AI in medicine

by | 17 June 2020 | Basics

What is artificial intelligence

Artificial intelligence (abbreviation AI) is a branch of computer science that deals with the Automation of intelligent behaviour and machine learning deals with. In practice, AI is often used as a collective term for algorithmic systems that can solve specific tasks. The term artificial intelligence is generally used very broadly. The reason for this is that in the absence of a precise definition of intelligence, it cannot be clearly delimited.

Very often, artificial intelligence and machine learning are used synonymously. Strictly speaking, however, machine learning is a subarea of artificial intelligence in which an artificial system learns rules from numerous examples that it can subsequently generalise. Put simply, machine learning is the creation of a computer-controlled system that finds solutions to a problem. Learn to solve a recurring problem yourself can.

Possibilities of AI in medicine

Medical technology

Medical technology is one of the subsectors in which AI in medicine has already been used for some time and in is used in a variety of ways. A number of medical technology systems based on artificial intelligence have already received approval as medical devices in the USA and Europe. The use of AI in medical technology is possible in all phases of patient care. It begins in prevention and extends through screening, diagnosis, therapy planning and therapy to aftercare and rehabilitation.

Very often, systems based on artificial intelligence are used in the Area of prevention used, for example, in the form of health assistants that encourage people to lead healthier lifestyles. A very broad area of application for AI in medical technology is diagnostic imaging. AI-based systems are nowadays very good at identifying conspicuous image areas. In cancer radiotherapy, AI systems can suggest optimised radiation plans. In the field of cardiology, artificial intelligence systems are already able to detect cardiac arrhythmias based on long-term ECGs. In anaesthesia, intelligent systems can be used to detect life-threatening conditions at an early stage. In the field of dermatology, AI systems are used to detect malignant skin lesions. In neurology, artificial intelligence is used to predict epileptic seizures. And in endocrinology, diabetes patients can be advised on their therapy by machine learning systems.

Medical diagnostics

The accurate diagnosis of diseases is one of the most difficult questions in medicine in many specialties. It usually requires not only lengthy training but also years of experience on the part of a doctor. In his diagnosis, a doctor not infrequently relies on the wealth of experience he has acquired in the course of his career.

This is where the advantages of artificial intelligence come into play. Powerful computer systems, in combination with large databases, can be a great help in diagnosing many diseases. The progress made in machine learning in recent years allows AI to be used promisingly in more and more areas of medical diagnostics.

Similar to an experienced doctor, machine learning algorithms can learn independently, recognise certain patterns of disease. In contrast to a doctor who has or will only see a few hundred or thousand cases of a disease in his lifetime, AI systems can be fed with thousands and thousands of data and on this basis train and continuously improve their diagnostic ability.

Against this background, AI in medicine can be used particularly well in those areas where diagnostic information is already available in large numbers in digital form. This is the case, for example, with CT scans, electrocardiograms, skin images and heart MRI scans. For example, AI systems are already able to diagnose lung cancer or strokes on the basis of CT scans, classify skin lesions on the basis of skin images or determine the risk of sudden cardiac death or other heart disease on the basis of electrocardiograms and heart MRI images.

In the largest internationally conducted PwC "Sherlock in Health" study for automated skin cancer detection, 511 medical professionals from 63 countries were compared with 139 computer algorithms. The objective was to diagnose skin cancer based on dermatoscopic images of the seven most common pigmented skin lesions. In the study, the computer algorithms performed significantly better than the medical experts. Even average algorithms performed similarly well or even better. Perform better than human doctors.

These and many other recent studies give hope that the use of AI in medicine will lead to great advances in the quality and speed of diagnoses in the future. A computer algorithm is not only faster than a human, it is also cheaper and can be used regardless of location. This will enable countries with underdeveloped health systems in particular to participate in scientific findings in the future, which could hardly or not at all be applied in practice there until now.

