Zukunft Industrien

Gesundheitswesen: Kognitive Assistenzsysteme im Praxiseinsatz

Über die Rolle von Daten in der Medizin in Zusammenhang mit kognitiven Assistenz-Systemen wie IBM Watson haben wir an dieser Stelle bereits berichtet. In einem zweiten Teil wollen wir Ihnen jetzt einige praktische Einsatzmöglichkeiten aufzeigen, wie kognitive Assistenzsysteme im Alltag zu effizienteren Prozessen und besserer Patientenversorgung beitragen können.

Patient Summary

Individuelle und dynamisch aufbereitete Zusammenfassungen – sogenannte Patient Summaries – ermöglichen die dynamische Navigation durch den Gesundheitsakt und, je nach Auswahl, die Anzeige relevanter Zusatzinformationen wie z.B. Aufenthalte im Krankenhaus, Medikation, Diagnosen, Leistungen, Pflegediagnosen, Allergien und Unverträglichkeiten, Laborparameter etc. – dargestellt im zeitlichen Verlauf.

IBM Watson hat hier großes Potential relevante Informationen zu identifizieren, zu verarbeiten, zu vergleichen und Assistenzdienste für das pflegerische und medizinische Personal zu übernehmen. Dies ermöglicht eine schnelle und gezielte Erfassung der relevanten Parameter aus dem Gesundheitsakt zur Statuserhebung des Gesundheitszustandes des Patienten. Auch notfallmedizinisch relevante Informationen wie Allergien auf Schmerzmittel, die vielleicht nur einmal in einem Entlassungsbrief vor etlichen Jahren erwähnt wurden, werden zur Verfügung gestellt.

Dieser schnelle Informationsüberblick ermöglicht es, Arbeitsabläufe effektiver zu gestalten und sowohl Kosten als auch Zeit zu sparen.

DRG-Kodierungsunterstützung

IBM Watson erkennt Diagnosen, Leistungen und Medikamente aus den unstrukturierten Dokumenten der medizinischen Dokumentation eines Patienten und kodiert diese automatisiert nach ICD-10, OPS und anderen Katalogen. In weiterer Folge kann IBM Watson auf Basis der vorhandenen Dokumentation die Codes der Entlassungsdiagnosen und Leistungen vorschlagen und damit die administrativen Tätigkeiten von medizinischem Personal auf das Bestätigen bzw. der Korrektur eines Vorschlags minimieren.

Auch Defizite im Bereich der Qualität bzw. Vollständigkeit der Kodierung können durch Vergleiche mit der medizinischen Dokumentation aufgezeigt werden und unterstützen damit das medizinische Controlling.

Stream Computing und Real-Time-Analysen

Traditionelle Analysen basieren auf Analysen von historischen Datensätzen, die in Datenbanken gespeichert sind und sind getrieben durch Abfragen. Das bedeutet, dass ausgehend von der Fragestellung ein bestimmter Datensatz extrahiert und analysiert wird. Diese Herangehensweise ermöglicht jedoch nur die Beantwortung von spezifisch gestellten Fragen.

Stream Computing erlaubt die Analyse von Daten in Real-Time, also noch bevor sie gespeichert werden. Diese Art der Analyse ist besonders in Anwendungsbereichen gefragt, in denen sehr viele Daten mit hoher Frequenz generiert werden. Oft ist die Granularität an Information für die Analyse in der Gegenwart essenziell, kann jedoch in aggregierter Form gespeichert bzw. ganz verworfen werden. Diese Art der Analyse ist Daten getrieben und erlaubt das Auffinden von Zusammenhängen ohne vor der Analyse eine spezifische Hypothese aufzustellen.

Ein Anwendungsbereich für Stream Computing ist der Intensivbereich, in dem eine kontinuierliche Überwachung verschiedenster Parameter und eine Früherkennung von Alarmsignalen essentiell sind.

Durch die Weiterentwicklung der Sensortechnik kann auch ein kontinuierliches Monitoring von Patienten außerhalb eines Krankenhauses mithilfe von Health Trackern oder anderen Sensoren, die am Körper getragen werden, stattfinden. Dadurch kann einerseits, wie für den Intensivbereich beschrieben, eine Überwachung von kritischen Parametern mit der Abgabe von Warnungen durchgeführt werden. Durch eine Anbindung an ein System des behandelnden Arztes oder eines Krankenhauses ist ein frühzeitiges Einschreiten möglich.

Andererseits ermöglicht es aber auch eine Anreicherung der bekannten Krankengeschichte durch zusätzliche Informationen, die den Lebensstil der Patienten ungefiltert wiedergeben. In diesem Zusammenhang arbeitet IBM mit dem Pharmaunternehmen Novo Nordisk zusammen, um mithilfe von IBM Watson Real-time Daten von Patienten, die mit Medikamenten oder Geräten von Novo Nordisk behandelt werden, zu analysieren. Zusätzlich unterstützt IBM Watson in diesem Zusammenhang die Diabetesforschung  indem es bisher unbekannte Zusammenhänge und Trends aufzeigt [1,2].

