Zukunft Industrien

Kognitives Assistenzsystem unterstützt Ärzte und die Transformation des Gesundheitswesens

Daten spielen in der Medizin eine bedeutende Rolle. Vom effektiven Umgang mit ihnen hängt nicht nur das Wohl des Patienten ab; durch sie können auch wichtige Bereiche des Gesundheitssystems entscheidend verbessert und zukunftsfähig gemacht werden. Big Data-Technologien und vor allem kognitive Systeme sind die entscheidenden Innovationen für diese notwendige Transformation. In diesem Post werden wir Grundlagen und Bedeutung dieser Technologien im Gesundheitswesen allgemein darstellen. In einem zweiten Teil wollen wir später einige praktische Einsatzmöglichkeiten vorstellen.

Von „Big Data“ zu „kognitiv“

Der Begriff „Big Data“ wird verwendet, um sehr große und heterogene Datenmengen zu beschreiben, die mit traditionellen IT-Methoden nicht oder nicht vollständig verarbeitet werden können. Die Erfahrung zeigt, dass ca. 80% der weltweit generierten Daten sogenannte „unstrukturierte Daten“ wie Textdokumente, Bilder oder Videos sind, deren Verarbeitung erst durch die Entwicklung neuester Technologien wie Sprach- oder Bildverarbeitung ermöglicht wird [1]. Kognitive Systeme gehen einen Schritt weiter und helfen die Komplexität von „Big Data“ zu meistern. Denn Daten enthalten immer Informationen, doch nur durch die korrekte Verknüpfung und Auswertung der Informationen wird Wissen generiert. Das kognitive System stellt daher eine Weiterentwicklung und Erweiterung des „Big Data“ Ansatzes dar, indem es genau diese Zusammenhänge sucht, analysiert und darstellt. Es unterstützt daher die Verwandlung von Daten in Informationen und vernetztes Wissen.

Im Gesundheitswesen liegen Informationen in verschiedenster Form vor – strukturiert z. B. in Krankenhausinformationssystemen (KIS) oder anderen Datenbanken bzw. unstrukturiert in Form von Befunden, Entlassungsbriefen, Röntgenbildern, Fachbüchern oder Forschungsartikeln. Derzeit geht man davon aus, dass sich das medizinische Wissen alle 3 Jahre verdoppelt, bis 2020 verkürzt sich dieser Zeitraum auf alle 73 Tage [2]. Jede Person wird während ihrer Lebenszeit über 1100 Terabyte (TB) an klinischen, genomischen und vor allem Lifestyle-Daten aus zum Beispiel Fitnesstrackern, Implantaten oder anderen Sensoren erzeugen [3]. In Kombination mit der Tatsache, dass die Weltbevölkerung wächst und immer älter wird, ist es nur verständlich, dass das Gesundheitswesen neue Strategien und Technologien braucht, um die Flut an Informationen effizient zu verarbeiten und nutzen zu können [4,5,6].

Herausforderungen für das Gesundheitswesen

Das Gesundheitswesen befindet sich in einer Transformation und steht vor einigen Herausforderungen. Die Entwicklung in Richtung personalisierter und evidenz-basierter Medizin in Kombination mit „Precision Medicine“ stellt hohe Anforderungen an Mediziner und IT-Systeme.

Um im Rahmen der personalisierten Medizin die bestmögliche Behandlung für einen Patienten zu finden, muss eine Vielzahl an Informationen erfasst, verknüpft und gemeinsam betrachtet werden. Hierzu zählen vorrangig Beobachtungsdaten des Patienten wie Patientendaten und Dokumente aus dem KIS, EMR, Labor oder Bilddaten. Der Ansatz der „Precision Medicine“ erfordert eine noch granularere Erfassung der spezifischen Parameter und Eigenschaften des Patienten wie z.B. Genomdaten, die Umgebung und den Lebensstil, um eine noch exaktere Bestimmung der geeignetsten Behandlung zu treffen [7].

Aber auch publiziertes medizinisches Wissen aus Fachbüchern, Guidelines oder Fachartikeln ist essentiell, um evidenz-basierte Entscheidungen zu treffen. Diese Menge an Informationen muss von IT-Systemen zugänglich und effektiv verarbeitbar gemacht werden, um eine Informationsüberflutung zu verhindern.