Despite all the advances in computer technology, hopes regarding the use of artificial intelligence in medical diagnostics should not be exaggerated. It is still rather unlikely that AI will replace doctors on a broad front in the coming years. Rather, it will lead to a Symbiosis of man and technology in diagnosis of diseases. In future, doctors will be increasingly supported in their diagnosis by computer systems. However, a prerequisite for this is that doctors are able to understand the basis on which the computer algorithms have arrived at a certain assessment. Only in this way can people correct any misjudgements made by machines and further improve their algorithms.

Production of medicines

One of the biggest and most promising areas of application for AI in medicine is the production of medicines. The development of drugs is not only a time-consuming but also a very costly undertaking. However, since the process of drug development consists of very many individual analytical steps in which work is done with a large database, there is a need for AI. Machine Learning systems are virtually predestined to be used in drug research.

Pharmaceutical practice shows that artificial intelligence can be used successfully in all stages of drug development. This begins in the identification of the so-called intervention targets. The basis for the development of a drug is the understanding of the biological origin of a disease and its resistance mechanisms. Provided this understanding is given, targets (usually proteins) can be identified to treat the disease. The now large Availability of high-throughput screening methodswhere high-throughput biochemical, genetic and pharmacological tests are performed on many thousands of substances, is an excellent database for the use of machine learning systems to identify target proteins.

In stage 2 of drug development, a suitable compound must be found that interacts with the identified target molecule in the desired way. Also in this stage, an enormous number of potential compounds have to be investigated for their effect and likewise their side effects. Due to their learning ability, machine learning systems are able to screen and assess millions of target molecules and identify better and better molecules with greater efficacy and fewer side effects based on a trial and error process. This stage in particular holds enormous potential for time and financial savings in the development of medicines.

The implementation of clinical trials (stage 3 of drug development) can also be massively accelerated through the use of AI. In most clinical trials, the identification of suitable test subjects is still a problem that in practice leads to delays in the approval of drugs. Machine learning can speed up the implementation of clinical trials by automatically identifying suitable test subjects and ensuring that the groups of study participants are put together in a sensible way.

Last but not least, AI can also assist in the fourth stage of drug development, which involves finding biomarkers to diagnose a disease. Biomarkers are molecules in body fluids that can be used to clearly identify diseases. The process of identifying suitable biomarkers for a particular disease is often time-consuming and costly. AI can provide valuable services in classifying molecules into suitable and unsuitable biomarkers.

Personalised treatment

Jeder Mensch reagiert unterschiedlich auf den Einsatz von Medikamenten und sonstigen Therapiemöglichkeiten. Eine personalisierte Behandlung von Patienten könnte in vielen Bereichen der Medizin eines der größten Potenziale zur Verbesserung der individuellen Therapien und letztlich zur Steigerung der Lebenserwartung und der Lebensqualität der betroffenen Menschen bieten. Vor allem bei komplexen Therapien, wie beispielsweise bei Krebserkrankungen, bietet die personalisierte Behandlung enormes Potenzial.

Derzeit ist die Bestimmung der Faktoren zur personalisierten Behandlung jedoch vielfach aufgrund technischer oder finanzieller Einschränkungen nicht umsetzbar. Der Einsatz von KI in der Medizin kann dafür sorgen, diese Einschränkungen in Zukunft zu verringern. KI-Systeme können aufgrund ihrer Analyse- und Lernfähigkeiten herausfinden, welche Faktoren bei einem Patienten ausschlaggebend dafür sind, dass er gut oder schlecht auf eine bestimmte Therapie anspricht. Durch den Vergleich von Tausenden Datensätzen von Patienten sind KI-Systeme in der Lage, gegebenenfalls vorhandene Muster in der personalisierten Behandlung zu erkennen und somit Ärzte dabei zu unterstützten, einen individuellen Behandlungsplan zu entwerfen.

