Skip to main content

Künstliche Intelligenz im Gesundheitswesen

Zusammenfassung

Es ist offensichtlich, dass künstliche Intelligenz einen positiven Einfluss auf die Gesundheitsversorgung der Patienten und Bürger haben wird. Jedoch stellt sie auch große Herausforderungen dar: Der Gesundheitssektor wie auch die Gesellschaft hinken anderen Industrien hinterher, wenn es sich um die Verarbeitung und den Nutzen von „Big Data“ handelt. Unermessliche Datenquellen bleiben unangetastet und ihr Potential wird nicht für die Gesundheitsversorgung genutzt. Ein technischer Lösungsansatz ist die künstliche Intelligenz (KI), um Daten zu verarbeiten, Informationen, Erkenntnisse und Zusammenhänge herstellen zu können, damit die medizinische Versorgung nachhaltig gestaltet werden kann. Jedoch besteht viel Unsicherheit in der Bevölkerung und in den medizinischen Fachdisziplinen, was KI ist, was sie kann und wo die wirklichen Risiken der KI liegen. In diesem Kapitel soll Transparenz geschaffen werden, um KI zu definieren, aufzuzeigen, auf welcher Datenbasis gearbeitet werden kann und wo KI wirklich Nutzen in der Medizin bringen kann und wird. Am Ende sind jedoch Gesellschaft und Politik gefragt, um die Rahmenbedingungen für Big Data und KI-Plattformen zu schaffen. Standardisierung und Qualitätssicherung sind notwendig, um ein Ökosystem zu etablieren und nicht zuletzt muss sich die Gesellschaft auch ethischen Fragen stellen.

This is a preview of subscription content, access via your institution.

Buying options

Chapter
USD   29.95
Price excludes VAT (USA)
  • DOI: 10.1007/978-3-662-57611-3_3
  • Chapter length: 14 pages
  • Instant PDF download
  • Readable on all devices
  • Own it forever
  • Exclusive offer for individuals only
  • Tax calculation will be finalised during checkout
eBook
USD   54.99
Price excludes VAT (USA)
  • ISBN: 978-3-662-57611-3
  • Instant PDF download
  • Readable on all devices
  • Own it forever
  • Exclusive offer for individuals only
  • Tax calculation will be finalised during checkout
Softcover Book
USD   69.99
Price excludes VAT (USA)
Abb. 3.1
Abb. 3.2
Abb. 3.3

(Aus Huang et al. 2016, mit freundlicher Genehmigung)

Abb. 3.4

(Aus Reumann et al. 2018, mit freundlicher Genehmigung)

Abb. 3.5

(IBM 2013)

Abb. 3.6

(Aus Reumann 2017, mit freundlicher Genehmigung)

Notes

  1. 1.

    Diese Definition und die folgenden Abschnitte über Volume, Velocity, Variety, Veracity und Value ist entnommen aus Reumann et al. (2017).

Literatur

  • Antes G (2018) Die Medizin im Datenrausch – eine Richtigstellung. Frankfurter Allgemeine Zeitung v., 2. Januar 2018

    Google Scholar 

  • Blaschke S (2003) Die Informationsexplosion und ihre Bewältigung: Gedanken zur Suche nach einem besseren System der Fachkommunikation. Inf Wiss Prax 54(6):329–334

    Google Scholar 

  • Firschein O, et al. (1973) Forecasting and assessing the impact of artificial intelligence on society. International joint conference on artificial intelligence forecasting and assessing the impact of artificial intelligence on society. In Proc. International Joint Conference on Artificial Intelligence. https://www.ijcai.org/Proceedings/73/Papers/013.pdf. Zugegriffen: 9. Juli. 2018

  • Forster J, Entrup B (2017) A cognitive computing approach for classification of complaints in the insurance industry. IOP Conf Ser Mater Sci Eng 261(1)

    CrossRef  Google Scholar 

  • Gantz J, Reinse D (2012) The Digital Universer in 2020: Big data, bigger digital shadows, and biggest growth in the Far East. http://www.emc.com/collateral/analyst-reports/idc-the-digital-universe-in-2020.pdf. Zugegriffen: 27. Apr. 2016

  • Gil Press, Contributor (2013) A very short history of big data. http://www.forbes.com/sites/gilpress/2013/05/09/a-very-short-history-of-big-data

  • Goudey BW, Abedini M, Hopper J, Inouye M, Makalic E, Schmidt DF, Wagner J, Zhou Z, Zobel J, Reumann M (2015) High performance computing enabling exhaustive analysis of higher order single nucleotide polymorphism interaction in genome wide association studies. Health Inf Sci Syst 3(1):S3

    CrossRef  Google Scholar 

  • Huang G, Liu Z, Maaten L van der, Weinberger KQ (2016) Densely connected convolutional networks. https://arxiv.org/abs/1608.06993

  • IBM (Hrsg) (2013) Infographic: mapping the path to cognitive computing http://www-03.ibm.com/press/us/en/attachment/41370.wss?fileId=ATTACH_FILE2&fileName=cognitive-computing.jpg. Zugegriffen: 9. Juli 2018

