Einsatz Generativer KI in der modernen Medizin E-Book

Sophie Hundertmark

• Herausgeber: BoD - Books on Demand
• Kategorie: Fachliteratur
• Sprache: Deutsch
• Veröffentlichungsjahr: 2024

Seitenzahl: 252

Beschreibung

Die beeindruckenden Fortschritte im Bereich der Künstlichen Intelligenz, KI, haben das Potenzial, das Gesundheitswesen grundlegend zu verändern. Insbesondere Generative KI eröffnet ungeahnte Möglichkeiten, die über die bisherigen technologischen Grenzen hinausgehen. Unser Buch bietet Ihnen einen umfassenden Einblick in diese revolutionäre Technologie und ihre vielfältigen Einsatzmöglichkeiten in der Medizin, der Forschung und der Pharmaindustrie. Das Buch behandelt Anwendungen von Generativer KI und Trends der KI von der Diagnose bis hin zur Medikamentenentwicklung und berücksichtigt dabei nicht nur die internen Prozesse eines Gesundheitsunternehmens, sondern auch die Kommunikation und Zusammenarbeit mit Patientinnen und Patienten sowie anderen Stakeholdern. Auf den nächsten 200 Seiten zeigen wir Ihnen anhand realer Anwendungsfälle und fundierter Expertenmeinungen, wie Generative KI bereits heute die Arbeitsweise von Ärztinnen und Ärzten, Forschenden und Gesundheitseinrichtungen transformiert und welche Potenziale sich für die Zukunft eröffnen. Sie erfahren, wie Generative KI den Klinikalltag erleichtert, die Arztpraxen entlastet und sogar die Perspektive der Patientinnen und Patienten verbessert. Unser Ziel mit dem vorliegenden Buch ist es, Ihnen sowohl die Chancen als auch die Herausforderungen dieser Technologie näherzubringen und Sie auf dem Weg zur erfolgreichen Implementierung zu begleiten. Wir richten uns mit unserem Buch an Angestellte bzw. Angehörige des Gesundheitswesens, inkl. Forschung und Pharmaindustrie. Für das Verstehen der Inhalte werden keinerlei technische oder digitale Vorkenntnisse benötigt. Lediglich ein allgemeines Verständnis für das Gesundheitswesen ist von Vorteil.

Leseprobe

INHALTSVERZEICHNIS

Vorwort

1. KAPITEL

Einführung

Einführung von KI-Technologien und ihre spezifischen Anwendungen im Gesundheitsbereich

2. KAPITEL

Anwendungsgebiete von Generativer KI in der Medizin

Generative KI in der Pharmaindustrie – Technologie ist nicht die Grenze

Generative KI in der Diagnostik

Generative KI in der (klinischen) Forschung

Generative KI in der Klinik

Generative KI in der Arztpraxis

3. KAPITEL

Die Sicht der Patientinnen und Patienten

Patientenperspektive und Partizipation

4. KAPITEL

Die Sicht der Gesundheitseinrichtungen

Interviews mit Branchenführerinnen/Branchenführern oder

Expertinnen/Experten

5. KAPITEL

Datenschutz und Rechtliches beim Einsatz Generativer KI

Sicherer Umgang mit Gesundheitsdaten

Generative KI & Healthcare: Rechtliche Anforderungen,

Haftungsfragen, Patientenrechte und grenzüberschreitende Aspekte

6. KAPITEL

Generative KI-Technologien für die Medizin

KI-Technologien in Arztpraxen

KI-Technologien im Krankenhaus

KI-Technologien in Pharmaunternehmen & Forschung

7. KAPITEL

Leitfaden zur Bewertung und Einführung von KI-Systemen in Prozesse

KI-Anwendungen: Erfolg messen mit der KI-Anwendungs-Map

Strategien für eine erfolgreiche Implementierung

Von Führungskraft zu Führungskraft – ein umfassender Ansatz für die KI-Integration?

8. KAPITEL

Alltag neu gedacht:

Wie Generative KI aus einer traditionellen Praxis eine smarte Praxis macht

Generative KI im Marketing und in der externen Kommunikation

Generative KI in der direkten Kommunikation mit Patientinnen und Patienten sowie anderen Partnerinnen und Partnern

Generative KI für administrative Tätigkeiten und für weniger Bürokratie in der Gesundheitsorganisation

Generative KI im Bereich Human Resources und andere Tätigkeiten rund um die Mitarbeitenden

9. KAPITEL

Use Cases

Einsatzmöglichkeiten von Generativer Künstlicher Intelligenz im Produktmanagement am Beispiel einer Diabetes-App

Einsatz Generativer KI in der Gastroenterologie

Optimierung interner Prozesse von MedTech-Firmen am Beispiel der Ausfüllung von Sicherheitsfragebögen mithilfe Generativer KI

Effiziente Dienstplanung mit KI: Ein Use Case der LUKS-Gruppe

Prozessoptimierung in der Medikamentenentwicklung: Ein

revolutionärer Ansatz für personalisierte Medizin

Die KI „Alzi“ führt Menschen durch den Demenz-Dschungel

Ablehnungen von Versicherungsforderungen effizient abwickeln

Hohe technische Hürden bei der Modellentwicklung überwinden

Überlastung durch administrative Aufgaben – E-Mail-Flut bewältigen

Komplexität der Einhaltung regulatorischer Compliance reduzieren

Weitere Use Cases

10. KAPITEL

Die Zukunft der patientenzentrierten Versorgung mit Generativer KI

Effizienzsteigerung in der Patientenversorgung durch Generative KI

Über die Autorinnen und Herausgeberinnen dieses Buches

Glossar

Vorwort

Die beeindruckenden Fortschritte im Bereich der Künstlichen Intelligenz (KI) haben das Potenzial, das Gesundheitswesen grundlegend zu verändern. Insbesondere Generative KI eröffnet ungeahnte Möglichkeiten, die über die bisherigen technologischen Grenzen hinausgehen. Unser Buch „Generativer KI in der modernen Medizin“ bietet Ihnen einen umfassenden Einblick in diese revolutionäre Technologie und ihre vielfältigen Einsatzmöglichkeiten in der Medizin, der Forschung und der Pharmaindustrie.