Improving gene editing

Unter der Genbearbeitung wird das Einfügen, Löschen oder der Austausch von Gensequenzen in der DNS verstanden, die zu einer Änderung der Funktionsweise des Organismus führen. Der größte Entwicklungssprung auf diesem Fachgebiet fand 2012 mit der Entdeckung von CRISPR statt. Wissenschaftler entdeckten, dass bestimmte Bakterien die Genbearbeitung als Abwehrmechanismus nutzen und erkannten, dass sie diese Fähigkeit zur selektiven Bearbeitung von DNS anwenden konnten.

CRISPR stellte sich als viel schneller, einfacher und kostengünstiger als andere Ansätze der Genbearbeitung heraus. Doch die Methode ist nicht ohne Fallstricke. Eine der Hauptschwierigkeiten ist die Identifikation derjenigen Genabschnitte mit den geringsten unbeabsichtigten Nebenwirkungen. Machine Learning Systeme können die wissenschaftliche Forschung in dieser Frage sehr effektiv unterstützen und die Prüfung der Genbearbeitung auf Nebenwirkungen erheblich beschleunigen.

Psychology

Die Psychologie ist derjenige Fachbereich, in der KI in der Medizin die geringsten Einsatzmöglichkeiten bescheinigt werden. Über 80 Prozent der Psychologen halten es einer Befragung zufolge für unwahrscheinlich, dass eine künstliche Intelligenz jemals in der Lage sein werde, eine angemessene psychologische oder psychiatrische Behandlung durchzuführen. KI-Systeme können zwar auf Basis von Daten gewisse Diagnose- und Prognosefähigkeiten entwickeln, nicht jedoch fachliche Fähigkeiten erlernen, die essenziell für die Durchführung einer psychologischen oder psychotherapeutischen Behandlung sind.

Cancer research

Krebserkrankungen sind einer der Fachbereiche, in denen sich Ärzte die größte Unterstützung durch den Einsatz von KI in der Medizin erwarten. Krebserkrankungen sind nicht nur besonders weit in der Bevölkerung verbreitet, sie produzieren im Rahmen der Diagnose und Therapie auch sehr große Datenmengen. Bei Krebspatienten müssen Röntgenbilder, Gewebeproben, Tumormarker im Blut sowie genetische Informationen richtig verarbeitet und interpretiert werden. Eine Leistung, die viel Arbeit bzw. Rechenleistung erfordert. KI-Systeme sind bereits heute in der Lage, Onkologen bei der Auswertung medizinischer Bilder, von Gensequenzen und Gewebeproben zu unterstützen. Ihre hohe Rechenleistung und ihre Lernfähigkeit machen sie zu einem idealen Hilfswerkzeug in der Erkennung und der Behandlung von Krebs.

Die Qualität und Zuverlässigkeit von KI-Systemen im Kampf gegen den Krebs konnte bereits im Rahmen mehrerer Studien nachgewiesen werden. In einer Studie mit MRT-Bildern konnte ein KI-System tumorverdächtige Hirnareale genauso sicher erkennen wie erfahrene Ärzte. Und in einer weiteren Untersuchung auf Basis von 2.000 MRT-Bildern war ein KI-System sogar besser in der Lage als Ärzte, das Ansprechen der Patienten auf die Therapie zu beurteilen.

Im klinischen Alltag spielen KI-Systeme derzeit noch eine Nebenrolle in der Behandlung von Krebs. Das liegt an mehreren Aspekten. Zum einen ist Krebs aufgrund seiner Schwere eine sehr emotionale Angelegenheit, die bis auf Weiteres nur von Menschen beurteilt werden kann. Computer haben (noch) keine Empathie und können sich deshalb nicht in die Lage von Krebspatienten hineinversetzen. Zum anderen müssen KI-Systeme für einen breiten Einsatz mit Daten aus unterschiedlichen Kliniken trainiert werden. Dieser Datenaustausch ist in der Praxis häufig noch nicht gegeben.

