In Krankenhäusern werden täglich eine Vielzahl medizinischer Daten generiert. Zu den genannten Daten zählen unter anderem Aufnahmeberichte, Krankenhausberichte, Analyseergebnisse, Bildgebungsberichte und weitere. Diese Daten stellen eine außerordentlich reichhaltige Datenbasis für die Forschung dar und können als Grundlage für die Entwicklung digitaler Werkzeuge zur Optimierung von Patientenströmen, Roboterchirurgie und Diagnoseinstrumenten genutzt werden. Diese Daten stellen eine sehr reichhaltige Datenbank für die Forschung dar und können als Grundlage für die Entwicklung digitaler Hilfsmittel verwendet werden, beispielsweise zur Optimierung der Patientenströme, zur Roboterchirurgie oder zur Entwicklung von Diagnoseinstrumenten. Die Nutzung dieser Datenbank ist jedoch noch nicht weit verbreitet, da die Daten für ihre Verwendung erkennbar und mit standardisierten Schlüsselwörtern versehen sein müssen, um eine Verrauschung zu verhindern. Eine noch komplexere Herausforderung stellt die Nutzung medizinischer Bilddaten dar, die heute von Spezialisten kommentiert werden müssen, die über das erforderliche Fachwissen verfügen, um die Bilder zu verstehen und zu interpretieren. In der vorliegenden Studie werden die aktuellen Schwierigkeiten bei der Aufwertung medizinischer Bilder sowie die Bedingungen, die bei der Implementierung von Werkzeugen zur Annotation medizinischer Bilder durch künstliche Intelligenz (KI) zu beachten sind, erörtert.
Die aktuell verfügbaren Krankenhausinstrumente (PACS und DICOMS) bieten keine Möglichkeit zur unmittelbaren Identifizierung der gewünschten Bildtypen. Bei der Einrichtung einer Kohorte, für die medizinische Bilder benötigt werden, muss die Auswahl daher manuell von den Ärzten vorgenommen werden. Dieser Prozess ist äußerst zeitintensiv und erfolgt in der Regel erst nachträglich im Rahmen der Initiierung von Forschungsprojekten. Die Dauer beträgt im Durchschnitt zwischen drei und fünf Monaten. Die von den Ärzten für diesen Schritt aufgewendete Zeit hat direkte wirtschaftliche Auswirkungen auf das Krankenhaus.
Ein Standard für die Beschriftung medizinischer Bilder existiert gegenwärtig nicht. Das Resultat ist eine ausgesprochen heterogene Behandlung, die von den Schlüsselwörtern und dem Detaillierungsgrad der von den Ärzten eingegebenen Daten abhängt. Es wird geschätzt, dass die Rate der Datenfehler und Auslassungen in den erstellten Kohorten 30 % beträgt. Abgesehen von den damit verbundenen Schwierigkeiten bei der Bewertung wirkt sich jeder Fehler oder jede Auslassung auf die Qualität der Versorgung aus, da die Integration eines Patienten in ein Forschungsprogramm verhindert wird.
Die Automatisierung des Auswahl- und Anmerkungsprozesses für medizinische Bilder durch eine Lösung mit künstlicher Intelligenz würde die Erstellung von Kohorten beschleunigen und die Entwicklung von Forschungsprojekten auf der Grundlage medizinischer Bilder fördern.
Erfahren Sie mehr über die Integration von KI im Gesundheitswesen >
Medizinische Bilder weisen in der Regel eine hohe Datenmenge auf, da eine Untersuchung bis zu 80 Bilder umfassen kann. Im Gegensatz dazu erzeugt eine Blutanalyse in der Regel ein Dokument von weniger als 5 Seiten. Die Datenmenge kann sich je nach Art der Bilder und ihrer Auflösung um den Faktor 10 bis 100 erhöhen. Die Speicherstruktur muss daher über eine angemessene Kapazität verfügen, wobei die Kriterien der Cybersicherheit bei der Speicherung von Gesundheitsdaten zu beachten sind.
Die Integration mit bestehenden Instrumenten ist von entscheidender Bedeutung, um die Anzahl der Schnittstellen zu begrenzen und die Integration mit den Praktiken der Verwaltungs- und Ärzteteams zu erleichtern. Das Annotationstool muss daher in bestehende Krankenhaus-Tools wie Health Data Warehouse-Projekte oder PACS/DICOM der Einrichtungen integriert werden können.
Das Tool und die vorgeschlagenen Annotationen müssen sich an die betreffenden Fachgebiete, an die Gewohnheiten der Einrichtungen und sogar an das spezifische Forschungsprojekt, für das die Bilder annotiert werden, anpassen lassen.
Derzeit wird das Potenzial der medizinischen Bildverbesserung durch den Zeitaufwand des Arztes sowie durch die Fehler, die sich aus der Heterogenität der Annotationspraktiken ergeben, beeinträchtigt. Die Optimierung der Valorisierung medizinischer Bilder kann durch den Einsatz von KI-Technologien erreicht werden, welche die Automatisierung und Standardisierung der Verarbeitung medizinischer Bilder ermöglichen. Das Team von Alcimed unterstützt Sie gerne bei der Erkundung der Möglichkeiten der Valorisierung Ihrer Gesundheitsdaten. Insbesondere begleiten wir Sie bei der Entwicklung Ihrer Innovationsstrategie oder Verkaufsstrategie.
Über die Autorin,
Elody, Consultant in Alcimeds Innovations- und Public Policy Team in Frankreich
Data - KI
Was ist KI in der medizinischen Bildgebung? Künstliche Intelligenz umfasst verschiedene Techniken wie Machine Learning und Deep Learning, die es Computern ermöglichen, aus Daten zu lernen und ...
Data - KI
Was sind die Anwendungen von Computer Vision im Gesundheitswesen? Anwendung Nr. 1: die medizinische Diagnostik revolutionieren Die medizinische Diagnostik basiert häufig auf der Analyse ...
Data - KI
Was ist Künstliche Intelligenz (KI)? Einfach ausgedrückt bezieht sich Künstliche Intelligenz auf Softwarelösungen, die in der Lage sind, Aufgaben auszuführen, die normalerweise menschliches ...