Das Buch behandelt Anwendungen von Generativer KI und Trends der KI von der Diagnose bis hin zur Medikamentenentwicklung und berücksichtigt dabei nicht nur die internen Prozesse eines Gesundheitsunternehmens, sondern auch die Kommunikation und Zusammenarbeit mit Patientinnen und Patienten sowie anderen Stakeholdern. Auf den nächsten 200 Seiten zeigen wir Ihnen anhand realer Anwendungsfälle und fundierter Expertenmeinungen, wie Generative KI bereits heute die Arbeitsweise von Ärztinnen und Ärzten, Forschenden und Gesundheitseinrichtungen transformiert und welche Potenziale sich für die Zukunft eröffnen. Sie erfahren, wie Generative KI den Klinikalltag erleichtert, die Arztpraxen entlastet und sogar die Perspektive der Patientinnen und Patienten verbessert.

Unser Ziel mit dem vorliegenden Buch ist es, Ihnen sowohl die Chancen als auch die Herausforderungen dieser Technologie näherzubringen und Sie auf dem Weg zur erfolgreichen Implementierung zu begleiten.

Wir richten uns mit unserem Buch an Angestellte bzw. Angehörige des Gesundheitswesens, inkl. Forschung und Pharmaindustrie. Für das Verstehen der Inhalte werden keinerlei technische oder digitale Vorkenntnisse benötigt. Lediglich ein allgemeines Verständnis für das Gesundheitswesen ist von Vorteil.

Besonders danken möchten wir den Gastautorinnen/Gastautoren und Expertinnen/Experten, die ihr Wissen und ihre Erfahrungen großzügig geteilt haben, um die Inhalte dieses Buches zu bereichern. Ihre Beiträge geben nicht nur wertvolle Einblicke, sondern inspirieren uns alle, die Zukunft des Gesundheitswesens aktiv mitzugestalten. In diesem Buch mit dabei sind: Martin Adam, Andrea Belliger, Agata Chudzinska, Jörg Corsten, Michael Döring-Wermelinger, Christian Esser, Prof. Dr. med. Katrin Hoffmann, Sven Kohlmeier, Stefan Lienhard, Dr. med. dent. Thomas Müller, Martin Mühlegg, Curtis Newkirk, Dr. Nina Reichert, Julia Rose, Stefanie Rösler-Brüggemann, Ursula Uttinger, Roger Wanner und uma collective.

Wir laden Sie ein, gemeinsam mit uns in die faszinierende Welt der Generativen KI im Gesundheitswesen einzutauchen. Lassen Sie sich von den innovativen Ideen und praxisnahen Beispielen begeistern und inspirieren – für eine Zukunft, in der Technologie und Mensch Hand in Hand gehen, um die Gesundheitsversorgung effizienter, qualitativ hochwertiger und patientenfreundlicher zu gestalten.

Bei diesem Buch handelt es sich um das zweite Gemeinschaftswerk von uns Autorinnen – Sophie Hundertmark und Dr. Daniela Suter. Unser Erstwerk „Generative KI für Unternehmen“ richtet sich an verschiedene Branchen und gibt einen generellen Einblick in die Generative KI. Wir freuen uns über Feedback und sind sehr offen für Anregungen zu einem möglichen Folgewerk. Gerne stehen wir auch für ergänzende Fragen per E-Mail, Telefon oder LinkedIn jederzeit zur Verfügung.

Ihre Autorinnen

Sophie Hundertmark und Dr. Daniela Suter

Kontaktdaten:

Sophie Hundertmark

E-Mail: [email protected]

Telefon: [phone]

LinkedIn: https://www.linkedin.com/in/sophie-hundertmark

Dr. Daniela Suter

E-Mail: [email protected]

Telefon: [phone]

LinkedIn: https://www.linkedin.com/in/daniela-suter-phd-b0905911

1. KAPITEL

Einführung

Einführung von KI-Technologien und ihre spezifischen Anwendungen im Gesundheitsbereich

In diesem Kapitel werden wir das Konzept der Generativen KI und ihre potenziellen Anwendungen im Gesundheitswesen untersuchen. Wir befassen uns mit der Technologie, die dahintersteckt, mit den Vorteilen, die sie bieten kann, dem Marktpotenzial, und mit den Herausforderungen, die sich bei ihrer Umsetzung ergeben können. Am Ende dieses Kapitels werden Sie über ein solides Verständnis der Generativen KI verfügen und wissen, wie Sie sie für den Einsatz in Ihrer Gesundheitseinrichtung nutzen können.

Hauptunterschiede zwischen Generativer KI und traditioneller KI

Traditionelle KI, auch bekannt als „Narrow AI“ oder „Weak AI“, konzentriert sich auf die Ausführung einer bestimmten Aufgabe auf der Grundlage von Logik. Sie bezieht sich auf Systeme, die auf eine bestimmte Gruppe von Eingaben reagieren, Erkenntnisse aus Daten gewinnen und dementsprechend Entscheidungen oder Prognosen formulieren.

Bei der Generativen KI handelt es sich hingegen um eine Gruppe von KI-Systemen, die selbstständig völlig neue Daten erzeugen können. Durch das Erfassen der Muster und Strukturen menschlicher Sprache, Codes, Bilder, Videos und Musik kann die Generative KI mit Hilfe großer Sprachmodelle (LLMs) Konzepte kontextbezogen verstehen. Dieser Prozess ermöglicht es Computern, neuartige Ergebnisse zu erzeugen, die den von Menschen erzeugten ähnlich sind.

Insgesamt liegt der Hauptunterschied zwischen traditioneller und Generativer KI in ihren Funktionen und ihrer Nutzung. Traditionelle KI-Systeme werden vor allem für die Datenanalyse und für Vorhersageaufgaben eingesetzt, während Generative KI völlig neue Ergebnisse erzeugt, die ihrem Trainingsdatensatz ähneln.