Trotz dieser Schwierigkeiten wird in vielen Bereichen mit Hochdruck an weiteren Anwendungen von KI bei Krebserkrankungen geforscht. Mithilfe von künstlicher Intelligenz sollen Ärzte in naher Zukunft in die Lage versetzt werden, ein genaues Profil von Krebszellen zu erstellen. Auf dieser Basis lassen sich in der Folge patientenindividuell die effektivsten Medikamente und Therapieformen definieren.

Triage bots

Triage Bots sind ein noch sehr junges Anwendungsfeld von KI in der Medizin. Bei einem Triage Bot handelt es sich um einen intelligenten Chatbot, der Menschen auf Grundlage bestimmter von ihnen zur Verfügung gestellten Daten eine Ersteinschätzung (Triage) in Bezug auf eine möglicherweise vorhandene Erkrankung geben kann.

Für Privatpersonen können Triage Bots eine große praktische Hilfe darstellen. Die meisten Menschen sind mit der Situation vertraut, dass sie im Internet nach Symptomen einer Krankheit suchen, mit denen sie oder ein Familienmitglied aktuell konfrontiert sind. Das Internet ist jedoch in den meisten Fällen eine denkbar schlechte Quelle zur medizinischen Eigendiagnostik. Abhilfe sollen in Zukunft Triage Bots schaffen.

Auf Basis der Symptome, die eine Person dem Triage Bot zur Verfügung stellt, kann das dem Bot zugrundelegende KI-System der Person weiterführende Fragen stellen, die zu einer genaueren Diagnose der möglichen Erkrankung notwendig sind. Am Ende dieses Prozesses kann der Triage Bot der Person eine Ersteinschätzung seines Zustandes geben und eine Empfehlung aussprechen, ob ein Arztbesuch oder gar eine Fahrt in die Notaufnahme des nächsten Krankenhauses erforderlich ist oder nicht.

Triage Bots sind eine der umstrittensten Anwendungsbereiche von KI in der Medizin. Während manche Experten in ihnen einen völlig unqualifizierten Ersatz von Ärzten sehen, sind andere hingegen der Meinung, dass die Bots eine wertvolle Hilfestellung für Menschen sein können, die gerade keinen Zugriff auf einen Arzt haben.

Covid-19

Künstliche Intelligenz hat sich auch im Kampf gegen die Coronavirus-Pandemie bereits als bedeutendes Instrument erwiesen. Machine Learning Systeme werden weltweit dafür eingesetzt, Risikogruppen schnellstmöglich zu identifizieren. Dabei wird nicht nur bestimmt, wie hoch das Risiko einer Person ist, an COVID-19 zu erkranken, sondern auch das Risiko beurteilt, wie hoch das Risiko eines schweren Verlaufs der Krankheit ist.

Ein weiterer Teilbereich, in dem KI gegen die Ausbreitung des Coronavirus eingesetzt werden kann, ist die Patientendiagnose. Aufgrund der dabei anfallenden riesigen Datenmengen eignen sich Machine Learning Systeme hervorragend, Menschen mit Virussymptomen frühzeitig zu erkennen. So können KI-Systeme beispielsweise dafür eingesetzt werden, über eine Gesichtserkennung festzustellen, ob Menschen Fieber haben oder nicht.

Machine Learning Systeme sind ein ebenso mächtiges Werkzeug in der Identifikation vorhandener Medikamente mit einer mehr oder weniger hohen Wirksamkeit gegen das Coronavirus. Mithilfe von Language Processing lassen sich Millionen wissenschaftlicher Artikel durchforsten und aus ihnen biomedizinische Netzwerke erstellen, die Medikamente und Proteine sinnvoll miteinander in Beziehung setzen. Auch die Wechselwirkungen zwischen Medikamenten und viralen Proteinen lassen sich durch Machine Learning Systeme vorhersagen.

