzten und vieles mehr handeln. Mit KI können wir diese Daten analysieren und alle nicht zugänglichen, nicht lesbaren Daten in eine maschinenlesbare Form umwandeln, sodass eine Analyse durchgeführt werden kann.
Wir verwenden auch KI-Modelle, um die Daten für die Qualitätskontrolle zu überprüfen. Wir suchen nach Werten, die in der Natur nicht vorkommen können. Beispielsweise sollte die Körpertemperatur eines Menschen nicht mit 131 Grad Fahrenheit angegeben werden – das wäre unmöglich. Dies kann tatsächlich für die Qualitätskontrolle genutzt werden. In unserem Betrieb beeinflussen KI und natürliche Sprachverarbeitung die Art und Weise, wie wir Daten verwalten und verarbeiten.
Oberhalb dieser Ebene beginnen wir dann mit der Entwicklung von KI-Modellen und -Lösungen, die sehr spezifisch für unsere Software-as-a-Service-Ebene (SaaS) sind. Wir verfügen über eine Reihe von Analyselösungen. Es gibt etwas, das als Metastasierungsstatus bezeichnet wird und angibt, in welchem Stadium der Krebserkrankung sich Patienten befinden. In elektronischen Patientenakten wird dies in der Regel nur zum Zeitpunkt der Erstdiagnose erfasst. Wir haben KI-Modelle, die die Patientenakte lesen und diesen Status zu jedem Zeitpunkt beurteilen können. Nicht-kleinzelliger Lungenkrebs hat keinen eigenen ICD-Code. Mit unserem Modell können wir die Akte lesen und beurteilen, ob es sich um nicht-kleinzelligen oder kleinzelligen Lungenkrebs handelt. Das ist ein ziemlich komplexer, prädiktiver Prozess.
Das ist also unsere Art von Analyseumgebung. Wir verfügen über Tools für die Konzeption klinischer Studien, die sicherstellen, dass klinische Studien robust, mit minimalem Aufwand und minimaler Verzerrung konzipiert werden können. Wie bereits erwähnt, setzen wir KI-Lösungen für alles ein, von der Identifizierung von Patienten für die Behandlungsberechtigung bis hin zu unserer TeraRecon-Lösung, einer Lösung zur Interpretation radiologischer Bilder.
Wir sind außerdem dabei, eine KI-Maschinell-Lern-Ebene einzuführen, die auch Software- und Medizinproduktlösungen bereitstellen wird. Es wird sich um eine offene Architektur handeln, die es Anbietern und anderen Dritten ermöglicht, ihre Modelle und Architekturen zu integrieren.
Wir sehen uns selbst als Vermittler, der große Mengen unterschiedlicher Daten an verschiedene Entscheidungsträger weiterleitet – und dies auf eine Weise, die deren Effizienz und Effektivität in einer bisher nicht möglichen Form unterstützt. Durch unsere enge Zusammenarbeit mit Innovatoren im Bereich Biomedizin und Gesundheitsdienstleistern befinden wir uns gewissermaßen zwischen zwei Ökosystemen. Wir haben 150 aktiv eingesetzte KI-Modelle in Produktion.
Natasha Allen
Wow, das ist beeindruckend. Eine letzte Frage: Angenommen, ein Unternehmen möchte KI in seinen Betriebsabläufen implementieren. Haben Sie Tipps oder Vorschläge für dieses Unternehmen?
Jeff Elton
Datenmanagement – die Aufbereitung von Daten und die Zugänglichkeit der Unternehmensdaten – ist eines der größten Hindernisse. Ehrlich gesagt, wenn Sie sich unser Data-Science-Team ansehen, besteht etwa 70 % seiner Arbeit darin, die Daten aufzubereiten, bevor es tatsächlich mit der Entwicklung des Modells beginnen kann.
Viele Unternehmen, die sich mit KI beschäftigen und damit beginnen, künstliche Intelligenz in ihr Unternehmen zu integrieren, werden sich mit der Datenerfassung und -organisation befassen müssen. In der Vergangenheit wurden Daten in großen Unternehmensanwendungen in funktional ausgerichteten Infrastrukturkomponenten gespeichert. KI und maschinelles Lernen hingegen konzentrieren sich darauf, Intelligenz zu nutzen, die Funktionen auf eine Weise koordiniert, die nicht klar umrissen ist. Der erste Schritt besteht darin, die alte Datenarchitektur auf dieser grundlegenden Ebene zu überwinden.
Der nächste Teil des Prozesses ist die Governance. Überlegen Sie sich, welche Arten von Modellen entwickelt werden, wo sie eingesetzt werden, wie sie verwendet werden, wie die Arbeitsabläufe aussehen werden und wie entschieden wird, ob die Ergebnisse gültig sind oder nicht. Sie sollten stets einen reibungslosen und diskreten Entscheidungsprozess anstreben – von der Modellentwicklung und -bereitstellung bis hin zur Freigabe und Überwachung.
Der letzte Teil besteht darin, dynamische Arbeitsabläufe zu antizipieren und zu ermöglichen – eine Brücke zwischen Intelligenz und Koordination zu schlagen – und nach neuen Effizienzsteigerungen und intelligenteren Arbeitsweisen zu suchen. Möglicherweise werden Sie feststellen, dass ältere Abläufe, die viel sequenzieller waren, nicht mehr dieselben sind. Wir persönlich sehen einen enormen Wert in KI. Wir sehen ihn in unserem eigenen Unternehmen und wir sehen ihn in dem, was wir unseren Kunden bieten können.
Natasha Allen
Das ist großartig. Vielen Dank, dass Sie sich die Zeit genommen haben, mit uns darüber zu sprechen, wie KI im Gesundheitswesen eingesetzt wird und eingesetzt werden kann, und uns einige der Vorteile und Verbesserungsmöglichkeiten aufgezeigt haben. Wir wissen Ihre Zeit sehr zu schätzen. Vielen Dank an alle für Ihre Teilnahme, bis zum nächsten Mal.
Der Podcast „Innovative Technology Insights“ von Foley & Lardner konzentriert sich auf die vielfältigen Innovationen, die die heutige Geschäfts-, Regulierungs- und Wissenschaftslandschaft prägen. Mit Gastrednern, die in verschiedenen Bereichen tätig sind, von künstlicher Intelligenz bis hin zur Genomik, untersuchen wir in unseren Diskussionen nicht nur die rechtlichen Auswirkungen dieser Veränderungen, sondern auch deren Einfluss auf unser tägliches Leben.
