Zusammenfassung
Begriffe wie Machine Learning, Deep Learning oder künstliche Intelligenz sind Schlagworte, die derzeit in nahezu jeder Branche für große Aufmerksamkeit sorgen und oftmals Begehrlichkeiten wecken. Die mit diesen technologischen Entwicklungen verknüpften Potenziale scheinen oftmals gar unerschöpflich. Doch welche Anwendungsgebiete und Entwicklungspotenziale hält diese Technologie für das Gesundheitswesen bereit? Wie profitieren Patienten und Ärzte von modernen algorithmischen Anwendungsverfahren? Auch im deutschen Gesundheitswesen gibt es Fachbereiche, die bereits heute vom Einsatz künstlicher Intelligenz lernen und profitieren. Der Blick in die Zukunft lässt darüber hinaus soziodemografische und technologische Entwicklungen erkennen, die ein Umdenken erfordern und den Einsatz intelligenter, technologischer Lösungen obligatorisch erscheinen lassen. Im Fachbereich der Radiologie werden die Potenziale künstlicher Intelligenz bereits heute offensichtlich und geben einen Einblick in Chancen und Risiken, die mit dem Einsatz moderner Technologien verknüpft sind.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
Allied Market Research (2018) Artificial intelligence in healthcare market. Allied Market Research. https://www.alliedmarketresearch.com/artificial-intelligence-in-healthcare-market. Zugegriffen am 26.03.2019
Arbeitskreis Regulierung in Netzindustrien der Schmalenbach-Gesellschaft für Betriebswirtschaft e.V (2018) Digitalisierung und Regulierung in Netzindustrien. In: Krause S, Pellens B (Hrsg) Betriebswirtschaftliche Implikationen der digitalen Transformation. Springer Fachmedien Wiesbaden, Wiesbaden, S 203–219
Arnold D, Wilson T (2017) What doctor? Why AI and robotics will define New Health. PwC. https://www.pwc.com/gx/en/industries/healthcare/publications/ai-robotics-new-health/ai-robotics-new-health.pdf. Zugegriffen am 11.03.2019
Beaglehole R, Epping-Jordan J, Patel V, Chopra M, Ebrahim S, Kidd M, Haines A (2008) Improving the prevention and management of chronic disease in low-income and middle-income countries: a priority for primary health care. Lancet 372(9642):940–949
Berbaum KS, Franken EA Jr, Dorfman DD, Rooholamini SA (1990) Satisfaction of search in diagnostic radiology. Invest Radiol 25(2):133–140
Berbaum KS, Krupinski EA, Schartz KM, Caldwell RT, Madsen MT, Hur S, Laroia AT, Thompson BH, Mullan BF, Franken EA Jr (2015) Satisfaction of search in chest radiography 2015. Acad Radiol 22(11):1457–1465
Berlin L (2007) Accuracy of diagnostic procedures: has it improved over the past five decades? Am J Roentgenol 188(5):1173–1178
Bogdan B (2018) MedRevolution. Springer, Berlin/Heidelberg
Bundesamt für Strahlenschutz (2019) Das Mammographie-Screening-Programm in Deutschland. Bundesamt für Strahlenschutz. https://www.bfs.de/DE/themen/ion/anwendung-medizin/diagnostik/roentgen/mammographie.html. Zugegriffen am 11.03.2019
Bundeszentrale für politische Bildung (2015) Bevölkerungsentwicklung und Altersstruktur. Bundeszentrale für politische Bildung. http://www.bpb.de/nachschlagen/zahlen-und-fakten/soziale-situation-in-deutschland/61541/altersstruktur. Zugegriffen am 11.03.2019
CB Insights (2018) Artificial intelligence trends to watch in 2018. CB Insights. https://www.cbinsights.com/research/report/artificial-intelligence-trends-2018/. Zugegriffen am 11.03.2018
Choi E, Schuetz A, Stewart WF, Sun J (2016) Medical concept representation learning from electronic health records and its application on heart failure prediction, Atlanta. Georgia Institute of Technology. https://arxiv.org/abs/1602.03686v2. Zugegriffen am 05.03.2019
Deutsche Röntgengesellschaft (2018) Radiologische Verfahren: Alles im Blick. Deutsche Röntgengesellschaft. https://www.drg.de/de-DE/3864/radiologische-verfahren/. Zugegriffen am 11.03.2019