Markt für Generative KI im Gesundheitswesen verzeichnet starkes Wachstum durch personalisierte Medizin und KI-gestützte Lösungen

Der globale Markt der Generativen KI im Gesundheitswesen ist in den letzten Jahren exponentiell gewachsen. Er wird von 1,72 Milliarden US-Dollar im Jahr 2023 auf 2,36 Milliarden US-Dollar im Jahr 2024 mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 37,2 % steigen (1). Das während des historischen Zeitraums beobachtete Wachstum kann auf mehrere Faktoren zurückgeführt werden, darunter die verstärkte Nutzung von Datenanalysen im Gesundheitswesen, die steigende Nachfrage nach personalisierter Medizin, das wachsende Interesse an KI-gestützten Gesundheitslösungen, die zunehmende Nachfrage nach personalisierten Behandlungsplänen sowie Fortschritte in der Medikamentenforschung und – entwicklung. Gemäß einer Studie von McKinsey wird Generative KI sogar voraussichtlich einen jährlichen Wert von 60 Milliarden bis 110 Milliarden US-Dollar entlang der Wertschöpfungskette der Pharmaindustrie schaffen.

Abbildung 1: Wertschöpfung Generativer KI pro Jahr in der pharmazeutischen Industrie (2).

Generative KI wird als die Technologie mit dem größten Potenzial zur Verbesserung der klinischen Produktivität sowie der Patientenbindung und – erfahrung angesehen.

Abbildung 2: Gebiete, die am meisten durch Generative KI beeinflusst werden (3).

Was kann Generative KI und was kann sie nicht?

Der Terminus Generative KI definiert eine Art von Künstlicher Intelligenz, die neue, originelle Daten oder Inhalte generieren kann. Im Gegensatz zu anderen Formen der KI, die sich auf die Analyse und Interpretation vorhandener Daten konzentrieren, erzeugt Generative KI neue Informationen. Dies umfasst die Erstellung von Bildern und Videos bis hin zu Musik, Text oder Code. Generative KI-Modelle nutzen einen Prozess, der als „maschinelles Lernen“ bezeichnet wird, um aus vorhandenen Daten zu lernen und dann auf der Grundlage dieser Informationen neue Inhalte zu erzeugen. Bei diesem Prozess wird ein Algorithmus mithilfe eines großen Datensatzes trainiert, den der Algorithmus dann verwendet, um neue Daten zu erstellen, die dem Original ähneln. Das Ergebnis ist ein nicht endender Strom neuer, einzigartiger Inhalte, die auf vielfältige Weise genutzt werden können. Ein bekanntes Beispiel einer Generativen KI ist ChatGPT, ein Textgenerator, der natürliche Spracheingaben verarbeitet und darauf aufbauend Texte wie Artikel, Geschichten oder Programmcodes produzieren kann.

Weitere Beispiele sind bildgenerierende Systeme wie DALL-E oder Midjourney, die fotorealistische Bilder aus Textbeschreibungen erzeugen können. Doch die Anwendungsmöglichkeiten gehen weit über solche einzelnen Aufgaben hinaus. Mit Generativer KI lassen sich komplexe Probleme in zahlreichen Domänen angehen – von der Erstellung von Marketingkampagnen über die Berichterstattung bis hin zur Erstellung synthetischer Daten. Es gibt verschiedene Arten Generativer KI-Modelladelle, die jeweils für unterschiedliche Aufgaben geeignet sind:

Generative Adversarial Networks (GANs):

Erstellung realistischer Bilder, Videos und anderer visueller Inhalte.

Variational Autoencoder (VAEs):

Generierung strukturierter Daten wie Text, Musik und Moleküle.

Generative Pretrained Transformers (GPTs):

Spezialisierung auf die Verarbeitung sequenzieller Daten und die Generierung von Text, Code und Übersetzungen.

EBMs (Energy Based Models):

Generative Modelle, die Wahrscheinlichkeiten über eine Energiefunktion definieren, wobei niedrigere Energiewerte für wahrscheinlichere Konfigurationen stehen. Sie werden zur Bildgenerierung und Feature-Learning verwendet.

FBM (Fraktionale Brownsche Bewegung):

Die FBM modelliert Prozesse genauer, indem sie frühere Einflüsse berücksichtigt. Dies verbessert Anwendungen wie Bildgenerierung und Vorhersagen.

Abbildung 3: Anwendungsfälle Generativer KI im Gesundheitswesen: GANs und LLMs werden verwendet, um verschiedene Datenmodalitäten, einschließlich Text- und Bilddaten, zu generieren, die dann für verschiedene Szenarien wie Arzneimittelentdeckung, medizinische Diagnose, klinische Dokumentation, Patientenaufklärung, personalisierte Medizin, Verwaltung des Gesundheitswesens und medizinische Ausbildung sowie weitere Anwendungsfälle verwendet werden (4).

Für Gesundheitseinrichtungen eröffnen sich durch den Einsatz Generativer KI erhebliche Wettbewerbsvorteile. Dadurch können Prozesse enorm beschleunigt, Kosten reduziert und völlig neue, innovative Produkte und Dienstleistungen angeboten werden. Entscheidend ist dabei, die Generative KI richtig zu verstehen, ihr Potenzial zu erkennen und angemessen in die Unternehmensstrukturen zu integrieren. Eine Auswahl an Vorteilen im Überblick:

Textgenerierung:

Automatisierte Berichtserstellung, Patientenkommunikation oder Erstellung medizinischer Dokumentationen.

Bildgenerierung und Analyse:

Erzeugung synthetischer Bilder oder synthetischer Daten für die Diagnose (MRI, CT-Scans).

Wissensmanagement:

Automatisierte Zusammenfassungen wissenschaftlicher Arbeiten und medizinischer Informationen.

Personalisierte Medizin:

Erstellung personalisierter Behandlungspläne, individuelle Wirkstoffe, gezieltere Diagnostik basierend auf Patientendaten.

Effizienzsteigerung:

Automatisierte Transkription von Patientengesprächen, deren Zusammenfassung und Integration in Klinikinformationssysteme.

Wettbewerbsvorteil:

Differenzierung von Wettbewerbern durch die Nutzung innovativer KI-Technologien.