Predictive Disease Management

Die Anwendung von Predictive Modeling Methoden hat auch in der Medizin großes Potenzial. Durch Analysen einer großen Patientenpopulation und ihrer Attribute (oftmals einige Tausend Parameter pro Person) können Vorhersagen über z.B. Behandlungserfolge getroffen werden oder Trends im Gesundheitswesen frühzeitig erkannt werden. Anwendungsbereiche liegen auch in der Unterstützung bei der Identifikation von Hoch-Risikopatienten und ermöglichen einen frühzeitigen Start von präventiven Maßnahmen [3]. Dies ist gerade im Management von chronischen Krankheiten interessant, da die Behandlung dieser Patienten zu den größten Kostenfaktoren zählt. In diesem Zusammenhang ist z.B. das immer häufigere Auftreten von Diabetes mellitus und die Identifikation von Risikofaktoren ein wichtiges Forschungsgebiet [4,5,6].

Auch die Evaluierung von bestehenden Behandlungspfaden, die Einhaltung von Richtlinien und die Entwicklung klinischer Pfade basierend auf der eigenen Patientenpopulation sind Anwendungsgebiete.

Natürlich werden Vorhersagemodelle auch im Bereich Planung und Steuerung eingesetzt, um Prozesse zu optimieren und betriebliche Effizienzsteigerungen zu erreichen.

Personalisierte Behandlungsplanung und Behandlungsempfehlungen

Ein personalisierter Behandlungsplan basiert auf den einzigartigen Eigenschaften und Bedürfnissen des Patienten. Besonders in seltenen oder schwierigen Fällen kann IBM Watson den Arzt bei der Identifikation der optimalen Behandlung durch Behandlungsvorschläge unterstützen. Durch die Anwendung von Methoden wie Similarity Analytics werden die diesem Patienten ähnlichsten Fälle identifiziert [7]. Die Analyse der Attribute der so gefundenen Patientengruppe beschleunigt die Diagnosefindung durch den Vergleich mit anderen Krankheitsbildern. IBM Watson geht hier noch einen Schritt weiter. Es evaluiert alle in Frage kommenden Behandlungspfade und gibt eine Empfehlung für die Behandlung ab, welche mit größter Wahrscheinlichkeit den gewünschten Outcome für den Patienten hat.

In der medizinischen Forschung ist personalisierte Behandlungsplanung mithilfe von kognitiven Systemen schon seit einiger Zeit ein Thema. Ein Beispiel ist das EuResist Projekt [8], welches ein System entwickelt hat, das auf Basis des HIV-Genotyps des Patienten und optional auch dessen klinischen Daten, eine Vorhersage trifft, mit welcher Wahrscheinlichkeit ein Patient auf unterschiedliche Therapien mit antiretroviralen Medikamentenkombinationen anspricht [9,10]. Ein direkter Vergleich der Vorhersagegenauigkeit des Systems mit der Einschätzung von menschlichen Experten zeigt konsistente Ergebnisse [11]. EuResist unterstützt daher heute Ärzte bei der Auswahl der geeignetsten Medikamentenkombination bei der HIV-Therapie.

Auch das New York Genome Center arbeitet seit einiger Zeit mit IBM zusammen, um die kognitiven Fähigkeiten von IBM Watson als Hilfsmittel für die DNA-basierte personalisierte Krebstherapie einzusetzen. Wissenschaftler des NYGC trainierten Watson mit dem aktuell verfügbaren Wissen aus der Medikamentenforschung und der Biomedizin und mit umfassenden Genanalysedaten. Ausgestattet mit diesem Wissen unterstützt das kognitive System Onkologen bei der Entwicklung von individuellen, auf den genetischen Code des Tumors abgestimmten, Behandlungsstrategien für Gehirntumore [12,13].

Unterstützung bei der Kohortenselektion

Jedes Jahr werden ca. 180 000 klinische Studien durchgeführt [14]. Die Auswahl der geeigneten Kohorte für eine klinische Studie erfordert jedoch einen hohen Zeitaufwand. IBM Watson beschleunigt diesen Prozess, indem es alle relevanten Informationen aus den medizinischen Dokumenten extrahiert und für Suchen und Filterungen zugänglich macht. Das Durchsuchen großer Mengen an Patientendokumentation verringert sich damit auf das Filtern auf bestimmte Kriterien.