Deutsche Röntgengesellschaft (2019) Radiomics in der Radiologie. Deutsche Röntgengesellschaft. https://www.drg.de/de-DE/3601/radiomics/. Zugegriffen am 13.03.2019
Doelfs G (2017) Künstliche Intelligenz im Krankenhaus: „Krankenhäuser werden dadurch schneller und besser“. kma – Das Gesundheitswirtschaftsmagazin 22:72–74
Doelfs G (2018) Uniklinik Essen: Auf dem Weg zum intelligenten Krankenhaus. kma – Das Gesundheitswirtschaftsmagazin 23:28–32
Donald JJ, Barnard SA (2012) Common patterns in 558 diagnostic radiology errors. J Med Imaging Radiat Oncol 56(2):173–178
EMC Digital Universe (2014) Driving data growth in healthcare. EMC Digital Universe. https://www.emc.com/analyst-report/digital-universe-healthcare-vertical-report-ar.pdf. Zugegriffen am 11.03.2019
Epstein RM, Fiscella K, Lesser CS, Stange KC (2010) Why the nation needs a policy push on patient-centered health care. Health Aff (Millwood) 29(8):1489–1495
Europäische Kommission (2018) Digital health and care. Europäische Kommission. https://ec.europa.eu/health/sites/health/files/ehealth/docs/2018_ehealth_infographic_en.pdf. Zugegriffen am 08.03.2019
Fischer M, Hafen E, Jelitto J, Kaiserswerth M, Kossmann D, Marchiori C, Martin M, Akademien der Wissenschaften Schweiz (2015) Big Data im Gesundheitswesen White Paper, Akademien der Wissenschaften Schweiz (Hrsg), Basel
Forsting M (2018) Podiumsdiskussion: deep learning and artificial intelligence. Hauptstadtkongress Medizin und Gesundheit 2018, Berlin
Fraunhofer-Institut für Optronik Systemtechnik und Bildauswertung IOSB (2019) Digitaler Zwilling, Karlsruhe. Fraunhofer IOSB. https://www.iosb.fraunhofer.de/servlet/is/80212/. Zugegriffen am 18.03.2019
Gehring H, Rackebrandt K, Imhoff M (2018) E-Health and reality – what are we facing in patient care? Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 61(3):252–262
Gemeinsamer Bundesausschuss (2017) Mammographie-Screening Eine Entscheidungshilfe. Mammographie Screening Programm, Gemeinsamer Bundesausschuss (G-BA), Bd 1, No 1, S 3–19
Gesundheitsberichterstattung des Bundes (2019a) Bei den Ärztekammern registrierte Ärztinnen und Ärzte mit Schwerpunktbezeichnung. Gliederungsmerkmale: Jahre, Region, Alter, Geschlecht, Schwerpunktbezeichnung, Tätigkeitsbereich, Bonn. Statistisches Bundesamt. http://www.gbe-bund.de/oowa921-install/servlet/oowa/aw92/WS0100/_XWD_PROC?_XWD_2/3/XWD_CUBE.DRILL/_XWD_30/D.000/3727. Zugegriffen am 13.03.2019
Gesundheitsberichterstattung des Bundes (2019b) Operationen und Prozeduren der vollstationären Patientinnen und Patienten in Krankenhäusern (Wohnort/Behandlungsort), Bonn. Statistisches Bundesamt. http://www.gbe-bund.de/oowa921-install/servlet/oowa/aw92/dboowasys921.xwdevkit/xwd_init?gbe.isgbetol/xs_start_neu/&p_aid=i&p_aid=95312518&nummer=662&p_sprache=D&p_indsp=6140&p_aid=54196944. Zugegriffen am 11.03.2019
Haluza D, Jungwirth D (2018) ICT and the future of healthcare: Aspects of pervasive health monitoring. Inform Health Soc Care 43(1):1–11
Holzinger A, Jurisica I, Ohio Library and Information Network (2014) Interactive knowledge discovery and data mining in biomedical informatics: state-of-the-art and future challenges. Springer, Heidelberg
Krassnitzer M (2018) KI blickt tief in den Tumor hinein. European Hospital. https://healthcare-in-europe.com/de/news/ki-blickt-tief-in-den-tumor-hinein.html. Zugegriffen am 13.03.2019
mednic (2018) „Künstliche Intelligenz revolutioniert klinische Diagnostik“. mednic. https://mednic.de/kuenstliche-intelligenz-revolutioniert-klinische-diagnostik/5984. Zugegriffen am 11.03.2019
Menn, A (2018) Künstliche Intelligenz in der Diagnostik – KI könnte Heilungschancen massiv verbessern. WirtschaftsWoche. https://www.wiwo.de/technologie/forschung/kuenstliche-intelligenz-in-der-diagnostik-ki-koennte-heilungschancen-massiv-verbessern/23054930.html. Zugegriffen am 25.03.2019