BESCHLEUNIGEN

AUTOMATISIEREN

KREIEREN

PERSONALISIEREN

SIMULIEREN

Produktivität steigern durch beschleunigte Ergebnisse und die Schaffung von Bausteinen aus versch. Daten.

Geschäftsabläufe und technische Arbeitsabläufe bereitstellen und in manchen Fällen Menschen ersetzen.

Grenzen der Kreativität erweitern, indem man Prompts für die Ausgabe neuer Inhalte nutzt.

Vertrautheit und Personalisierung schaffen, was erhebliche Mühe erfordern kann.

Umgebungen schaffen, in denen Arbeitsabläufe, Experimente und Erfahrungen simuliert werden können.

Dokumente zusammenfassen: Langes Textmaterial zu kurzen Zusammenfassungen, Evidenztabellen oder Dashboard-/ Wissensgrafiken verarbeiten.

Code-Klassifizierung:

Unstrukturierte Eingaben verarbeiten, um eine Liste von alpha-numerischen Codes zu erstellen, die in nachgelagerten Prozessen verwendet werden.

Zusammenfassung von Aufzeichnungen:

Pflegebegegnungen für medizinisches Personal (HCPs) zusammenfassen, einschließlich Details zu Geschichte, Symptomen, Verfahren, Diagnosen usw.

Aufforderungserstellung:

Ermöglicht die Informationssammlung zwischen den Beteiligten in einer patientenfreundlichen Weise durch ein Rückkopplungsgespräch.

Visualisierung von Interaktionen:

Digitale 3D-Modelle von zellulären und chemischen Strukturen erstellen, um bei Entdeckung, Entwicklung und Diagnose zu helfen.

Komponenten-Zusammenstellung: Informationen aus verschiedenen Quellsystemen in ein kohärentes, überprüfbares Artefakt integrieren, mit nächsten Schritten und Bildern.

Multimedia-Erstellung:

Interaktive Materialien generieren, die Text, Videos und Bilder für Bildung oder Engagement kombinieren.

Jargon-Vereinfachung:

Komplexe Konzepte auf einem angemessenen Gesundheitsniveau erklären, indem sie in kürzere, vereinfachte Versionen umformuliert werden.

Übersetzung nach Präferenz:

Patientengerechte klinische und nicht-klinische Dokumente in Echtzeit in die bevorzugte und dem Niveau angepasste Sprache der Patientin bzw. des Patienten übersetzen.

Hypothesen-validierung:

Experimente und Arbeitsabläufe mithilfe von Maschinen ausführen, um Parameter zu verfeinern, bevor ein Prozess in der Praxis umgesetzt wird.

Tabelle 1: Fähigkeiten Generativer KI (5).

Bevor Sie diese Generative KI nutzen können, müssen Sie zunächst die Technologie dahinter verstehen: Systeme wie ChatGPT oder SwissGPT versuchen grundsätzlich immer, eine „vernünftige Fortsetzung“ des bisherigen Textes zu produzieren. Wobei „vernünftig“ bedeutet, dass das System gemäß einer Wahrscheinlichkeitsverteilung das nächste Wort (genauer Token) auswählt. Diese Wahrscheinlichkeitsverteilung hat das Model während des Trainings gelernt, indem es eine unglaublich große Menge an unterschiedlichen Texten gesichtet hat. Während des Trainings werden dem Modell Textbausteine gegeben und es muss den nächsten Textbaustein aufgrund der eingegebenen Sequenz voraussagen. Hat es diese Aufgabe zufriedenstellend gemeistert, ist das Training abgeschlossen. Das Modell ist nun bereit, einen arbiträren Input entgegenzunehmen und errechnet auf dieser Basis eine bestimmte Anzahl möglicher Fortsetzungen. Aus dieser Menge wird normalerweise das höchstwahrscheinliche Element genommen und die so komplettierte Sequenz als nächster Input verwendet. Schematisch ist dieses Prinzip in Abbildung 2 dargestellt.

Abbildung 4: Funktionsprinzip eines Sprachmodells.

Es ist schon erstaunlich, dass diese Systeme, die auf einem so einfachen Prinzip wie der Vorhersage des nächsten Wortes basieren, so unglaublich leistungsfähig sind. Nichtsdestotrotz fehlt ihnen jegliches Verständnis für Logik und abstraktes Denken. Daher können diese Systeme komplexe klinische Kontexte oft nicht vollständig erfassen, was zu fehlerhaften oder unvollständigen Ergebnissen führt. Darüber hinaus kann es zu Bias und Verzerrungen kommen, die von den Trainingsdaten herrühren und zu diskriminierenden oder fehlerhaften Ergebnissen führen können. Auch sollten Sie sich als Fachperson nie zu 100 % auf die Ergebnisse Generativer KI verlassen, denn diese Systeme können sehr überzeugend halluzinieren und damit zu Fehlentscheidungen führen. Auch bestehen ethische und rechtliche Herausforderungen im Umgang mit sensiblen Patientendaten, die wir im Kapitel Datenschutz näher beleuchten werden.

Die folgende Darstellung gibt einen Überblick über Anwendungsbereiche Generativer KI im Gesundheitswesen:

Abbildung 5: Potenzial Generativer KI in verschiedenen Segmenten des Gesundheitswesens (6).

Abbildung 6: Potenzial Generativer KI nach Gesundheitsdienstleistern (5).

Sprachmodelle auf die eigenen Bedürfnisse anpassen

Die genauen Trainingsdaten, auf denen Sprachmodelle beruhen und mit denen ihre Algorithmen trainiert wurden, werden von den Anbietern solcher Systeme wie OpenAI, Google, Meta oder Mixtral in der Regel nicht detailliert offengelegt. Für die Anwendung im Gesundheitswesen bedeutet dies, dass gegebenenfalls zentrale Forschungspublikationen, aber auch Patientendaten nicht im Trainingsdatensatz vorhanden sind und damit auch nicht abgefragt werden können. Hier bedarf es einer (manuellen) Anbindung von externen Daten an ein Sprachmodell. Expertinnen und Experten sprechen hier von Retrieval Augmented Generation (RAG).

