Skip to main content
SpringerLink
Log in

Künstliche Intelligenz in der Entscheidungsunterstützung und medikamentösen Tumortherapie

Artificial intelligence in clinical decision-making support and drug-based cancer treatment

  • Leitthema
  • Published:
Die Onkologie Aims and scope

Zusammenfassung

Hintergrund

Aufgrund des stetigen Informationszuwachs in der Medizin müssen in der Entscheidungsfindung immer mehr Faktoren gleichzeitig berücksichtigt werden. Zum Ausgleich der damit verbundenen höheren Belastung bei Ärztinnen und Ärzten werden zunehmend computergestützte Lösungen entwickelt und evaluiert.

Ziel der Arbeit

Die Kombination intelligenter Anwendungen mit einem evidenzbasierten Anspruch erfordert spezifische Systemarchitekturen. Diese werden im vorliegenden Artikel näher vorgestellt und erläutert.

Material und Methoden

Durch die strukturierte Aufarbeitung von medizinischen Informationen sowie deren Bündelung in krankheitsspezifischen Wissensbasen können vielseitige Werkzeuge für die klinische Entscheidungsunterstützung generiert werden. Ein wichtiger methodischer Ansatz ist hierbei die Simulation von Therapieergebnissen basierend auf retrospektiven Daten. Verfahren der künstlichen Intelligenz (KI) spielen hierbei eine elementare Rolle, um die Prozesse skalierbar und effizient zu gestalten.

Ergebnisse

Die Kombination von KI-gestützten Lösungen zur Informationsextraktion, -formalisierung und -integration ermöglicht die Erstellung von Plattformen, welche die Informationsverarbeitung im klinischen Alltag weitreichend unterstützen können. Die Integration zusätzlicher Datenquellen im Patientenmonitoring kann den bestehenden Status Quo durch schnellere Detektion von Risiken nachhaltig verbessern.

Schlussfolgerung

Um effektive Ende-zu-Ende-Lösungen in der evidenzbasierten klinischen Entscheidungsunterstützung entwickeln zu können, müssen holistische Konzepte erarbeitet und umgesetzt werden. Dies umfasst vor allem ein rigoroses Testmanagement, aber auch die schnelle Reaktion auf aktuelle Entwicklungen und Erkenntnisse im jeweiligen Anwendungsfeld.

Abstract

Background

Due to the continuous increase in medical information generation, ever more factors must be simultaneously taken into account during the decision-making process. To compensate for the associated higher burden on physicians, computer-assisted solutions are increasingly being developed and evaluated.

Objective

Combination of intelligent applications with an evidence-based approach requires specific system architectures. These are presented and explained in more detail in this article.

Materials and methods

By structuring medical information and bundling it into disease-specific knowledge bases, versatile tools for clinical decision support can be generated. An important methodological approach is the simulation of treatment outcomes based on retrospective data. Artificial intelligence (AI) methods play a fundamental role in making these processes scalable and efficient.

Results

The combination of AI-supported solutions for information extraction, formalization, and integration allows for the development of platforms that can significantly support information processing in everyday clinical practice. The integration of additional data sources in patient monitoring can sustainably improve the existing status quo by detecting risks more quickly.

Conclusion

To establish effective end-to-end solutions in evidence-based clinical decision support, holistic concepts must be developed and implemented. This includes rigorous test management, but also a rapid response to current developments and findings in the respective field of application.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1
Abb. 2
Abb. 3

Literatur

  1. Bensing J (2000) Bridging the gap. The separate worlds of evidence-based medicine and patient-centered medicine. Patient Educ Couns 39(1):17–25. https://doi.org/10.1016/S0738-3991(99)00087-7

    Article  CAS  PubMed  Google Scholar 

  2. Gaebel J, Keller J, Schneider D, Lindenmeyer A, Neumuth T, Franke S (2021) The digital twin: modular model-based approach to personalized medicine. Curr Dir Biomed Eng 7(2):223–226

    Article  Google Scholar 

  3. - (2000) To Err Is Human: Building a Safer Health System. National Academies Press https://doi.org/10.17226/9728 (9728)

    Book  Google Scholar 

  4. Bi WL, Hosny A, Schabath MB et al (2019) Artificial intelligence in cancer imaging: clinical challenges and applications. CA A Cancer J Clinicians 69(2):127–157. https://doi.org/10.3322/caac.21552

    Article  Google Scholar 

  5. Al-Antari MA (2023) Artificial intelligence for medical diagnostics—existing and future aI technology! Diagnostics 13(4):688. https://doi.org/10.3390/diagnostics13040688