Nagel S, Sinha D, Day D, Warburton E, Reith W (2017) Die e-ASPECTS-Software ist der Bewertung von CTs akuter Schlaganfallpatienten mit der ASPECTS-Methode durch Neuroradiologen ebenbürtig, Nagel S (Hrsg). https://distribute.m-anage.com/from.storage?image=uN%252fwrc3DEPt%252bf74C4ZPvFWj0ysAP6RadVspE7p8f2YyK8qvTERmkiSc9ArazcPUtgeKLOl7veKkmYRS6O51GNQ%253d%253d. Zugegriffen am 13.03.2019
O’Connor JP, Aboagye EO, Adams JE, Aerts HJ, Barrington SF (2017) Imaging biomarker roadmap for cancer studies. Nat Rev Clin Oncol 14(3):169–186
Oshima Lee E, Emanuel EJ (2013) Shared decision making to improve care and reduce costs. N Engl J Med 368(1):6–8
Porter ME (2009) A strategy for health care reform--toward a value-based system. N Engl J Med 361(2):109–112
PwC (2017) Sherlock in health – How artificial intelligence may improve quality and efficiency, whilst reducing healthcare costs in Europe. Pricewaterhouse Coopers (PwC). https://www.pwc.de/de/gesundheitswesen-und-pharma/studie-sherlock-in-health.pdf. Zugegriffen am 18.03.2019
Retzlaff L (2017) Miniaturisierung macht (fast) alles möglich. Management & Krankenhaus 12:3–4
Reuters (2018) Medizintechnikfirmen setzen auf digitale Zwillinge. Reuters. https://de.reuters.com/article/medizin-k-nstliche-intelligenz-idDEKCN1LN0JK. Zugegriffen am 18.03.2019
Rüping S (2015) Big data in medicine and healthcare. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 58(8):794–798
Sardanelli F (2017) Trends in radiology and experimental research. Eur Radiol Exp 1(1):1
Schönberg S (2018) Podiumsdiskussion: deep learning und artificial intelligence. Hauptstadtkongress Medizin und Gesundheit 2018, Berlin
Siemens Healthineers (2017) Medical Imaging in the Age of Artificial Intelligence. Siemens Healthcare GmbH. https://www.siemens.com/press/pool/de/events/2017/healthineers/2017-11-rsna/white-paper-medical-imaging-in-the-age-of-artificial-intelligence.pdf. Zugegriffen am 11.03.2019
Sokolovskaya E, Shinde T, Ruchman RB, Kwak AJ, Lu S, Shariff YK, Wiggins EF, Talangbayan L (2015) The effect of faster reporting speed for imaging studies on the number of misses and interpretation errors: a pilot study. J Am Coll Radiol 12(7):683–688
Statistisches Bundesamt (2015) Bevölkerung Deutschlands bis 2060. Statistisches Bundesamt, Wiesbaden
Tang PC, Lansky D (2005) The missing link: bridging the patient-provider health information gap. Health Aff (Millwood) 24(5):1290–1295
Telgheder M (2017) Mit Algorithmen zur besseren Diagnose. Handelsblatt Media Group GmbH & Co. KG. https://www.handelsblatt.com/technik/medizin/kuenstliche-intelligenz-im-krankenhaus-mit-algorithmen-zur-besseren-diagnose/19783458.html?ticket=ST-983395-cmXlZr6ZvthCJcpAMnEd-ap3. Zugegriffen am 11.03.2019
The Royal College of Radiologists (2017) Clinical radiology UK workforce census 2016 report. The Royal College of Radiologists, London
United Nations (2017) Ageing. United Nations. http://www.un.org/en/sections/issues-depth/ageing/. Zugegriffen am 11.03.2019
Waite S, Scott J, Gale B, Fuchs T, Kolla S, Reede D (2017) Interpretive error in radiology. AJR Am J Roentgenol 208(4):739–749
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Winter, J. (2020). Innovativer Einsatz künstlicher Intelligenz bei bildgebenden Verfahren im klinischen Alltag. In: Pfannstiel, M., Kassel, K., Rasche, C. (eds) Innovationen und Innovationsmanagement im Gesundheitswesen . Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-28643-9_37
Download citation
DOI: https://doi.org/10.1007/978-3-658-28643-9_37
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-28642-2
Online ISBN: 978-3-658-28643-9
eBook Packages: Business and Economics (German Language)