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, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 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
Blaschke S (2003) Die Informationsexplosion und ihre Bewältigung: Gedanken zur Suche nach einem besseren System der Fachkommunikation. Inf Wiss Prax 54(6):329–334
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)
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
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
Lakhani P, Sundaram B (2017) Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology 284:574–582
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
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
McGover L, Miller G, Hughes-Cromwick P (2014) The relative contribution of multiple determinants to health outcomes. Health Aff 2:33
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
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
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
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
Reumann M, Böttcher B (2016) Cognitive Computing – Essentieller Teil der Medizin 2020. TumorDiagn Ther 37:322–326
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
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)
Robert C (2014) Machine learning, a probabilistic perspective. Chance 27:62–63
Semigran HL et al (2015) Evaluation of symptom checkers for self-diagnosis and triage: audit study. bmj 351:h3480
Shortliffe EH (1976) Computer-based medical consultations: MYCIN. Elsevier, New York
Zhang J, Chiodini R, Badr A, Zhang G (2011) The impact of next-generation sequencing on genomics. J Genet Genomics 38:95–109
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2019 Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature
About this chapter
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)