Das Potenzial von KI im klinischen Umfeld ist klar, doch die Einführung der Technologie hinkt noch hinterher. Trotz der unzähligen Möglichkeiten, die Belastung für medizinisches Fachpersonal zu verringern, besteht bei den Mitarbeitern immer noch erhebliche Skepsis gegenüber der Einführung von KI. Narinder Singh, Mitbegründer und CEO von LookDeep Health, glaubt, dass diese Zurückhaltung und Skepsis auf die Unklarheit darüber zurückzuführen ist, was KI überhaupt bedeutet. Wir haben kürzlich mit Nardiner gesprochen, um zu besprechen, wie klinische Führungskräfte die Vorbehalte gegenüber der Einführung von KI überwinden und sie auf eine Weise implementieren können, die beim Personal auf minimalen Widerstand stößt.

Narinder Singh, Mitbegründer und CEO von LookDeep Health: KI ist ein Werkzeug, das das Potenzial hat, die Medizin zu verändern. Aus rechnerischer Sicht scheint keine bestimmte Art von KI effektiver zu sein als eine andere (maschinelles Lernen, Deep Learning usw.). Die Auswirkungen zeigen sich in gezielten klinischen Anwendungen, die Morbidität und Mortalität reduzieren und gleichzeitig die Pflegekosten kontrollieren. Manchmal erledigen Algorithmen der „alten Schule“ die Arbeit; In anderen Fällen wird das Neueste und Beste benötigt.

Was unbestritten eine Wirkung hat, sind große Datensätze, die unter Berücksichtigung von Qualität, Quantität und Vielfalt kuratiert werden. Diese Datensätze sind für alle Arten von KI unbedingt erforderlich und treiben die klinische Transformation und Wirkung voran.

Vor diesem Hintergrund ist es aus klinischer Sicht am nützlichsten, sich darauf zu konzentrieren, wie KI Klinikern helfen und einen Einfluss auf die Pflege haben kann, und zwar auf eine Weise, die ihrer bereits vorhandenen Denkweise entspricht. Außerdem entsprechen sie allgemeinen Intuitionen von „Intelligenz“. Diese vier Kategorien sind:

Umgebungserkennung – Viele Probleme im Gesundheitswesen sind auf fehlende Informationen zurückzuführen. Wie hat der Patient geschlafen, hat er gegessen, wie hat er sich bewegt usw.? Oftmals nutzen wir Krankenschwestern und Ärzte, um Informationen für sich selbst und andere zu erstellen (z. B. Beurteilungen), die wir später für die Entscheidung über das weitere Vorgehen nutzen können. Bei diesem Einsatz von KI geht es nicht darum, eine Vorhersage (y) zu erstellen, sondern darum, mehr Inputs (x) für die menschliche und maschinelle Entscheidungsfindung zu schaffen.

Diagnose – Die Aufnahme vieler Daten und die Feststellung, was gerade passiert, ist eine klinische Kernaktivität. Menschen sind nur begrenzt in der Lage, aus vielen unterschiedlichen Datenpunkten richtige Schlussfolgerungen zu ziehen – Ärzte sind da nicht anders. Selbst eine „routinemäßige“ Abklärung einer Lungenentzündung oder einer Harnwegsinfektion kann Dutzende von Datenpunkten umfassen. Wenn es um sehr kranke Patienten im Krankenhaus geht, wachsen die Daten exponentiell. KI kann die Diagnosegenauigkeit verbessern und bei widersprüchlichen Diagnosedaten helfen. KI kann auch dazu beitragen, Unterschiede in der Diagnoseleistung zwischen Anbietern zu reduzieren.