Mit der RAG-Technologie können Sprachmodelle mit zusätzlichen Daten angereichert werden, die nicht explizit in den Trainingsdaten dieser Modelle integriert waren. Dies eröffnet in einem GesundheitsKontext flexible Möglichkeiten, die Sprachmodelle z. B. enger an Patientendaten zu binden, um präzisere Antworten zu generieren (siehe Abbildung 7).

Abbildung 7: Ein Basis-RAG-System mit den Hauptphasen A (Indexierung), B (Retrieval) und C (Generierung).

Ein RAG-System kombiniert Informationsabruf und Sprachmodellierung, um präzise Antworten auf Benutzeranfragen zu generieren:

Phase A: Daten, die man an das Sprachmodell binden will, werden indexiert. In diesem Schritt werden Daten bereinigt, extrahiert und verschiedene Dateiformate in standardisierten Klartext umgewandelt. Der Text wird in vordefinierte Segmente geteilt (z. B. 500 Buchstaben) und diese werden dann in Vektorrepräsentationen transformiert, was effiziente Ähnlichkeitsvergleiche ermöglicht. Daraufhin wird ein Index erstellt, der Textteile und ihre Vektoreinbettungen für skalierbare Suchfunktionen speichert. Dies ist die Grundlage, damit das System später Dokumente identifizieren kann, die für eine bestimmte Benutzeranfrage relevant sind.

Phase B: die Abruf- oder Retrieval-Phase. Hier wird dasselbe Codierungsmodell wie bei der Indexierung verwendet, um Benutzeranfragen in Vektorrepräsentationen umzuwandeln. Es werden Ähnlichkeitsscores berechnet, um die für die Anfrage am relevantesten Textfragmente zu ermitteln. Diese Phase ist entscheidend, da sie bestimmt, welche Informationen aus dem Index für die Generierung der Antwort herangezogen werden.

Phase C: der Generierungsprozess. In diesem Schritt synthetisiert das System die Anfrage und die ausgewählten Dokumente in einen Prompt für ein großes Sprachmodell. Das Modell kann dabei auf sein inhärentes Wissen zurückgreifen oder seine Antworten auf die Informationen in den bereitgestellten Dokumenten beschränken. Diese Integration der Konversationshistorie ist wesentlich für effektive Dialoge über mehrere Runden. Das Ergebnis dieses Prozesses ist eine präzise und informierte Antwort, die aus dem Zusammenspiel von abgerufenem Kontext und den Fähigkeiten des Sprachmodells resultiert.

Fazit

Generative KI bietet im Gesundheitswesen vielfältige Anwendungsmöglichkeiten, die von der Automatisierung der Dokumentation bis hin zur personalisierten Medizin reichen. Sie kann Prozesse beschleunigen, Kosten senken und innovative Dienstleistungen ermöglichen. Besonders hervorzuheben sind die Fähigkeiten von KI-Technologien, darunter Sprachmodelle, die durch das Vorhersagen von Textfolgen beeindruckende Ergebnisse erzielen. Trotz dieser Leistungsfähigkeit bestehen jedoch klare Grenzen. Generative KI-Systeme haben kein tiefes Verständnis von Logik und können klinische Zusammenhänge nicht immer vollständig erfassen, was zu fehlerhaften Ergebnissen führen kann. Ethische und rechtliche Herausforderungen, wie der Umgang mit sensiblen Patientendaten und die Gefahr von Bias in den Ergebnissen, erfordern besondere Aufmerksamkeit. Systeme wie Retrieval Augmented Generation (RAG) bieten eine Möglichkeit, Sprachmodelle präziser zu gestalten, indem externe Daten integriert werden. Insgesamt zeigt sich, dass Generative KI das Potenzial hat, das Gesundheitswesen signifikant zu verändern. Sie muss jedoch mit Vorsicht eingesetzt werden und besonders sollte auf ihre spezifischen Limitationen geachtet werden.

Quellen

1. https://www.researchandmarkets.com/report/global-healthcare-generative-ai-market?utm_source=GNE&utm_medium=PressRelease&utm_code=4sg2pv&utm_campaign=1 950 040+-+Generative+AI+Set+to+Transform+the+Global+Healthcare+Market+with+a+30.1 %25+CAGR+by+2030&utm.

2. https://www.mckinsey.com/industries/life-sciences/our-insights/generative-ai-in-the-pharmaceutical-industry-moving-from-hype-to-reality.

3. https://www.mckinsey.com/industries/healthcare/our-insights/generative-ai-in-healthcare-adoption-trends-and-whats-next.

4. https://implementationscience.biomedcentral.com/articles/10.1186/s13 012 – 024 – 01 357 – 9.

5. https://www2.deloitte.com/us/en/pages/life-sciences-and-health-care/articles/generative-ai-in-healthcare.html.

6. Generative AI Will Transform Health Care Sooner Than You Think; BCG.

2. KAPITEL

Anwendungsgebiete von Generativer KI in der Medizin

Generative KI in der Pharmaindustrie – Technologie ist nicht die Grenze

Ein Gastbeitrag von Curtis Newkirk und Jörg Corsten, Roche

Die medizinische Forschung entwickelt sich rasant, weshalb es für Gesundheitsexpertinnen/-experten immer wichtiger wird, über die neuesten Forschungen und Entwicklungen informiert zu bleiben. Der Einsatz von KI kann helfen, die Komplexität kleinerer Patienten populationen effizient zu bewältigen und die Entwicklung und Verbreitung wissenschaftlicher Erkenntnisse zu optimieren. Die gezielte Anwendung von KI kann zu Zeiteinsparungen von 30 % bis 50 % und zu Effizienzsteigerungen von bis zu 70 % führen. Durch einen kontinuierlichen Lernprozess und maßgeschneiderte Kommunikationsmaßnahmen kann sichergestellt werden, dass die Kolleginnen und Kollegen die Werkzeuge sicher bei ihrer täglichen Arbeit anwenden können.