Durch den automatisierten Abgleich von Kriterien für klinische Studien und Patienteninformationen wird die Anzahl an passenden Studienteilnehmern maximiert. Ein automatisiertes Benachrichtigungssystem bei der Erkennung von geeigneten Kandidaten kann Mediziner und Patienten sofort benachrichtigen und die Chancen auf eine erfolgreiche Teilnahme erhöhen. Die Experten der Mayo Clinic, die selbst jedes Jahr ca. 8000 klinische Studien durchführen, erwarten durch die Unterstützung von IBM Watson beim „Clinic Trial Matching“ eine Steigerung der Anzahl der Studienteilnehmer auf ca. 10% ihrer Patienten [14].

Eine effizientere Auswahl von Patienten mit bestimmten Merkmalen legt den Grundstein für alle Auswertungen und Analysen, die auf eingeschränkten Patientensamples basieren. Besonderen Mehrwert bringt diese Funktionalität in Forschungsfragen und bei wissenschaftlichen Auswertungen. Mit nur wenigen Klicks lässt sich ein Patientensample ermitteln, das auf sehr spezifische medizinische Fragestellungen bzw. Zeitraum zugeschnitten ist. Zur detaillieren Durchsicht können alle Dokumente der ausgewählten Patienten eingesehen werden, wobei die gesuchten Parameter farblich hervorgehoben und so leicht sichtbar gemacht werden.

Auch der Bereich Qualitätsmanagement profitiert von dieser Funktionalität, um unbekannte Zusammenhänge und Korrelationen gezielt in den medizinischen Daten all jener Patienten zu suchen und zu finden, die spezifische Parameter aufweisen bzw. bei denen bestimmte Ereignisse eingetreten sind.

Direkte Interaktion mit IBM Watson

Die größte Unterstützung bietet die direkte Interaktion des Nutzers mit dem System. IBM Watson kann den Arzt in Form eines Dialogs über die Krankengeschichte des Patienten aufklären und auch verschiedene Behandlungsmethoden vorschlagen und diskutieren. Hierzu analysiert das System die gestellte Frage bzw. die Konversation, generiert im Hintergrund mögliche Hypothesen, evaluiert diese und macht einen evidenz-basierten Vorschlag.

Im Rahmen von „IBM Watson for Oncology“ wurde solch ein kognitiver Assistent gemeinsam mit dem Memorial Sloan Kettering Cancer Center (MSKCC) realisiert [15,16]. Dieses Second-Opinion-System wurde von Onkologie-Experten des MSKCC trainiert und gibt, basierend auf den Patientendaten und dem gelernten Onkologiewissen, Behandlungsempfehlungen inklusive Konfidenzscore und Begründung [17]. Der behandelnde Arzt kann dann die jeweiligen Diagnosen bzw. Therapie-Empfehlungen persönlich sichten und entscheiden, ob er dem Vorschlag von IBM Watson folgt oder nicht.

Ein weiterer Anwendungsbereich ist, im Sinne eines proaktiven Managements der Gesundheit, die Möglichkeit zur laufenden, personalisierten, Begleitung des Patienten durch Watson. Dabei liegt der Fokus auf der Stärkung der Selbstverantwortung und des Krankheitsverständnisses durch interaktive Aufklärung zum Krankheitsbild oder Gesundheitsakt auf Basis qualitätsgesicherter Information.

Die intelligente Interaktion mit Patienten und die personalisierte Begleitung der Behandlung bietet sich z.B. im Bereich der chronischen Erkrankungen an, in dem jährlich erhebliche Kosten entstehen. IBM Watson kann den Patienten jedoch nicht nur über die Erkrankung selbst aufklären sondern bietet auch ein personenbezogenes Coaching bezüglich z.B. Ernährung und Sport, um den Behandlungserfolg zu wahren bzw. zu steigern. Das Monitoring der Vitalparameter durch Health Tracker oder andere Sensoren oder die Einbindung von Informationen aus mobilen Apps wie Ernährungstagebüchern verbessert die Datengrundlage und ermöglicht ein noch granulareres individuelles Coaching.

Zusammenfassung

Der Einsatz des kognitiven Systems IBM Watson stellt einen wichtigen Schritt in der Transformation des Gesundheitswesens dar. Es fördert evidenz-basierte und personalisierte Medizin und damit bessere Patientenversorgung und höhere Therapieerfolge. Außerdem unterstützt IBM Watson bei der Einhaltung von Standards und Vorgaben und ermöglicht weitere Qualitäts-, Effizienz- und Effektivitätssteigerungen der med. Versorgung. All dies stärkt die Schaffung eines nachhaltigen Gesundheitssystems und Gesundheitsversorgung.