Neben der Kenntnis der Krankengeschichte eines Patienten gewinnen höhere Spezialisierung und das Wissen zu neuesten Forschungsergebnissen und Methoden stetig an Bedeutung. Dies führt zu einer Zunahme der Komplexität von klinischen Guidelines und der Auswahl von Behandlungen. Gleichzeitig werden aber die Ressourcen und Zeitpläne immer knapper.

Eine Analyse der BARMER GEK zur ambulanten ärztlichen Versorgung 2014 ergibt, dass in diesem Jahr 92,9 Prozent der Bevölkerung Kontakt zur ambulanten ärztlichen Versorgung hatte. Die Anzahl der Behandlungsfälle pro Einwohner in Deutschland lag bei durchschnittlich 8,5 pro Jahr, Jahr 2005 waren es noch ca. 7. Weiter zeigt sich, dass jeder Einwohner 2014 im Durchschnitt 2 bis 3 unterschiedliche Ärzte aufgesucht hat, Tendenz auch hier steigend [8]. Dies zeigt, dass sich auch die Patientenselbstverantwortung verändert. Patienten gehen nicht nur immer öfter zum Arzt, sondern konsultieren auch mehrere Ärzte, meist Fachärzte. Ärzte müssen daher nicht nur eine größere Anzahl an Patienten betreuen, sondern auch zunehmend neue Patienten versorgen. Die Krankengeschichte einer Person muss daher in immer kürzerer Zeit erfasst werden.

Wie wäre es daher, wenn Mediziner mit einem einzigen Klick einen Überblick über alle relevanten Informationen erhielten, die einen bestimmten Patienten betreffen? Wie wäre es, wenn sie Fragen stellen könnten und sinnvoll gefilterte Antworten bekämen, vielleicht sogar in natürlicher Sprache? Hier geht es nicht nur um Daten aus dem KIS oder anderen patientenführenden klinischen Systemen, sondern auch um medizinische Literatur, neueste Forschungsergebnisse, Fachartikel, Teilnahmekriterien für klinische Studien oder klinische Behandlungspfade – alles auf den konkreten aktuellen Patienten personalisiert zugeschnitten.

Durch den exponentiellen Anstieg an medizinischen Daten wird es für Experten immer schwieriger, wenn nicht unmöglich, das auf der Welt vorhandene Wissen vollständig zu lesen und zu kennen.

 

Abbildung 1: Nur die Kombination aller Datenquellen erlaubt verlässliche Schlussfolgerungen.

Abbildung 1: Nur die Kombination aller Datenquellen erlaubt verlässliche Schlussfolgerungen.

 

Abbildung 1 zeigt beispielhaft die Kombination verschiedenster Informationen aus unterschiedlichen Datenquellen für einen Patienten. Das Durchlesen all dieser Quellen vor jeder Behandlung ist für einen Arzt in der sehr limitierten Zeit, die dafür zur Verfügung steht, schlichtweg unmöglich. Ein Computer kennt diese zeitlichen Limitierungen nicht. Wichtiger ist noch, dass er auch nicht vergisst. Information, die ein Computer einmal gelesen hat, bleiben abgespeichert und können jederzeit wieder aufgerufen werden.

In Zukunft wird es immer wichtiger sein, aus der Vielzahl an Daten die derzeit relevanten Informationen gezielt und rasch herausfiltern zu können und diese entsprechend anzuwenden. Dies ist nicht trivial, denn die Definition von „relevante Information“ ist durchaus relativ und abhängig vom Kontext und Anwendungsfall. Das kognitive System IBM Watson unterstützt genau in diesem Bereich und sorgt dafür, dass Ärzte ihre Zeit optimal für die Patientenbehandlung nutzen können.

Durch die immer raschere Generierung von neuem Wissen wird auch das Erkennen von Zusammenhängen komplexer. Auch in diesem Fall kann das kognitive System IBM Watson einen wichtigen Beitrag leisten. Vor allem die neuartigen Technologien und Algorithmen, die sehr große Datenmengen aus unterschiedlichen Quellen zusammenführen und gemeinsam betrachten können, unterstützen bei der Fakten- und Evidenzgenerierung. Bisher unbekannte Zusammenhänge und ausschlaggebende Faktoren für bestimmte Ereignisse können gefunden werden – bis hin zur Erstellung von komplexen Vorhersagemodellen. Dies ist speziell in der Forschung wichtig, aber natürlich auch im Qualitätsmanagement und der Risikoklassifikation. Auch das Erkennen von Zusammenhängen in den eigenen Datenbeständen bzw. Patientenpopulationen – die ja häufig auch in die Millionen Patientendokumente gehen – bietet großes Potential. Es besteht zum Beispiel die Möglichkeit, den aktuellen Patienten mit der bestehenden Patientenpopulation zu vergleichen und verschiedene Behandlungsmethoden gegenüberzustellen.