Einführung

Laut einer Studie, die im Journal Health Affairs veröffentlicht wurde, verdoppelt sich das medizinische Wissen ungefähr alle 73 Tage. Dieses schnelle Fortschreiten stellt eine zusätzliche Herausforderung für die Arbeit im Bereich Medical Affairs dar, da es die Bedeutung unterstreicht, über die neuesten Forschungen und Entwicklungen im medizinischen Bereich informiert zu bleiben, um die bestmögliche Patientenversorgung und die bestmöglichen Patientenergebnisse sicherzustellen.

Auf Basis dieser Herausforderungen hat die Organisation Medical Affairs drei Hauptanwendungsbereiche für den Einsatz von KI in ihrer täglichen Arbeit identifiziert:

Neueste wissenschaftliche Fortschritte verstehen und nutzen:

Dies umfasst die Identifizierung und Zusammenfassung der neuesten wissenschaftlichen Erkenntnisse, um Entscheidungsprozesse zu unterstützen, die von der Beantwortung von Kundenanfragen bis zur Identifizierung von Evidenzlücken bei der Generierung von Daten reichen.

Schnelle und vollständige Veröffentlichung eigener wissenschaftlicher Fortschritte:

Dies kann die Unterstützung der Kolleginnen und Kollegen beim Verfassen von Primärmanuskripten, Abstracts, Postern oder Zusammenfassungen für Laien sowie die Koordination der verschiedenen externen und internen Autorinnen/Autoren beinhalten.

Angemessene und sinnvolle Kommunikation der wissenschaftlichen Fortschritte an medizinisches Fachpersonal:

Dies kann das Verfassen von Inhalten umfassen, die auf verschiedenen digitalen Kanälen veröffentlicht werden sollen. Die Anpassung dieses Inhalts an verschiedene Formate (z. B. Web, soziale Medien, Video) und Sprachen zur Wiederverwendung in lokalen Märkten ist ebenfalls inbegriffen, ebenso wie die Überprüfung (medizinische und rechtliche Überprüfung), das Hochladen und die Markierung in den relevanten Inhaltsverzeichnissen.

All diese Anwendungsfälle zielen auf Ergebnisse ab, die überprüft und angepasst werden können, bevor sie genutzt werden – dieser Ansatz stellt sicher, dass Mitarbeitende die Anwendung von KI in ihrer Arbeit begleiten und so Vertrauen in die Nutzung solcher Anwendungen und ihrer Ergebnisse gewinnen. Die zusätzliche Überprüfung kann dann leicht genutzt werden, um die entsprechenden KI-Anwendungen weiter zu verbessern und zu trainieren.

Das Risikomanagement ist bei Roche von großer Bedeutung, zumal die von uns hergestellten Produkte das Leben von Menschen beeinflussen können. Das größte Risiko bei der Verwendung von großen Sprachmodellen (LLM) ist das Auftreten von „Halluzinationen“. Diese werden durch statistische Anomalien verursacht, die mathematisch korrekt sind, jedoch zu Antworten führen, die von leicht fehlerhaft bis völlig falsch reichen. Um dieses Problem einzudämmen, ist die aktuelle bewährte Methode der Einsatz von Retrieval Augmented Generation (RAG), bei der bekannte Daten oder Inhalte verwendet werden, um das Ergebnis des LLM zu gestalten. RAG ist jedoch nicht perfekt, daher wird zusätzlich der „Human-in-the-Loop“-Ansatz genutzt, um LLM-Ergebnisse zu überprüfen und zu korrigieren, wenn faktenbasierte, kritische Antworten erforderlich sind.

Zusätzliche Komplexität entsteht, wenn man die Daten- oder Inhaltsinputs für LLM-Lösungen betrachtet. Einige der für LLM-Inputs erforderlichen Inhalte oder Daten sind vertraulich und enthalten Geschäftsgeheimnisse oder personenbezogene Informationen (PII),die nicht weitergegeben werden können. Weitere Beispiele finden sich in sensiblen Studiendaten oder Informationen, die sich noch in der Überprüfung befinden. Die Veröffentlichung dieser Daten oder Inhalte in einem LLM könnte sie anfällig für eine ungewollte Freigabe durch „Prompt Injection“-Techniken machen, wodurch Roche-Pläne und – Personen ohne spezifische Zustimmung von Roche oder den betroffenen Personen offengelegt werden könnten. Aus diesem Grund ergreift Roche umfangreiche Maßnahmen zur Klassifizierung der Daten und Inhalte, bevor sie einem LLM ausgesetzt werden, als Schlüsselelement, das für jede KI-Lösung bewertet werden muss, egal ob die KI-Lösung von Roche entwickelt oder von einem externen Anbieter gekauft wird.

Mehrwert

Der Einsatz von KI-Fähigkeiten in Schlüsselbereichen hat eine erhebliche strategische Bedeutung für die Entwicklungspipeline von Roche, insbesondere angesichts des sich rasant erweiternden medizinischen Wissens. Das zunehmende Verständnis von Krankheiten und diagnostischen Fähigkeiten treibt die Identifizierung immer spezifischerer Patientensubpopulationen voran, die möglicherweise von maßgeschneiderten pharmazeutischen Interventionen profitieren könnten. Dieser Trend erfordert jedoch einen erheblichen wissenschaftlichen Fokus auf jede Subpopulation, was zu einer steigenden Anzahl von Veröffentlichungen und Kommunikationsmaterialien führt.

Da das medizinische Wissen weiter zunimmt, wird die Notwendigkeit, die Komplexität kleinerer Patientenpopulationen und weiterer Untergruppierungen effizient zu bewältigen, immer dringender. KI spielt eine entscheidende Rolle bei der Rationalisierung der Identifizierung und Charakterisierung dieser Subpopulationen und optimiert so die Entwicklung und Verbreitung wissenschaftlicher Erkenntnisse. Durch den Einsatz von KI ist Roche besser in der Lage, der wachsenden Nachfrage nach gezielten medizinischen Lösungen gerecht zu werden und gleichzeitig den erhöhten wissenschaftlichen Output und die damit verbundenen Kommunikationsmaterialien effektiv zu verwalten.