  • IBM Big Data & Analytics Hub (2015) Cognitive technology: unlocking new insights in dark data. 16. Dez. 2015. http://www.ibmbigdatahub.com/blog/cognitive-technology-unlocking-new-insights-dark-data. Zugegriffen: 26. Apr. 2016

  • IDC Community (Hrsg) (2016) Big data and analytics. https://www.idc.com/prodserv/4Pillars/bigdata. Zugegriffen: 25. Apr. 2016

  • Krupinski EA (2018) Deep learning of radiology reports for pulmonary embolus: is a computer reading my report? Radiology 286:853–855

    CrossRef  Google Scholar 

  • Lakhani P, Sundaram B (2017) Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology 284:574–582

    CrossRef  Google Scholar 

  • Li C et al (2017) Convolutional neural networks for medical diagnosis from admission notes. arXiv preprint. arXiv:1712.02768

  • Martin-Sanchez F, Verspoor K (2014) Big data in medicine is driving big changes. Yearb Med Inform. https://doi.org/10.15265/iy-2014-0020

    CrossRef  Google Scholar 

  • Marx W, Gramm G (2002) Literaturflut – Informationslawine – Wissensexplosion. Wächst der Wissenschaft das Wissen über den Kopf. Zentrale Informationsvermittlung der Chemisch-Physikalisch-Technischen Sektion der MPG am Max-Planck-Institut für Festkörperforschung, Stuttgart

    Google Scholar 

  • McGover L, Miller G, Hughes-Cromwick P (2014) The relative contribution of multiple determinants to health outcomes. Health Aff 2:33

    CrossRef  Google Scholar 

  • McGregor C, James A, Eklund M et al (2013) Blount M. Real-time multidimensional temporal analysis of complex high volume physiological data streams in the neonatal intensive care unit. Stud Health Technol Inform 192:362–366

    PubMed  Google Scholar 

  • Meyer M 2015) Digitale chancen: next generation healthcare. http://docplayer.org/14413539-Digitale-chancen-next-generation-healthcare.html. Zugegriffen: 5. Juni 2018

  • Nasrabadi Nasser M (2007) Pattern recognition and machine learning. J Electron Imaging 16:049901

    CrossRef  Google Scholar 

  • Nigam P (2016) Applying deep learning to ICD-9 multi-label classification from medical records. Technical report, Stanford University. https://cs224d.stanford.edu/reports/priyanka.pdf. Zugegriffen: 5. Juni 2018

  • Patel VL et al (2009) The coming of age of artificial intelligence in medicine. Artif Intell Med 46:5–17

    CrossRef  Google Scholar 

  • Rajpurkar P, Irvin J, Zhu K et al (2017) CheXNet: radiologist-level pneumonia detection on chest X-rays with deep learning. arXiv:1711.05225[cs.CV]. https://arxiv.org/abs/1711.05225. Zugegriffen: 4. Juni 2018

  • Reumann M (2017) Big data in public health: from genes to society. Universitaire Pers, Maastricht

    Google Scholar 

  • Reumann M, Böttcher B (2016) Cognitive Computing – Essentieller Teil der Medizin 2020. TumorDiagn Ther 37:322–326

    CrossRef  Google Scholar 

  • Reumann M, Marchiori C, Lange M, Böttcher B (2017) Big Data und kognitive Assistenzsysteme verändern die Versorgung in Digitalisierungsmanagement in Gesundheitssystemen. In: Rebscher H, Kaufmann S (Hrsg) Digitalisierungsmanagement in Gesundheitssystemen. Medhochzwei, Heidelberg, S 99–118

    Google Scholar 

  • Reumann M, Giovannini A, Nadworny B et al (2018) Cognitive DDx assistant in rare diseases. Conf Proc IEEE Eng Med Biol Soc (accepted, to be published in July 2018)

    Google Scholar 

  • Robert C (2014) Machine learning, a probabilistic perspective. Chance 27:62–63

    CrossRef  Google Scholar 

  • Semigran HL et al (2015) Evaluation of symptom checkers for self-diagnosis and triage: audit study. bmj 351:h3480

    Google Scholar 

  • Shortliffe EH (1976) Computer-based medical consultations: MYCIN. Elsevier, New York

    Google Scholar 

  • Zhang J, Chiodini R, Badr A, Zhang G (2011) The impact of next-generation sequencing on genomics. J Genet Genomics 38:95–109

    CrossRef  Google Scholar 

Download references

Author information

Authors and Affiliations

Authors

Corresponding author

Correspondence to Christoph Auer .

Editor information

Editors and Affiliations

Rights and permissions

Reprints and Permissions

Copyright information

© 2019 Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature

About this chapter

Verify currency and authenticity via CrossMark

Cite this chapter

Auer, C., Hollenstein, N., Reumann, M. (2019). Künstliche Intelligenz im Gesundheitswesen. In: Haring, R. (eds) Gesundheit digital. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-57611-3_3

Download citation

  • DOI: https://doi.org/10.1007/978-3-662-57611-3_3

  • Published:

  • Publisher Name: Springer, Berlin, Heidelberg

  • Print ISBN: 978-3-662-57610-6

  • Online ISBN: 978-3-662-57611-3

  • eBook Packages: Medicine (German Language)