Vorausschauend – Zu untersuchen, was einem Patienten zuvor passiert ist, um daraus abzuleiten, was als nächstes passieren wird, ist ein natürlicher Fortschritt. „Nächstes“ kann in unterschiedlichen klinischen Kontexten unterschiedliche Zeithorizonte sein. Wenn Sie ein großes Gesundheitssystem haben und die Zahl der Krankenhauseinweisungen reduzieren möchten, möchten Sie möglicherweise wissen, welche Ihrer Patienten in den nächsten 30 Tagen am wahrscheinlichsten eine Notaufnahme aufsuchen, damit die Pflegeteams ihnen mehr Aufmerksamkeit widmen können. Wenn Sie ein ausgelastetes Krankenhaus der Tertiärversorgung sind, möchten Sie vielleicht wissen, welche der derzeit aufgenommenen Patienten möglicherweise in den nächsten 24 Stunden auf die Intensivstation verlegt werden müssen, weil sich ihre Sepsis verschlimmert.

Vorschreibend – was jetzt/als nächstes passiert und welche Maßnahmen ergriffen werden sollten. Dies geht den nächsten Schritt und beginnt mit der Einbeziehung der klinischen Beurteilung. Nehmen Sie das obige Beispiel, um herauszufinden, welche Patienten in den nächsten 30 Tagen möglicherweise eine Notaufnahme aufsuchen. Präskriptive KI würde beispielsweise einen Patienten mit Herzinsuffizienz identifizieren, bei dem das Risiko einer Dekompensation besteht, und eine klinische Intervention empfehlen, um die Wahrscheinlichkeit von Notaufnahmen zu verringern.

Die Zuordnung von KI-Lösungen zu diesen Kategorien kann dabei helfen, den Kontext zur Bewertung ihrer Wirksamkeit zu verstehen. Allerdings ist kein Muster von Natur aus wertvoller als ein anderes. Die Schwierigkeit, Lösungen auf höherer Ebene zu entwickeln, macht sie sowohl überzeugender als auch schwieriger umzusetzen. Die eigentliche Erkenntnis ist jedoch, dass die KI-Lösung einen klar nachgewiesenen Vorteil gegenüber der aktuellen Praxis haben muss (Kosten, Geschwindigkeit, Vollständigkeit usw.) und sich an den klinischen Arbeitsablauf anpassen muss, damit sie schnell in die Praxis eindringen und Veränderungen vorantreiben kann.

Narinder Singh: Krankenschwestern und Ärzte sind dünn gesät. Jede Minute ihres Tages zählt. Das Überprüfen neuer Arten von Daten, das Warten auf ein spezielles Gerät oder das Befolgen einer neuen Checkliste nimmt ihnen wahrscheinlich die Zeit, sich mit ihrer obersten Priorität zu beschäftigen – dem Patienten. Das Verstehen und Respektieren ihrer Arbeitsabläufe ist der einfachste Weg, um Akzeptanz und klinische Vorreiter für neue Innovationen zu schaffen.

Klinische Arbeitsabläufe repräsentieren Jahrzehnte (wenn nicht Jahrhunderte) gesammelten Wissens über die Versorgung kranker Patienten. Einerseits würde niemand behaupten, dass diese Arbeitsabläufe perfekt seien. Andererseits zeigt die Ausrichtung auf sie Respekt und Gründlichkeit gegenüber jeder Innovation. Diese Arbeitsabläufe sind hochgradig „analog“, daher erfordert die Anwendung digitaler KI-Technologien viele Analog-Digital-Konvertierungen (und umgekehrt).

Zwei Konzepte können die Integration von KI in klinische Arbeitsabläufe unterstützen: Fahrerassistenz und Mensch + KI-Integration. Fahrerassistenz bedeutet, dass KI keine autonomen Entscheidungen trifft (so wie fast kein Auto vollständig autonom oder selbstfahrend ist). KI (z. B. Computer Vision) ist da, um zu helfen und zu unterstützen. Ebenso werden Menschen KI in ihre Arbeitsabläufe integrieren.

Letztendlich wird KI in Krankenhäusern Computer Vision integrieren und die EHR, Vitalzeichendaten und mehr sofort analysieren, um sofort bei wichtigen Entscheidungen zu helfen. Dies ist jedoch noch früher ausgereift als die Ankündigung selbstfahrender Autos vor einem Jahrzehnt. Wir brauchen heute KI, um Krankenschwestern und Ärzten zu zeigen, wo ihr Urteilsvermögen erforderlich ist – so wie uns ein Fahrerassistenz-Spurwechselwarner darauf hinweist, dass unsere Aufmerksamkeit erforderlich ist.