Unsere KI-Anwendungen zielen daher immer darauf ab, in den folgenden vier Bereichen einen Mehrwert zu schaffen:

Zeit:

Wie können die Lösungen den Erstellungsprozess, z. B. einer Publikation, beschleunigen?

Kosten:

Wie können die Projektmanagement-Aspekte des kreativen Prozesses optimiert werden? Wie kann dies zu höheren Adoptionsraten von Inhalten auf den Märkten bei geringeren Anpassungsaufwänden führen?

Effizienz:

Wie kann der kreative Prozess so optimiert werden, dass das Ergebnis bereits den gesetzten Standards und Erwartungen, z. B. von Behörden oder medizinischen Gesellschaften, entspricht?

Konsistenz:

Wie können die Ergebnisse des kreativen Prozesses standardisiert werden, um eine bessere und konsistentere Darstellung von Roche zu gewährleisten?

Während der Evaluation der geschäftlichen Einsatzmöglichkeiten für die KI-Anwendung gab es starke Signale dafür, dass die gezielte Anwendung von KI zu einer Zeitersparnis von 30 % bis 50 % führen könnte, was letztlich zu einer höheren Genauigkeit und potenziell schnellerer Marktreife führen würde. In Verbindung mit einem vernetzten Workflow, bei dem die genannten Ergebnisse in Zusammenarbeit mit menschlichen Interaktionen entstehen, könnte die Effizienzsteigerung sogar bis zu 70 % betragen und entsprechend Kosteneinsparungen ermöglichen.

LLM/Generative KI sind bekannt für ihre kreativen Fähigkeiten, was ein Risiko darstellen kann, wenn in der Anwendung erhöhte wissenschaftliche Präzision erforderlich ist. Daher müssen die Entwicklung der oben genannten Werkzeuge und ihre Ergebnisse kritisch überwacht werden, um eine faire und genaue Darstellung der jeweiligen Daten zu gewährleisten und Verzerrungen und Halluzinationen zu vermeiden.

Ausblick

Die Technologie der Generativen KI erscheint oft nahezu grenzenlos und täglich kommen neue Möglichkeiten und Fortschritte technischer Art hinzu. Im Gegensatz zur sich rasant entwickelnden Technologie ist es für Mitarbeitende nicht immer ganz einfach, mit dieser Entwicklungsgeschwindigkeit Schritt zu halten.

Kontinuierliche Schulungen für Mitarbeitende sind daher unabdingbar und machen eine nachhaltige Weiterentwicklung der KI-Anwendungen bei Roche erst möglich. Dabei müssen Mitarbeitende zunächst Vertrauen in die neuen Technologien erhalten und dann, wie oben beschrieben, diese achtsam und auch kritisch nutzen und weiterentwickeln.

Durch maßgeschneiderte Kommunikationsmaßnahmen kann ein kontinuierlicher Lernprozess in Gang gesetzt werden, der dafür sorgt, dass die Kolleginnen und Kollegen die KI-Werkzeuge sicher bei ihrer täglichen Arbeit anwenden können. Bei Roche werden diese Bemühungen in mehreren Funktionen durch unsere eigenen „Roche Artificial Intelligence (AI) Ethics Principles“ ergänzt, die klare Leitplanken für das Unternehmen vorgeben.

Über die Autoren

Curtis Newkirk ist engagierter Leiter für Gesundheitsinformatik und KI/ML- sowie Datenstratege, der seit 2013 bei Roche tätig ist. Seine Karriere umfasst verschiedene Positionen im Gesundheitswese, in denen er Innovationen in der Pharma- und Gesundheitsbranche vorantreibt.

LinkedIn-Profil: www.linkedin.com/in/curtisnewkirk

Jörg Corsten ist Senior Director für digitale Transformation und Innovation, der seit 2021 in verschiedenen Funktionen bei Roche tätig ist. Er ist leidenschaftlicher Vorreiter im Bereich der digitalen Kundeninteraktion und des transformativen Wandels. In seiner Arbeit treibt er Strategien und Projekte voran, die Kundenerfahrungen verbessern und Kolleginnen und Kollegen stärken.

LinkedIn-Profil: www.linkedin.com/in/joerg-corsten

Über Roche

Roche ist ein globaler Pionier in der Pharma- und Diagnostikbranche, der sich der Weiterentwicklung der Wissenschaft und der Verbesserung des Lebens von Patientinnen und Patienten verschrieben hat. Mit einem starken Fokus auf die personalisierte Gesundheitsversorgung entwickelt Roche innovative Medikamente und Diagnosetests, die Patientinnen und Patienten sowie Gesundheitsdienstleistern helfen, fundierte Therapieentscheidungen zu treffen. Als führendes Unternehmen in der Biotechnologie strebt Roche nach wissenschaftlicher Exzellenz und bietet Lösungen, um ungedeckten medizinischen Bedarf weltweit zu adressieren.

Die Abteilung Medical Affairs innerhalb der Pharma-Division von Roche fungiert als Bindeglied zwischen der klinischen Entwicklung von Produkten und ihrer Kommerzialisierung. Sie trägt die doppelte Verantwortung, Produkte für die Märkte vorzubereiten und – insbesondere bei neuen Produkten mit neuartigen Wirkungsweisen – diese Märkte ebenfalls vorzubereiten. Diese Aufgabe umfasst verschiedene Tätigkeiten, darunter die Kommunikation der wissenschaftlichen Hintergründe gegenüber der breiten Öffentlichkeit.

Roche erforscht und nutzt KI-Tools verantwortungsvoll in allen Arbeitsbereichen. In diesem Artikel konzentrieren wir uns jedoch ausschließlich auf die Anwendung im Bereich Medical Affairs.

