Zusammenfassung
Big Data und künstliche Intelligenz (KI) – Schlagworte, die in aller Munde sind und der Szenerie doch immer einen Hauch von Science Fiction verleihen. Doch wo stehen wir mit diesen Themen in der Anästhesie? Rollen bereits erste Roboter über die Gänge, und sitzen Ärzt:Innen gelangweilt in der Ecke, da alle Arbeit verrichtet und der Patient versorgt ist? Achtung Spoiler-Alarm! Wir sind noch weit davon entfernt. Zunächst streben Papierkurve und analoge Notizen einer umfassenden Digitalisierung entgegen. Quellsysteme müssen zusammengeführt und Daten standardisiert, harmonisiert und validiert werden. Der freundliche Android, der in unseren Gedanken winkend mit einem Kaffee auf uns zusteuert, muss also noch warten. Doch – ein Hauch von Zukunft weht bereits in vereinzelten Kliniken und erste erfolgversprechende Entwicklungen zeigen schon heute, was morgen Standard sein könnte. Lernende Algorithmen können beispielsweise die Verweildauer individuell für jeden Patienten auf der Intensivstation berechnen oder negative Folgen wie Wiederaufnahme und Sterblichkeit reduzieren. Auch auf dem Gebiet der Ultraschalltechnologie für Lokalanästhesien und Closed-Loop-Anästhesiesysteme demonstriert sich der Nutzen KI-gestützter Technologien in der Praxis. Die Bestrebungen sind vielfältig und ambitioniert, kollidieren jedoch immer wieder mit den Herausforderungen des Datenschutzes und signifikanten Investitionsaufwänden, was in einem ohnehin finanziell stark belasteten Gesundheitssystem schwer wiegt. Aber, wer dem medizinischen Personal genau zuhört, der weiß, dass Roboter nicht das sind, was man erwartet, und die Worte Big Data und künstliche Intelligenz möglicherweise gar nicht so viel Science Fiction beinhalten, wie im ersten Moment gedacht.
Abstract
Big data and artificial intelligence are buzzwords that everyone is talking about and yet always provide a touch of science fiction to the scenery. What is the status of these topics in anesthesia? Are the first robots already rolling through the corridors while doctors are getting bored as all the work has been done? Spoiler alert! We are still far away from achieving this. Initially, paper charts and analogue notes stand in the way of comprehensive digitization. Source systems need to be merged and data standardized, harmonized and validated. Therefore, the friendly android that is rolling towards us, waving and holding a freshly brewed cup of coffee in our thoughts will have to wait; however, a glimpse of the future is already evident in some clinics and the first promising developments are already showing what could be the standard tomorrow. Learning algorithms calculate the length of stay individually for each patient in the intensive care unit (ICU), reducing negative consequences such as readmission and mortality. The field of ultrasound technology for regional anesthesia and closed-loop anesthesia systems is also demonstrating the benefits of artificial intelligence (AI)-assisted technologies in practice. The efforts are diverse and ambitious but they repeatedly collide with privacy challenges and significant capital expenditure, which weigh heavily on an already financially strained healthcare system; however, anyone who listens carefully to the medical staff knows that robots are not what they would expect and the buzzwords big data and artificial intelligence might be less science fiction than initially assumed.
Literatur
Dash S, Shakyawar SK, Sharma M et al (2019) Big data in healthcare: management, analysis and future prospects. J Big Data 6:54. https://doi.org/10.1186/s40537-019-0217-0
Celi LA, Mark RG, Stone DJ, Montgomery RA (2013) “Big data” in the intensive care unit. Closing the data loop. Am J Respir Crit Care Med 187(11):1157–1160. https://doi.org/10.1164/rccm.201212-2311ED
Börm P (2021) Leitlinienbasierter Clinical decision support – Anforderungen an evidenzbasierte Entscheidungsunterstützungssysteme. OP-JOURNAL. https://doi.org/10.1055/a-1284-3193
Bundesministerium für Gesundheit https://www.bundesgesundheitsmi-nisterium.de/themen/gesundheitswesen/medizinprodukte/marktzugangsvoraussetzungen.html. Zugegriffen: 13. Sept. 2023
Deutsche Ärzteblatt https://www.aerzteblatt.de/nachrichten/143931/Krankenhausrating-Wirtschaftliche-Lage-verschlechtert-sich-erneut. Zugegriffen: 15. Juni 2023
Ärzte ohne Grenzen https://www.msf.org/access-campaign-20-years. Zugegriffen: 27. Sept. 2019
Athelas https://www.athelas.com/. Zugegriffen: 13. Sept. 2023
Hinge Health https://www.hingehealth.com/. Zugegriffen: 13. Sept. 2023
Sonormed GmbH https://www.tinnitracks.com/de. Zugegriffen: 13. Sept. 2023
Selfapy GmbH https://www.selfapy.com/. Zugegriffen: 13. Sept. 2023
Müller T, Padmanabhan P, Richter L, Silberzahn T (2022) E‑Health Monitor 2022. MWV Medizinisch Wissenschaftliche Verlagsgesellschaft