Dieser Mensch + KI-Modus ermöglicht die Anpassung an bestehende Arbeitsabläufe und kann alle Patienten befragen und auf der Grundlage bekannter Muster untersuchen und relevanten Kontext basierend auf dem spezifischen Szenario sammeln (z. B. Beurteilung von Patienten, die über weite Strecken im Bett unbeweglich sind, auf mögliche Dekubitus-Eingriffe). .

Diese Art der Mensch-KI-Integration begrenzt den Umfang der Änderungen, die dem Team am Krankenbett auferlegt werden – für das Team an vorderster Front handelt es sich lediglich um zusätzliche Hilfe, die es dringend benötigt, mit der vertrauten „Schnittstelle“ eines anderen Mitglieds des klinischen Teams. Dieses Modell ermöglicht es, dass Innovationen schnell Auswirkungen auf den Patienten haben, indem die kognitive Belastung des Anbieters verringert wird.

Narinder Singh: Eine Studie in der Zeitschrift JAMA Health Network ergab, dass Anfang 2020 40 bis 45 Prozent der Ärzte, Ende 2020 50 Prozent der Ärzte und Ende 2021 60 Prozent der Ärzte über Burnout berichteten sind mit der Realität konfrontiert, dass eine beispiellose Zahl von Beschäftigten im Gesundheitswesen ihren Beruf aufgibt oder kurz davor steht, ihn aufzugeben.

Arzt-Burnout ist ein psychologisches Syndrom, das durch emotionale Erschöpfung, Depersonalisierung und ein vermindertes Gefühl persönlicher Leistung gekennzeichnet ist. Weniger Personal und kränkere Patienten machen es für das Personal unmöglich, die Patientenversorgung auf dem Niveau zu gewährleisten, das sie früher leisten konnten. Darunter leiden nicht nur die Behandlungsergebnisse für die Patienten, sondern auch das Gesundheitspersonal leidet unter Schuldgefühlen und mangelnder Zielstrebigkeit.

Der chronische Stress, der zu Burnout führt, hat mehrere Ursachen. Die Aufmerksamkeit wird in eine Million verschiedene Richtungen gelenkt, sodass es schwierig ist, zu wissen, worauf man sich konzentrieren soll. KI hat das Potenzial, Daten über alle Patienten eines Arztes zu erfassen und die Aufmerksamkeit darauf zu lenken, welche Probleme welche Patienten gerade behandeln müssen. Wie behalte ich ein Auge auf einen Patienten, bei dem mir mein Bauchgefühl sagt, dass er kränker wird, ich aber nicht die Zeit habe, mich stündlich zu melden?

Die nächste Generation von KI-Lösungen hat das Potenzial, über die einfache Datenerfassung hinauszugehen und Computer Vision zu integrieren, sodass diese Systeme auf ähnliche Weise erkennen können, was mit Patienten geschieht, wie es Krankenschwestern und Ärzte tun. Computer Vision kann erkennen, wer sich im Raum befindet, wie sich der Patient bewegt, wenn er stabil im Bett liegt, und vieles mehr. Diese Maßnahmen sind für eine Person leicht zu verstehen und zu validieren (d. h. sie bestätigen, dass der Patient tatsächlich nicht im Bett ist), was es einfacher macht, zu vertrauen, aber zu überprüfen, was die KI meldet.

Eine weitere Stressquelle sind sich wiederholende Aufgaben, die Zeit von den Hauptzielen eines Arztes ablenken. Die Automatisierung dieser Aufgaben durch KI wäre für vielbeschäftigte Ärzte eine große Erleichterung. Die Umgebungserkennung kann Routinekontrollen für einen Patienten durchführen, der sich ansonsten wie geplant erholt. Die Aggregation und Zusammenfassung heterogener Daten, die sich überall in der elektronischen Patientenakte befinden, in leicht verdauliche Berichte steigern auch die Effizienz von Ärzten, indem sie sich wiederholende Aufgaben eliminieren und die Relevanz der Informationen erhöhen, die sie weiterhin prüfen.