Die Verknüpfung und der Überblick über Daten aus verschiedenen Quellen sind essentiell, bergen jedoch auch einige technische Herausforderungen, wie z.B:

  • Volumen und Komplexität der Daten
  • Qualität und Aussagekraft der Daten
  • Umgang mit Informationen in unstrukturierter Form
  • Integration unterschiedlichster Daten und Datenmodelle
  • Integration unterschiedlicher Systeme
  • Hohe Anforderungen an Datenauswertungskenntnisse
  • Wachsende Zusammenarbeit in einem Eco-system

IBM Watson: Ein kognitives System

Das kognitive System IBM Watson stellt sich diesen Herausforderungen und eröffnet damit ganz neue Möglichkeiten in der Informationsverarbeitung. Es ermöglicht eine neue Partnerschaft zwischen Menschen und Computern, die die menschliche Expertise unterstützt, anreichert und beschleunigt:

  1. IBM Watson unterstützt den Entscheidungsprozess von Fachexperten durch die rasche Bereitstellung der für die Entscheidung relevanten Informationen und die Erstellung und Evaluierung von verschiedenen Hypothesen.
  2. IBM Watson skaliert Expertise und eröffnet die Möglichkeit höherer Konsistenz des Informationsflusses und ständige und ortsunabhängige Verfügbarkeit eines Assistenten, welcher auf qualitätsgesicherte Informationen zurückgreift.
  3. IBM Watson ermöglicht die raschere Entwicklung von Expertise durch die ständige Verfügbarkeit der von Experten trainierten Wissensbasis und das Aufzeigen von bisher unbekannten Zusammenhängen.

Diesen Mehrwert generiert IBM Watson durch die in Abbildung 2 dargestellten Eckpfeiler des kognitiven Systems.

 

IBM Watson_Featured_HealthCare_

Abbildung 2: Eckpfeiler des kognitiven Systems IBM Watson.

 

Die Grundlage bildet das Verständnis der natürlichen Sprache und hier speziell auch der medizinischen Terminologie. Dies ermöglicht es dem System Dokumente wie Krankengeschichten, Fachbücher oder Artikel zu lesen und ihren Inhalt im richtigen Kontext zu begreifen, zusammenzufassen und für den späteren Gebrauch in Wissensbibliotheken abzuspeichern. IBM Watson limitiert die Informationssuche nicht auf Datenbanken oder Bücher und Fachzeitschriften, sondern liest Texte aller Art und durchsucht Social-Media-Einträge, Präsentationen, aber auch Audio-Aufnahmen und Videos.

Gibt man dem System eine Aufgabe bzw. stellt man ihm eine Frage, „blättert“ es in seinen Bibliotheken, liest zusätzliche Texte ein und sucht nach Antworten. Denn IBM Watson kann logische Schlüsse ziehen, Hypothesen für eine Antwort aufstellen und diese evaluieren. Das Ergebnis dieser Evaluierung stellt IBM Watson gemeinsam mit allen relevanten Informationen zur Verfügung und legt so die Entscheidungsfindung nachvollziehbar offen.

Das System ist lernfähig und merkt sich richtige Ergebnisse und verbessert sich mit jeder Interaktion. IBM Watson basiert daher auf einem fundamental neuen Ansatz. Das System lernt aus der Interaktion mit Daten und Experten und kann sich dadurch an neue Gegebenheiten und an veränderte Aufgaben anpassen, ohne dass man es neu programmieren müsste. Beim „Lesen“ lernt IBM Watson mit dem Sinn von Wörtern in verschiedenen Kontexten umzugehen. Durch umfassendes Training durch Experten und Feedback kann es sich verbessern.