Literatur:

  • Hodsden S (2015) IBM, Novo Nordisk Collaborate On Watson-Based Diabetes Care. http://www.meddeviceonline.com/doc/ibm-novo-nordisk-collaborate-on-watson-based-diabetes-care-0001
  • IBM Press Release (2015) Novo Nordisk and IBM partner to build diabetes care solutions on the Watson Health Cloud. http://www-03.ibm.com/press/us/en/pressrelease/48316.wss
  • Neuvirth H, Ozery-Flato M, Hu J et al. (2011) Toward personalized care management of patients at risk: the diabetes case study. Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining, 395-403
  • Buijsse B, Simmons RK, Griffin SJ et al. (2011) Risk assessment tools for identifying individuals at risk of developing type 2 diabetes. Epidemiol Rev., 33 (1), 46-62
  • Dankner R, Abdul-Ghani MA, Gerber Y et al. (2007) Predicting the 20-year diabetes incidence rate. Diabetes Metab Res Rev., 23 (7), 551-558
  • Ozery-Flato M, Parush N, El-Hay T et al. (2013) Predictive models for type 2 diabetes onset in middle-aged subjects with the metabolic syndrome. Diabetology & metabolic syndrome 5(1), 36
  • Sun J, Wang F, Hu J et al. (2012) Supervised patient similarity measure of heterogeneous patient records. ACM SIGKDD Explorations Newsletter, Vol 14 (1), 16-24
  • EuResist project. http://engine.euresist.org/
  • Altmann A, Rosen-Zvi M, Prosperi M et al. (2008) Comparison of classifier fusion methods for predicting response to anti HIV-1 therapy. PLoS One 3 (10), e3470
  • Rosen-Zvi M, Altmann A, Prosperi M et al. (2008) Selecting anti-HIV therapies based on a variety of genomic and clinical factors. Bioinformatics 24 (13), i399-i406
  • Zazzi M, Kaiser R, Sönnerborg A et al. (2011) Prediction of response to antiretroviral therapy by human experts and by the EuResist data‐driven expert system (the EVE study). HIV medicine 12 (4), 211-218
  • IBM Press Release (2014) The New York Genome Center and IBM Watson Group Announce Collaboration to Advance Genomic Medicine. www-03.ibm.com/press/us/en/pressrelease/43444.wss
  • IBM Research (2014) IBM’s Watson takes on brain cancer. Analyzing genomes to accelerate and help clinicians personalize treatments. http://www.research.ibm.com/articles/genomics.shtml
  • Nellis B (2014) Mayo Clinic and IBM Task Watson to Improve Clinical Trial Research. Mayo Clinic. http://newsnetwork.mayoclinic.org/discussion/mayo-clinic-and-ibm-task-watson-to-improve-clinical-trial-research/
  • IBM Press Release (2012) Memorial Sloan-Kettering Cancer Center, IBM to Collaborate in Applying Watson Technology to Help Oncologists. https://www-03.ibm.com/press/us/en/pressrelease/37235.wss
  • Memorial Sloan Kettering Cancer Center. Watson Oncology. https://www.mskcc.org/about/innovative-collaborations/watson-oncology
  • Memorial Sloan Kettering Cancer Center (2014) Memorial Sloan Kettering Trains IBM Watson to Help Doctors Make Better Cancer Treatment Choices. https://www.mskcc.org/blog/msk-trains-ibm-watson-help-doctors-make-better-treatment-choices

 

Add Comment
No Comments

Leave a Reply

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

More Zukunft Industrien Stories

IT + Wissenschaft = Fortschritt für Patienten

Morbus Parkinson: Eine der häufigsten neurologischen Erkrankungen unserer Gesellschaft. Eine Erkrankung, die Patienten enorm belastet und für die es bis heute keine Heilung gibt. Rund 20.000 Menschen sind in Österreich betroffen, in Deutschland geht man von ca. 250.000 Patienten aus. Und Krebs: Eine der wohl bedrohlichsten und gleichzeitig komplexesten Krankheiten, die die Menschheit kennt. Etwa […]

Hackathons: Kreativität, innovative Ideen und großer Teamspirit

Doch was genau verbirgt sich eigentlich hinter dem Begriff „Hackathon“? Keine Angst – „Hacken“ steht in diesem Kontext nicht für unerlaubtes Eindringen in fremde Email-Accounts oder Computer. Vielmehr handelt es sich hierbei um ein meist am Wochenende stattfindendes Programmier-Event, dass es sich zum Ziel macht, kreative und unterhaltsame Softwareprodukte zu entwickeln. Manch einer genießt samstags […]

dmexco – Reflektionen des Moderators über „Digital-Deutschland“ 

Als die dmexco vor neun Jahren relaunched wurde, hatte man als Moderator einen einfachen Job. Die Probleme der Marketiers schienen einfach und pragmatisch lösbar. Digitales Marketing zeichnete sich vorwiegend durch Webseitengestaltung aus, die Suchmaschinenoptimierung galt als heiliger Gral, Social Media war der neue Hype, und die Identifizierung aufmerksamkeitsstarker und erfolgreicher Bannerformaten sollte den Wert des […]