Narinder Singh: chatgpt hat das Bewusstsein für KI auf allen Ebenen in jeder Branche, einschließlich des Gesundheitswesens, geschärft. Führungskräfte und Assistenten, Kliniker und Administratoren haben den Reiz erkannt, eine Frage einzutippen und einfach eine Antwort zu erhalten. In einer Branche, in der komplexe Systeme, sich ändernde Vorschriften und komplizierte Abrechnungsregeln den Zeitaufwand für die Patientenbetreuung dominieren, hat diese Einfachheit einen besonderen Reiz. Gleichzeitig haben Kliniker gesehen, dass KI verspricht, die Medizin zu verändern (Watson), Eliminierung der Radiologie als Beruf und ähnliche naive Vorhersagen über die Zukunft.

ChatGPT und LLMs sind erfolgreich, weil sie die Syntax und Regeln der Sprache verstehen, sie scheitern jedoch, wenn sie in neue Bereiche extrapolieren. Angesichts der hohen Anforderungen an die Patientenversorgung und der enormen Effizienz der Verwaltungsfunktionen im Gesundheitswesen wird dies in naher Zukunft wahrscheinlich mehrere Auswirkungen haben.

Die schlechten Tools und Abrechnungsanforderungen Krankenakten verunreinigt haben. Die Fähigkeit von ChatGPT, Informationen schnell zum Kern dessen zusammenzufassen, was mit dem Patienten geschieht und geschehen ist, wird ein perfektes Gegenmittel gegen solche Aufblähungen sein. Doch genau die EHRs, die die Abrechnung erleichtert haben, werden es auch seinEr ist der Verantwortlichste für die Integration dieser Tools in die Praxis der meisten Ärzte.

Die Basistechnologie medizinischer Transkriptionsdienste wird angeglichen, und unabhängig davon, ob ChatGPT ohne menschliche Überprüfung funktionieren kann oder nicht, werden die Unternehmen, die dabei helfen, mit einer Basistechnologie arbeiten, die so ausgereift ist wie alles, was es von Branchenriesen oder Startups gibt, die Hunderte Millionen Dollar eingesammelt haben . Benutzererfahrung, Produktdesign, Preisgestaltung und Vertrieb werden zukünftige Lösungen weitaus stärker unterscheiden als die Geschichte bestehender Lösungen.

Entwickler mit Erfahrung im Zusammenhang mit ChatGPT sind die größten Befürworter und Kritiker. Sie sehen, wo es Bibliotheken halluziniert, die nicht existieren, schätzen aber auch, wie schnell es sie auf den neuesten Stand bringen kann. Ärzten könnte durch die Veranlassung einer solchen KI eine ähnliche Erfahrung gemacht werden. Allerdings gibt es keinen Compiler oder einfachen Weg, um „den Code“ – also einen Behandlungsplan für einen Patienten – zu validieren. Solange dieses Problem nicht besser angegangen wird, ist es wahrscheinlich, dass ChatGPT die Fragen der Patienten stärker ausfüllen wird als die Antworten, auf die sich Ärzte verlassen können.

Schließlich ähnelt ein Großteil der medizinischen Versorgung eher dem Autofahren als dem Schreiben eines Romans. Es gibt konkrete Regeln und Gefahren mit klaren richtigen und falschen Antworten. Traditionelle ML- und KI-Vorhersage bilden das Herz und die Seele solcher Ansätze. Bildgebung untersuchen, Bluttests überprüfen, Entscheidungen über Medikamente, Eingriffe und chirurgische Schritte treffen – diese Problemmuster liegen in einem Bereich der KI, der sich bereits stark auf das Gesundheitswesen konzentriert – wo Modelle auf richtige und falsche Antworten trainiert werden und diese auf breitere Klassen übertragen des gleichen Problems. In diesen Bereichen gibt es enorm viel zu tun und Potenzial, wenn sie gelöst werden – aber sie werden nicht durch ein einfaches Textfeld mit Eingaben angesprochen.