Auch wir, die Alexander Thamm GmbH arbeitet gemeinsam mit der Ludwig Maximilian Universität München an Frühwarnsystemen für Corona-Neuinfektionen. Ziel ist die Vorhersage tagesaktueller Infektionszahlen, damit regionale Gesundheitsbehörden frühzeitig geeignete Maßnahmen gegen eine weitere Ausbreitung des Virus treffen oder bestehende Beschränkungen lockern können. Die Methode wird zudem den datenbasierten Informationsfluss für Behörden optimieren und könnte künftig auch in anderen medizinischen Bereichen Anwendung finden.

Und nicht zuletzt werden KI-Systeme auch dazu verwendet, die Wirte von Viren in der Natur zu identifizieren und auf dieser Grundlage die nächste Virus-Pandemie vorherzusagen. Mithilfe von Machine Learning Systemen lassen sich diejenigen Virenstämme schneller identifizieren, die ein höheres Potenzial haben, auf den Menschen überzuspringen.

Whitepaper AI in Medicine

Free white paper

Wir haben alle wichtigen Inhalte für Sie aufbereitet und zusammengefasst. Das Whitepaper beinhaltet folgende Punkte:

  • Erklärung Grundbegriffe
  • Einstieg KI in der Medizin
  • Areas of application
  • Use Cases
  • Der Stand der Forschung
Jetzt downloaden

Prerequisites for the application of AI in medicine

Wichtigste Voraussetzung für die Anwendung von KI in der Medizin ist die Datenverfügbarkeit. Alle Systeme künstlicher Intelligenz basieren auf der Analyse von Datensätzen. Grundsätzlich gilt, je größer der zugrundeliegende Datensatz, desto größer die Analysefähigkeit und Erfolgswahrscheinlichkeit des KI-Systems.

In der Praxis bedeutet dies, dass alle im Gesundheitssystem tätigen Parteien (Hausärzte, Fachärzte, Kliniken, Krankenkassen, etc.) in einem ersten Schritt ihre vorhandenen Daten digitalisieren müssen. In einem zweiten Schritt muss über einheitliche Datenformate oder standardisierte Schnittstellen sichergestellt werden, dass die Daten reibungslos zwischen allen Parteien ausgetauscht werden können. Für einen sinnvollen und großflächigen Einsatz von KI in der Medizin müssen Daten möglichst flächendeckend und strukturiert zur Verfügung stehen. Die Datenhoheit einzelner Parteien oder gar Dateninseln, die in keinem Datenaustausch mit anderen Beteiligten stehen, führen dazu, dass die auswertbare Grundgesamtheit zu klein ist für den sinnvollen Einsatz von KI in der Medizin.

Neben der Qualität und der Kompatibilität von Daten müssen im Zusammenhang mit dem Einsatz von KI in der Medizin allerdings auch eine Reihe ethischer, gesellschaftlicher und rechtlicher Fragestellungen geklärt werden. Ganz zentral unter den Voraussetzungen für die Anwendung von KI in der Medizin ist die Frage nach dem adäquaten Datenschutz. Der Einsatz künstlicher Intelligenz sollte weitestgehend auf Basis anonymisierter Patientendaten erfolgen. Zu groß ist die Gefahr, dass Daten missbräuchlich abgegriffen und verwendet werden.

Framework conditions

Der Einsatz von KI in der Medizin erfordert ein Netz an Rahmenbedingungen in unterschiedlichen Bereichen. Wie bereits im letzten Abschnitt angeschnitten, tangiert artificial intelligence nicht nur rein medizinische, sondern auch ethische, gesellschaftliche und rechtliche Fragestellungen. Diese müssen vor dem Einsatz von KI in der Medizin mit allen beteiligten Parteien ausreichend diskutiert und im Rahmen eines gesellschaftlichen Gesamtkonsenses in Gesetze und Leitlinien gegossen werden.