Microsoft Corporation https://www.microsoft.com/de-de/industry/health. Zugegriffen: 13. Sept. 2023
Merative https://www.merative.com. Zugegriffen: 13. Sept. 2023
Alibaba Group https://www.alibabagroup.com/en-US/about-alibaba-businesses-1496650945897955328. Zugegriffen: 13. Sept. 2023
Marcial LH, Richardson JE, Lasater B, Middleton B, Osheroff JA, Kawamoto K, Ancker JS, van Leeuwen D, Lomotan EA, Al-Showk S, Blumenfeld BH (2018) The imperative for patient-centered clinical decision support. eGEMs 6(1):12. https://doi.org/10.5334/egems.259
Kim S, Kim EH, Kim HS (2022) Physician knowledge base: clinical decision support systems. Yonsei Med J 63(1):8–15. https://doi.org/10.3349/ymj.2022.63.1.8
Plattform Lernende Systeme (PLS) (2022) Verteiltes maschinelles Lernen – Besserer Datenschutz für KI-Anwendungen? (KI Kompakt)
Europäische Kommission https://ec.europa.eu/info/funding-tenders/opportunities/portal/screen/opportunities/topic-details/digital-2023-cloud-ai-04-icu-data. Zugegriffen: 13. Sept. 2023
Ammenwerth E, Duftschmid G, Al-Hamdan Z, Bawadi H, Cheung NT, Cho KH, Goldfarb G, Gülkesen KH, Harel N, Kimura M, Kırca Ö, Kondoh H, Koch S, Lewy H, Mize D, Palojoki S, Park HA, Pearce C, de Quirós FGB, Saranto K, Seidel C, Vimarlund V, Were MC, Westbrook J, Wong CP, Haux R, Lehmann CU (2020) International comparison of six basic ehealth indicators across 14 countries: an ehealth benchmarking study. Methods Inf Med 59(2):e46–e63. https://doi.org/10.1055/s-0040-1715796
Kelber U, Lerch MM (2022) Pro & Kontra: Datenschutz als Risiko für die Gesundheit. Dtsch Ärztebl 119(21):A-960–B-798
Steigleder K (2016) Deontologische Theorien der Verantwortung. In: Heidbrink L, Langbehn C, Sombetzki J (Hrsg) Handbuch Verantwortung. Springer Reference Sozialwissenschaften. Springer VS, Wiesbaden https://doi.org/10.1007/978-3-658-06175-3_9-1
Birnbacher D (2016) Teleologische Ethik: Utilitarismus. In: Heidbrink L, Langbehn C, Sombetzki J (Hrsg) Handbuch Verantwortung. Springer Reference Sozialwissenschaften. Springer VS, Wiesbaden https://doi.org/10.1007/978-3-658-06175-3_10-1
Semler SC, Wissing F, Heyder R (2018) German medical informatics initiative. Methods Inf Med 57(1):e50–e56. https://doi.org/10.3414/ME18-03-0003
Marx G, Bickenbach J, Fritsch SJ et al (2021) Algorithmic surveillance of ICU patients with acute respiratory distress syndrome (ASIC): protocol for a multicentre stepped-wedge cluster randomised quality improvement strategy. BMJ Open 11:e45589. https://doi.org/10.1136/bmjopen-2020-045589
Graeßner M, Jungwirth B, Frank E, Schaller SJ, Kochs E, Ulm K, Blobner M, Ulm B, Podtschaske AH, Kagerbauer SM (2023) Enabling personalized perioperative risk prediction by using a machine-learning model based on preoperative data. Sci Rep 13(1):7128. https://doi.org/10.1038/s41598-023-33981-8
Englert A, Bendz P, KIPeriOP-Group (2021) KI-augmentierte perioperative klinische Entscheidungsunterstützung, KIPeriOP. Anaesthesist 70:962–963. https://doi.org/10.1007/s00101-021-00948-1
Thoral PJ, Fornasa M, de Bruin DP, Tonutti M, Hovenkamp H, Driessen RH, Girbes ARJ, Hoogendoorn M, Elbers PWG (2021) Explainable machine learning on AmsterdamUMCdb for ICU discharge decision support: uniting Intensivists and data scientists. Crit Care 3(9):e529. https://doi.org/10.1097/CCE.0000000000000529
Pacmed https://pacmed.ai. Zugegriffen: 13. Sept. 2023
Bhoi S, Chandra A, Galwankar S (2010) Ultrasound-guided nerve blocks in the emergency department. J Emerg Trauma Shock 3(1):82–88. https://doi.org/10.4103/0974-2700.58655
Zaouter C et al (2017) Feasibility of automated propofol sedation for transcatheter aortic valve implantation: a pilot study. Anesth Analg 125(5):1505–1512. https://doi.org/10.1213/ANE.0000000000001737
Davies SJ, Vistisen ST, Jian Z, Hatib F, Scheeren TWL (2020) Ability of an arterial waveform analysis—derived hypotension prediction index to predict future hypotensive events in surgical patients. Anesth Analg 130:352–359
Falini S, Angelotti G, Cecconi M (2020) ICU management based on big data. Curr Opin Anaesthesiol 33(2):162–169. https://doi.org/10.1097/ACO.0000000000000834
Author information
Authors and Affiliations
Corresponding author
Ethics declarations
Interessenkonflikt
J. Sander, P. Simon und C. Hinske 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.
QR-Code scannen & Beitrag online lesen
Rights and permissions
About this article
Cite this article
Sander, J., Simon, P. & Hinske, C. Big Data und künstliche Intelligenz in der Anästhesie. Anaesthesiologie 73, 77–84 (2024). https://doi.org/10.1007/s00101-023-01362-5
Accepted:
Published:
Issue Date:
DOI: https://doi.org/10.1007/s00101-023-01362-5
Schlüsselwörter
- Klinische Entscheidungsunterstützung
- Digitalisierung
- Lernende Algorithmen
- Personalisierte Medizin
- Datenschutz