Generative KI in der Diagnostik

Generative KI bietet ein großes Potenzial in der medizinischen Diagnostik, insbesondere bei der Analyse von Bilddaten und der Erkennung komplexer Krankheitsmuster. Durch die Verwendung von Generativen Adversarial Networks (GANs) können subtile Anomalien in medizinischen Bildern sicher erkannt werden, was frühere und präzisere Diagnosen ermöglicht. Generative KI kann jedoch menschliche Expertise nicht ersetzen, und es verbleiben Herausforderungen wie die Transparenz von KI-Entscheidungen, ethische Fragen und unklare Haftungsregelungen. In diesem Kapitel gehen wir auf die Chancen und Risiken des Einsatzes Generativer KI in der Diagnostik ein.

Generative KI in der Medizin: Effizienzsteigerung und neue Möglichkeiten in der Diagnostik

Die traditionelle Diagnostik stützt sich stark auf die Erfahrung des Mediziners bei der Anamnese und körperlichen Untersuchung sowie auf standardisierte Testergebnisse. Dieser Prozess ist zeitintensiv, subjektiv und führt besonders bei seltenen Krankheiten oft zu späten Diagnosen. Zudem werden Patientendaten bei einem Arztwechsel nicht immer vollständig weitergegeben, was zu Informationslücken und Mehrkosten durch doppelte Untersuchungen führt.

Generative KI bietet hier das Potenzial, gerade bei seltenen oder komplexen Krankheitsbildern Muster zu erkennen, die für einen Mediziner nur schwer oder erst nach großem Zeitaufwand erkennbar sind. Insbesondere bei der Auswertung medizinischer Bilddaten – wie Röntgenaufnahmen, MRTs, CT-Scans oder Ultraschallbilder – zeigt Generative KI großes Potenzial. Zwar ist das menschliche Auge, insbesondere bei trainierten Fachärztinnen/Fachärzten wie Radiologen, in der Lage, bemerkenswerte Leistungen bei der Erkennung von Anomalien zu erbringen, dennoch können Feinheiten übersehen werden, die für eine frühzeitige und erfolgreiche Behandlung entscheidend sind.

Generative Adversarial Networks (GANs) sind eine spezielle Art von Generativen KI-Modellen, die für die medizinische Diagnostik trainiert werden können (7). Mithilfe großer Datensätze sind GANs in der Lage, subtile Anomalien in medizinischen Bildern sicher zu erkennen. So lassen sich beispielsweise geringfügige Gewebeveränderungen in einem frühen Stadium, noch vor einer endgültigen Diagnose, entdecken, was entscheidend für den Behandlungserfolg sein kann. So könnte ein GAN etwa winzige Mikroverkalkungen in einem Mammogramm erkennen, die auf frühe Anzeichen von Brustkrebs hinweisen.

Generative KI kann nicht nur zuverlässig Auffälligkeiten in medizinischen Bildern erkennen, sondern diese auch mit Datenbanken abgleichen, um Muster zu identifizieren und so zu einer schnelleren Diagnose beizutragen. In der Radiologie, Neurologie, Onkologie und Dermatologie wird Generative KI bereits erfolgreich eingesetzt. Beispiele dafür sind DeepMind’s KI für Augenkrankheiten (8), IBMs Watson in der Onkologie oder das Fast Automated Segmentation Tool (F.A.S.T.) von Redbrick KI, das medizinisches Fachpersonal bei der Segmentierung und Kommentierung von CT-, MRT- und Ultraschallbildern unterstützt. F.A.S.T. kann Bilder in einzelne Segmente zerlegen und sich flexibel an neue Bildtypen anpassen, ohne dass zusätzliche Daten erforderlich sind.

Eine im September 2024 in „Nature Machine Intelligence“ veröffentlichte Studie stellte ein fortschrittliches, auf Generativer KI basierendes Modell vor, das in der Lage ist, virtuelle Färbungen von Krebsgewebe zu erzeugen (9). Diese Studie, durchgeführt von Forschenden der Universitäten Lausanne und Bern, markiert einen wesentlichen Fortschritt in der pathologischen Analyse und Diagnose von Krebserkrankungen. Automatisierte Erkennungsmethoden können dabei helfen, Hautkrebs (10), Lungenerkrankungen (11) oder Veränderungen im Gehirn frühzeitig zu identifizieren. Ebenso lassen sich Laborwerte und genetische Daten durch KI-gestützte Systeme effizient abgleichen.

Generative KI kann Ärztinnen und Ärzte unterstützen, indem sie große Datenmengen analysiert, Befunde bestätigt und die Diagnose von komplexen oder seltenen Krankheiten beschleunigt. Darüber hinaus kann sie medizinische Befunde auf verständliche Weise für Patientinnen und Patienten aufbereiten. Wie im vorherigen Kapitel erwähnt, können durch KI auch synthetische medizinische Bilder erzeugt werden, was die Qualität der Diagnostik weiter verbessert. Dies ist besonders nützlich, wenn Trainingsdaten begrenzt oder nur schwer zugänglich sind. Zudem kann KI fehlende Bildsegmente ergänzen, die Auflösung erhöhen oder Bildrauschen reduzieren.

Grundsätzlich ist Generative KI in der Lage, Bilddaten mit anderen medizinischen Daten wie Blutbildern oder genetischen Informationen abzugleichen, um umfassendere Diagnosen zu ermöglichen. Durch die Analyse historischer und Echtzeitdaten können bestimmte Erkrankungen oft früher erkannt werden – häufig noch bevor klinische Symptome auftreten. Beispiele hierfür sind die prädiktive Erkennung von Alzheimer oder Herzkrankheiten anhand von Bilddaten und Mustern.

Generative KI in der Diagnostik: Chancen, Grenzen und Herausforderungen

Generative KI hat ein großes Potenzial, Mediziner in der Diagnostik zu unterstützen. Allerdings besteht auch die Gefahr von Fehldiagnosen insbesondere, wenn die Modelle auf unvollständigen oder verzerrten Daten beruhen. Aus diesem Grund ist eine Überprüfung durch medizinisches Fachpersonal nach wie vor unerlässlich. Ein weiteres Problem ist, dass die Entscheidungsprozesse von KI-Algorithmen – wie beispielsweise die der oben erwähnten GANs – oft nicht transparent sind. Dies stellt eine Herausforderung für Ärztinnen und Ärzte dar, die die Ergebnisse verstehen und ihnen vertrauen müssen.