Um die erforderlichen Rahmenbedingungen für den Einsatz von KI in der Medizin zu schaffen, hat das Bundesministerium für Bildung und Forschung die sogenannte Medizininformatik-Initiative auf den Weg gebracht. Die Initiative soll die Voraussetzungen dafür schaffen, dass in Zukunft jeder Arzt, jeder Patient und jeder Forscher in Zukunft Zugang zu den für ihn erforderlichen Informationen hat. Im Rahmen der Initiative arbeiten alle Universitätskliniken Deutschlands gemeinsam mit Forschungseinrichtungen, Krankenkassen, Unternehmen und Patientenvertretern daran, die Rahmenbedingungen zu entwickeln, damit zukünftig die Erkenntnisse aus der Forschung direkt Patienten zugänglich gemacht werden können.

Um dieses Ziel zu erreichen, wird daran gearbeitet, Forschungs- und Versorgungsdaten standortübergreifend miteinander zu verknüpfen. Gleichzeitig sollen innovative IT-Lösungen entwickelt werden, die alle Möglichkeiten digitaler Dienstleistungen im Gesundheitsbereich ausschöpfen sollen.

The digital twin in medicine

Unter einem digitalen Zwilling wird das virtuelle Abbild eines Patienten verstanden. Ein digitaler Zwilling soll es in der Zukunft erleichtern, Arzneimittel und sonstige Medizinprodukte gefahrlos an Patienten zu testen. Der digitale Zwilling ist, wenn man so will, eine der wesentlichen Grundlagen für Modelle der personalisierten Medizin. Die Vision von Ärzten und Wissenschaftlern geht so weit, dass bei zukünftigen Krankenhausbesuchen eines Patienten der digitale Zwilling bereits vor Ort ist. Der Zwilling stellt dem Krankenhaus alle bisherigen Untersuchungsergebnisse, Informationen über Vorerkrankungen und Operationen sowie genetischen Daten bereit, sodass sich die Ärzte ein vollumfängliches Bild des Patienten und seines Krankheitsverlaufs machen können. Während der Diagnostik und Therapie werden die Informationen des digitalen Zwillings mit Datenmodellen des Krankheitsbildes verglichen, um eine möglichst individuelle und effektive Therapie sicherzustellen.

Doch dem großen Vorteil des risikolosen Testens von Medikamenten bzw. Medizinprodukten und der Informationsbereitstellung im Gesundheitswesen stehen noch viele ungeklärte rechtliche Fragen entgegen. Bezieht der digitale Zwilling Informationen über einen konkreten Patienten ein, ist das Recht auf informationelle Selbstbestimmung gegeben. Personenbezogene Daten mit Gesundheitsbezug sind durch die Datenschutzgrundverordnung besonders stark geschützt. Ein Einwilligen des Patienten zur Weitergabe seiner persönlichen Daten in ist aller Regel erforderlich.

Status today / State of research

Trotz aller spektakulärer Erfolgsmeldungen der letzten Jahre steckt der Einsatz von KI in der Medizin nach wie vor in den Kinderschuhen. Vorreiter in der Anwendung von künstlicher Intelligenz in der Medizin ist das Fachgebiet der Radiologie. CT-, MRT- und Röntgen-Aufnahmen eignen sich besonders gut für die Analyse durch Machine Learning Systeme. Neben der im Abschnitt zur medizinischen Diagnostik dargestellten Studie zur automatisierten Hautkrebserkrankung wurden in den letzten Jahren eine Reihe weiterer vergleichender Untersuchungen durchgeführt.

In einer Studie der Universität Stanford in den USA konnte gezeigt werden, dass ein Algorithm 14 Erkrankungen der Lunge und des Brustkorbs besser erkennen konnte als Radiologen. An der Universität von Yokohama in Japan haben Ärzte endoskopische Videoaufnahmen von Darmspiegelungen mithilfe von KI-Systemen ausgewertet und dabei bösartige Polypen fast genauso sicher erkannt wie nach einer pathologischen Untersuchung.