    Article  PubMed  PubMed Central  Google Scholar 

  6. Rajkomar A, Dean J, Kohane I (2019) Machine learning in medicine. N Engl J Med 380(14):1347–1358. https://doi.org/10.1056/NEJMra1814259

    Article  PubMed  Google Scholar 

  7. Saripalle R, Runyan C, Russell M (2019) Using HL7 FHIR to achieve interoperability in patient health record. J Biomed Inform 94:103188. https://doi.org/10.1016/j.jbi.2019.103188

    Article  PubMed  Google Scholar 

  8. Ayaz M, Pasha MF, Alzahrani MY, Budiarto R, Stiawan D (2021) The Fast Health Interoperability Resources (FHIR) standard: systematic literature review of implementations, applications, challenges and opportunities. JMIR Med Inform 9(7):e21929. https://doi.org/10.2196/21929

    Article  PubMed  PubMed Central  Google Scholar 

  9. Ärzteblatt DÄG Redaktion Deutsches (2023) Gesundheitsdaten: Eine Sprache für Europa. Deutsches Ärzteblatt. Published April 21. https://www.aerzteblatt.de/archiv/230797/Gesundheitsdaten-Eine-Sprache-fuer-Europa. Zugegriffen: 27. Okt. 2023

  10. Sackett DL, Rosenberg WMC, Gray JAM, Haynes RB, Richardson WS (1996) Evidence based medicine: what it is and what it isn’t. BMJ 312(7023):71–72. https://doi.org/10.1136/bmj.312.7023.71

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  11. Cserni G, Chmielik E, Cserni B, Tot T (2018) The new TNM-based staging of breast cancer. Virchows Arch 472(5):697–703. https://doi.org/10.1007/s00428-018-2301-9

    Article  PubMed  Google Scholar 

  12. Raptis CA, Robb CL, Bhalla S (2018) Tumor staging of lung cancer. Radiol Clin North Am 56(3):391–398. https://doi.org/10.1016/j.rcl.2018.01.006

    Article  PubMed  Google Scholar 

  13. Chen H, Luo J, Guo J (2020) Development and validation of a five-immune gene prognostic risk model in colon cancer. BMC Cancer 20(1):395. https://doi.org/10.1186/s12885-020-06799-0

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  14. D’Agostino M, Cairns DA, Lahuerta JJ et al (2022) Second Revision of the International Staging System (R2-ISS) for overall Survival in Multiple Myeloma: a European Myeloma Network (EMN) report within the HARMONY project. J Clin Oncol 40(29):3406–3418. https://doi.org/10.1200/JCO.21.02614

    Article  CAS  PubMed  Google Scholar 

  15. Weissler EH, Naumann T, Andersson T et al (2021) The role of machine learning in clinical research: transforming the future of evidence generation. Trials 22(1):537. https://doi.org/10.1186/s13063-021-05489-x

    Article  PubMed  PubMed Central  Google Scholar 

  16. Ngiam KY, Khor IW (2019) Big data and machine learning algorithms for health-care delivery. Lancet Oncol 20(5):e262–e273. https://doi.org/10.1016/S1470-2045(19)30149-4

    Article  PubMed  Google Scholar 

  17. Lee N, Jeong S, Park MJ, Song W (2022) Deep learning application of the discrimination of bone marrow aspiration cells in patients with myelodysplastic syndromes. Sci Rep 12(1):18677. https://doi.org/10.1038/s41598-022-21887-w

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  18. Amirahmadi A, Ohlsson M, Etminani K (2023) Deep learning prediction models based on EHR trajectories: a systematic review. J Biomed Inform 144:104430. https://doi.org/10.1016/j.jbi.2023.104430

    Article  PubMed  Google Scholar 

  19. Sharplin K, Proudman W, Chhetri R et al (2023) A personalized risk model for azacitidine outcome in myelodysplastic syndrome and other myeloid neoplasms identified by machine learning model utilizing real-world data. Cancers 15(16):4019. https://doi.org/10.3390/cancers15164019

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  20. Glasser SP (2008) Bias, Confounding, and Effect Modification. In: Glasser SP (Hrsg) Essentials of Clinical Research. Springer, Netherlands, S 295–302 https://doi.org/10.1007/978-1-4020-8486-7_17

    Chapter  Google Scholar 

  21. Baumfeld Andre E, Reynolds R, Caubel P, Azoulay L, Dreyer NA (2020) Trial designs using real-world data: the changing landscape of the regulatory approval process. Pharmacoepidemiol Drug Saf 29(10):1201–1212. https://doi.org/10.1002/pds.4932

    Article  PubMed  Google Scholar 

  22. Rosenbaum PR, Rubin DB (1983) The central role of the propensity score in observational studies for causal effects. Biometrika 70(1):41–55. https://doi.org/10.1093/biomet/70.1.41