Das kognitive System beinhaltet komplexe Algorithmen, um statistisch nicht-triviale Analysen von großen Datenmengen zu meistern. Damit ist die Limitierung von Analysen und Modellierungsverfahren auf kleine Datenmengen und eine geringe Anzahl an verwendeten Parametern nicht mehr gegeben. Auch der Inhalt der Fragestellungen ändert sich. Während Analysen früher auf die Beantwortung von Fragen wie „Was ist passiert?“, „Wann und wo ist es passiert?“ oder „Wieviel hat es gekostet?“ mittels Daten der Vergangenheit beschränkt waren, kann IBM Watson nun bisher unbekannte Zusammenhänge zwischen einer großen Anzahl an Parametern aufzeigen. Dies ermöglicht personalisierte und evidenz-basierte Medizin und Outcome-Analysen von unterschiedlichen Behandlungsmethoden. Zusammengefasst wird dies oft auch als „Decision Support Analytics“ bezeichnet, da es Ärzte mithilfe von Predictive Modeling (Vorhersagen und Simulationen) unterstützt, eine auf alle relevanten Fakten basierte Entscheidung zu treffen.

Eine Kombination des Sprachverständnis und der kognitiven Fähigkeiten ermöglichen daher eine neue Herangehensweise an Analysen von großen und heterogenen Datenbeständen, wie sie eben in der Medizin typischerweise vorkommen. Während Advanced Analytics-Fähigkeiten bereits seit einiger Zeit im Einsatz sind, gab es bisher keine qualitativ hochwertige Möglichkeit der automatischen Verarbeitung von Freitextinformation bzw. von Sprache. Damit stellt IBM Watson eine Revolution in der Medizin dar und schafft ganz neue Möglichkeiten.

Einige dieser Möglichkeiten werden wir in einem zweiten Post in Kürze vorstellen.

 

Literatur:

[1] DATAMARK (2013) Unstructured Data in Electronic Health Record (EHR) Systems: Challenges and Solutions. White Paper.

[2] University of Iowa, Carver College of Medicine (2014) http://www.healthcare.uiowa.edu/2020/

[3] Leventhal R. (2015) MOST INTERESTING VENDORS: At IBM, Providing Insights Beyond Human Cognition. Healthcare Informatics, Vol 32, No 4, 34-38.

[4] Akademien der Wissenschaften Schweiz (2015) Big Data im Gesundheitswesen. Swiss Academies Communications, Vol. 10, No 2

[5] Kongress der Stiftung Münch (2016) Verhilft die Digitalisierung der Netzwerkmedizin zum Durchbruch? Stiftung Münch, Newsletter März 2016, 10-16.

[6] Reumann M (2016) Innovationshürden für die digitale Gesundheit – eine persönliche Sicht. Stiftung Münch, Newsletter März 2016, 18-21

[7] About the Precision Medicine Initiative Cohort Program. https://www.nih.gov/precision-medicine-initiative-cohort-program

[8] Grobe TG, Steinmann S. Szecsenyi J. (2016) BARMER GEK Arztreport 2016. Schriftenreihe zur Gesundheitsanalyse, Band 37.

 

Add Comment
No Comments

Leave a Reply

Your email address will not be published.Required fields are marked *

More Zukunft Industrien Stories

Internet of Things – intelligente Systeme auf dem Vormarsch

Das Internet der Dinge wird sich in den nächsten Jahren zur größten Datenquelle überhaupt entwickeln: Milliarden vernetzter Geräte, Satelliten, Wettersensoren, Gebäude. Bereits im vergangenen Jahr wurden mehr Daten gesammelt als jemals zuvor in der Geschichte. Gegenwärtig gibt es weltweit über neun Milliarden vernetzte Geräte, die in den nächsten 15 Jahren täglich rund 2,5 Trillionen Bytes […]

Neue EU-Datenschutzgrundverordnung – möglichen Strafzahlungen vorbeugen

Eine neue europäische Datenschutzverordnung, die das Datenschutzrecht aller EU-Mitgliedsstaaten harmonisiert, tritt im Mai 2018 in Kraft: die Datenschutzgrundverordnung („DS-GVO“ oder englisch „General Data Protection Regulation“). Die Vorschriften sind im Vergleich zum bisher geltenden deutschen Bundesdatenschutzgesetz strenger und Strafzahlungen bei Verstößen weit höher. Problematisch ist, dass sich über die Hälfte aller deutschen Unternehmen laut aktuellen Studien […]

Genius of Things: die neue Watson IoT Zentrale nimmt ihre Arbeit auf

Heute, am 16. Februar 2017 beginnt ein neues IBM Kapitel: Unser weltweites Watson IoT Headquarter in München öffnet seine Pforten. Unter dem Motto “Genius of Things” gehen wir in der bayerischen Landeshauptstadt an den Start. Fast 800 Partner, Kunden, Analysten und internationale Medienvertreter begleiteten uns bei diesem ganz besonderen Moment. Wir wollen mit der Eröffnung […]