Künstliche Intelligenz und Ausblick auf Anwendungsfelder in der Pseudarthrosentherapie

Zusammenfassung

Methoden der künstlichen Intelligenz (KI) haben in den letzten Jahren zunehmend Einzug in die Medizin gefunden. Einige Fachbereiche nutzen diese schon regelmäßig im klinischen Alltag. Die Anwendungsfelder sind weit, aber bisher noch nicht ausgeschöpft und in ihrer Vielfalt nicht ausreichend verstanden. Dieser Übersichtsbeitrag gibt einen Einblick in die Historie der KI und definiert die unterschiedlichen Begrifflichkeiten und Bereiche wie maschinelles Lernen (ML), neuronale Netze oder Deep Learning. Es werden die klassischen Schritte zur Entwicklung eines KI-Modells demonstriert sowie der Kreislauf der Datenbereinigung, -vorbereitung, das Training eines Modells bis hin zur Validierung und Umsetzung in der Praxis des klinischen Alltags erklärt. Bisherige Anwendungsfelder im muskuloskeletalen Fachbereich nutzen sowohl Methoden des ML als auch neuronaler Netze, z. B. zur Identifikation von Frakturen oder zur Klassifizierung. Prädikative Modelle anhand von Risikofaktoren mit dem Ziel der Komplikationsprävention finden erste Anwendung. Da Pseudarthrosen ein zwar seltenes, aber komplexes Krankheitsbild mit soziökonomischer Tragweite darstellen, ergeben sich viele noch offene Fragestellungen, die mithilfe der Methoden der KI zukünftig beantwortet werden könnten. Neue Forschungsfelder unter Nutzung von KI reichen von Prädikationsmodellen über Kostenanalysen bis hin zu personalisierter Therapie.

Abstract

Methods of artificial intelligence (AI) have found applications in many fields of medicine within the last few years. Some disciplines already use these methods regularly within their clinical routine. However, the fields of application are wide and there are still many opportunities to apply these new AI concepts. This review article gives an insight into the history of AI and defines the special terms and fields, such as machine learning (ML), neural networks and deep learning. The classical steps in developing AI models are demonstrated here, as well as the iteration of data rectification and preparation, the training of a model and subsequent validation before transfer into a clinical setting are explained. Currently, musculoskeletal disciplines implement methods of ML and also neural networks, e.g. for identification of fractures or for classifications. Also, predictive models based on risk factor analysis for prevention of complications are being initiated. As non-union in bone is a rare but very complex disease with dramatic socioeconomic impact for the healthcare system, many open questions arise which could be better understood by using methods of AI in the future. New fields of research applying AI models range from predictive models and cost analysis to personalized treatment strategies.