    Article  Google Scholar 

  23. Wang J (2021) To use or not to use propensity score matching? Pharm Stat 20(1):15–24. https://doi.org/10.1002/pst.2051

    Article  PubMed  Google Scholar 

  24. Dash S, Shakyawar SK, Sharma M, Kaushik S (2019) Big data in healthcare: management, analysis and future prospects. J Big Data 6(1):54. https://doi.org/10.1186/s40537-019-0217-0

    Article  Google Scholar 

  25. Kong HJ (2019) Managing unstructured big data in healthcare system. Healthc Inform Res 25(1):1. https://doi.org/10.4258/hir.2019.25.1.1

    Article  PubMed  PubMed Central  Google Scholar 

  26. Casey A, Davidson E, Poon M et al (2021) A systematic review of natural language processing applied to radiology reports. BMC Med Inform Decis Mak 21(1):179. https://doi.org/10.1186/s12911-021-01533-7

    Article  PubMed  PubMed Central  Google Scholar 

  27. Nenoff K, Grieb N, Oeser A, Neumuth T, Platzbecker U, Kubasch AS (2021) Künstliche Intelligenz in der Hämatologie. InFo Hämatol Onkol 24(12):10–13. https://doi.org/10.1007/s15004-021-8909-y

    Article  Google Scholar 

  28. Matsui D (2015) Ethics of studies of drugs in pregnancy. Paediatr Drugs 17(1):31–35. https://doi.org/10.1007/s40272-014-0104-2

    Article  PubMed  Google Scholar 

  29. Radakovich N, Sallman DA, Buckstein R et al (2022) A machine learning model of response to hypomethylating agents in myelodysplastic syndromes. iScience 25(10):104931. https://doi.org/10.1016/j.isci.2022.104931

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  30. Kim T, Lee SJ, Jang TW (2022) Application of several machine learning algorithms for the prediction of afatinib treatment outcome in advanced-stage EGFR-mutated non-small-cell lung cancer. Thorac Cancer 13(23):3353–3361. https://doi.org/10.1111/1759-7714.14694

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  31. Wang T, Ho MH, Tong MCF, Chow JCH, Voss JG, Lin CC (2023) Effects of patient-reported outcome tracking and health information provision via remote patient monitoring software on patient outcomes in oncology care: a systematic review and meta-analysis. Semin Oncol Nurs. https://doi.org/10.1016/j.soncn.2023.151473

    Article  PubMed  Google Scholar 

  32. Liu JH, Shih CY, Huang HL et al (2023) Evaluating the potential of machine learning and wearable devices in end-of-life care in predicting 7‑day death events among patients with terminal cancer: cohort study. J Med Internet Res 25:e47366. https://doi.org/10.2196/47366

    Article  PubMed  PubMed Central  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Innovation Center Computer Assisted Surgery (ICCAS), Medizinische Fakultät, Universität Leipzig, Semmelweisstr. 14, 04103, Leipzig, Deutschland

    Alexander Oeser, Nora Grieb, Jan Gaebel, Stefan Franke & Thomas Neumuth

  2. Klinik und Poliklinik für Hämatologie, Zelltherapie, Hämostaseologie und Infektiologie, Universitätsklinikum Leipzig, Leipzig, Deutschland

    Anne Sophie Kubasch, Maximilian Merz & Uwe Platzbecker

Authors
  1. Alexander Oeser
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Nora Grieb
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Jan Gaebel
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. Stefan Franke
    View author publications

    You can also search for this author in PubMed Google Scholar

  5. Anne Sophie Kubasch
    View author publications

    You can also search for this author in PubMed Google Scholar

  6. Maximilian Merz
    View author publications

    You can also search for this author in PubMed Google Scholar

  7. Uwe Platzbecker
    View author publications

    You can also search for this author in PubMed Google Scholar

  8. Thomas Neumuth
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Alexander Oeser.

Ethics declarations

Interessenkonflikt

A. Oeser, N. Grieb, J. Gaebel, S. Franke, A.S. Kubasch, M. Merz, U. Platzbecker und T. Neumuth geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autor/-innen keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Additional information

Hinweis des Verlags

Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral.

figure qr

QR-Code scannen & Beitrag online lesen

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Oeser, A., Grieb, N., Gaebel, J. et al. Künstliche Intelligenz in der Entscheidungsunterstützung und medikamentösen Tumortherapie. Onkologie 30, 380–387 (2024). https://doi.org/10.1007/s00761-024-01487-1

Download citation

  • Accepted:

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00761-024-01487-1

Schlüsselwörter

Keywords

Search

Navigation