Einige Machine Learning Systeme sind weltweit bereits im täglich Einsatz. Am Massachusetts General Hospital in Boston wird künstliche Intelligenz bei der Analyse von Röntgenaufnahmen der Brust eingesetzt. Und in Deutschland ist das Melanom-Diagnosesystem der Universität Heidelberg in Dutzenden Arztpraxen in Verwendung.

The advantages

Wie in den vorangegangenen Abschnitten dargestellt, bringt der Einsatz von KI in der Medizin eine Vielzahl von Vorteilen mit sich. Allen voran können KI-Systeme in vielen medizinischen Fachrichtungen und vor allem in der Arzneimittelentwicklung wesentliche Zeit- und Kosteneinsparungen bewirken. Die Analyse großer und komplexer Datenmengen kann für eine schnellere (Früh-)Diagnose von Erkrankungen sorgen. Zudem können KI-System sehr sinnvoll bei der Wahl der optimalen Therapiemethode eingesetzt werden.

Insgesamt stellen Systeme der KI in der Medizin eine Arbeitsentlastung und -erleichterung von Ärzten dar. Dies hat zur Folge, dass Ärzte ihre knappe Zeit auf diejenigen Fragestellungen fokussieren können, in denen computerbasierte Systeme noch keine Unterstützung bieten können. Und nicht zuletzt besitzt KI in der Medizin ein großes Potenzial für Länder bzw. Regionen, in denen das Gesundheitswesen nicht besonders gut entwickelt ist. Besonders in Gegenden mit einer niedrigen Ärztedichte kann der Einsatz von KI in der Medizin dazu beitragen, dass Ärzte so weit wie möglich in der Diagnose und Therapie von KI-Systemen entlastet werden.


The disadvantages

Die beiden großen Risiken und Herausforderungen von KI in der Medizin sind der Data protection and the Verständnis der Algorithmen. Der Datenschutz ist primär eine rechtliche Fragestellung, bei der sichergestellt werden muss, dass Patienten nach wie vor die Hoheit über ihre gesundheitsbezogenen Daten behalten. Die Herausforderung in Bezug auf das Verständnis der Algorithmen lautet, dass Wissenschaftler und Ärzte Machine Learning Systemen kein blindes Vertrauen entgegenbringen sollten und Diagnose und Therapie nicht durch ein „Black Box“ KI-System geliefert werden dürfen. In Europa gibt es beispielsweise noch keine Richtlinien für die Zulassung von lernfähigen Diagnosesystemen. Die USA sind in dieser Beziehung bereits einen Schritt weiter.

Vor-Nachteile-KI-Medizin

Conclusion

Die Medizin ist einer der größten und vielversprechendsten Anwendungsbereiche von künstlicher Intelligenz. Der Einsatz von KI in der Medizin kann dazu beitragen, Krankheiten genauer zu diagnostizieren, Medikamente schneller zu entwickeln, Gene zielgenau zu editieren, Therapien zu personalisieren und Patienten Hilfestellungen bei der Selbstdiagnose an die Hand zu geben. Die Anwendung von KI in der Medizin hat in den letzten Jahren bereits zu einigen viel beachteten Erfolgen geführt. Trotzdem steckt die künstliche Intelligenz wie in allen Anwendungsbereichen auch in der Medizin noch in den Kinderschuhen. Aufgrund des stetig wachsenden Datenvolumens und der immer leistungsfähigeren Algorithmen werden KI-Systeme in naher Zukunft weitere Aufgaben in der Medizin übernehmen können und zu einem effizienteren, kostengünstigeren und vor allem intelligenteren Gesundheitswesen beitragen.

<a href="https://www.alexanderthamm.com/en/blog/author/at-redaktion/" target="_self">[at] EDITORIAL</a>

[at] EDITORIAL

Our AT editorial team consists of various employees who prepare the corresponding blog articles with the greatest care and to the best of their knowledge and belief. Our experts from the respective fields regularly provide you with current contributions from the data science and AI sector. We hope you enjoy reading.

0 Comments