key: cord-0069118-ol63i5rm authors: Piotrowski, Alexander; Siegel, Fabian title: Was können die Maschinen?: Praktischer Nutzen von Big Data und Künstlicher Intelligenz in der Medizin date: 2021-10-29 journal: J Urol Urogynakologie DOI: 10.1007/s41972-021-00148-4 sha: 132c41bf72711b59bb12ac2bf084ba6333e98127 doc_id: 69118 cord_uid: ol63i5rm With increasing computing and storage capacity, the application of big data and artificial intelligence (AI) is almost inexorably finding its way into medicine. The main areas of application so far have been in radiology and pathology, as well as in other areas such as genome sequencing and psychiatry. By evaluating ever larger amounts of data, patterns are sought that can make physicians’ work easier by making a preselection. In addition, efforts are being made to uncover previously unrecognized connections. Large amounts of data are recorded by the patients themselves using so-called wearables. How can this data be used meaningfully? What are the dangers? Efforts are also being made in urology to improve the treatment of urinary tract infections and kidney stones, for example, through the use of networked computer systems. Great progress can be expected in the next few years in the field of big data and AI. An enormous expansion of the areas of application is going to come; as such, we are only at the beginning of the development. Der Begriff Big Data ist durch großvolumige Informationen mit großer Vielfalt und einer hohen Änderungsgeschwindigkeit charakterisiert [1] . Diese Daten können aus verschiedenen Quellen wie persönlichen Onlineaktivitäten, kommerziellen Verhaltensweisen oder aus persönlichen Sensordaten stammen [2] . Eine Big-Data-Sammlung weist somit 3 typische V-Charakteristiken auf: ein großes Datenvolumen ("volume"), eine breite Vielfalt der Datenbeschaffenheit ("variety") und eine hohe Entstehungsgeschwindigkeit der Daten ("velocity"). Diese Allein das Volumen der medizinischen Daten im Gesundheitswesen steigt mit einer atemberaubenden Geschwindigkeit. So wurden im Jahre 2013 153 Exabyte (1 Exabyte = 1 Mrd. Gigabyte) Daten produziert und im Jahr 2020 waren es bereits 2314 Exabytes (. Abb. 1). Dies entspricht einer jährlichen Steigerung um 48 % [3] . Zu berücksichtigen ist allerdings auch, dass mehr Daten nicht immer mehr Informationen bedeuten. Grafische Oberflächen und Bilddaten verursachen viel Datenvolumen, aber nicht immer mehr Informationen. [7] werden. In einer Untersuchung konnte hierdurch zudem eine deutliche Steigerung der Detektion von zuvor übersehener Lungenrundherde ermittelt werden [8] . Durch die KI kann zudem der gesamte Workflow in der Radiologie verbessert werden. Dies beginnt bei der Terminvergabe. Durch die Angabe von Knieschmerzen können bereits ein MRT mit der richtigen Spule gewählt und möglichst wenig Spulenumbauarbeiten im MRT zwischen den Patienten erreicht werden. Durch die KI kann eine bessere Verlaufsbeurteilung erstellt werden. Für die Maschinen ist es viel leichter als für den Menschen, kleine Veränderungen in verschiedenen Bildern zu erkennen (. Abb. 2). Der diesjährige 102. deutsche Röntgenkongress steht auch unter dem Motto "Intelligenz vernetzen" und hat die künstliche Intelligenz als Schwerpunkt. In der Urologie haben Bildbefundungssysteme mit KI eine lange Tradition, vom computerunterstützten Ultraschall auf der Suche nach Prostatakarzinomen [9] bis hin zur automatisierten Bewertung von Prostata-MRT-Bildern [10] . Hierdurch kann die Detektionsrate deutlich gesteigert werden [11] . Denkbar wäre in der Zukunft auch der Einsatz von KI in Krankenhäusern die, wie z. B. in der 3. Welt, keinen Radiologen zur Befundung zur Verfügung haben. Jedoch sprechen viele Gründe gegen den vollständigen Ersatz der Ärzte in der Befundung durch die künstliche Intelligenz [12] . Die endgültige Verantwortung für den Befund muss immer durch einen Menschen getragen werden. Doch nicht nur rechtliche Gründe verbieten einen alleinigen Einsatz der künstlichen Intelligenz. Künstliche Intelligenz ist begrenzt auf bekannte und trainierte Befundarten. Sie ist besonders gut in der Interpolation. Befinden sich jedoch Befunde außerhalb trainierter Grenzen und müssen extrapoliert werden oder finden sich Veränderungen, die im Trainingsdatensatz nicht auftraten und nicht klassifiziert wurden, so wird der Algorithmus diese auch nicht finden. Die Ergebnisse des Modells sind dann nicht vorhersehbar. Deshalb muss immer eine menschliche Plausibilitätsprüfung stattfinden. Mit der zunehmenden Datenverarbeitungsmöglichkeit nehmen auch die Suche und Erschließung neuer Datenquellen zu. Als Datenquellen eigenen sich hervorragend die smarten Geräte. So liefern smarte Fieberthermometer und Wearables wie smarte Uhren oder Fitnesstracker große Mengen an analysierbaren Daten. Allein durch ein normales Mobiltelefon mit Ortungsfunktion können heute schon sehr präzise Daten für die medizinische Forschung gewonnen werden. Die telemedizinische Überwachung von Vitalzeichen und sonstiger Echtzeitgesundheitsdaten nimmt ebenso rapide zu wie die digitale Selbstmessung der Menschen über Wearables und Smartphones [13] . Dies und der Trend zum "quantified-self " ist ein weiterer ungehobener Datenschatz. Dieser Datenschatz wird aktuell v. a. durch führende Internetkonzerne genutzt. Aufgrund der engen Verzahnung mit Hersteller-Clouds besteht die Gefahr einer Konzentration solcher Daten bei einzelnen Herstellern. Glücklicherweise bieten die Betriebssysteme der Smartphones zunehmend Schnittstellen für den geordneten Export solcher Gesundheitsdaten. Als äußerst erfolgreich haben sich die modernen Verfahren in der Genomsequenzierung bewährt. In Großbritannien werden durch das "100 000 Genomes Project" und in den Niederlanden durch "GoNL" ("Genome of the Netherlands") Genome entschlüsselt. Saudi-Arabien hat With increasing computing and storage capacity, the application of big data and artificial intelligence (AI) is almost inexorably finding its way into medicine. The main areas of application so far have been in radiology and pathology, as well as in other areas such as genome sequencing and psychiatry. By evaluating ever larger amounts of data, patterns are sought that can make physicians' work easier by making a preselection. In addition, efforts are being made to uncover previously unrecognized connections. Large amounts of data are recorded by the patients themselves using so-called wearables. How can this data be used meaningfully? What are the dangers? Efforts are also being made in urology to improve the treatment of urinary tract infections and kidney stones, for example, through the use of networked computer systems. Great progress can be expected in the next few years in the field of big data and AI. An enormous expansion of the areas of application is going to come; as such, we are only at the beginning of the development. Artificial intelligence · Big data · Machine learning · Image analysis · Research das "Saudi Human Genom Programme" begonnen, und in den USA hat Obama 2015 die "Precision Medicine Initiative" gestartet, mit dem Ziel, genetische und medizinische Daten von 1.000.000 Personen zu sammeln [14] . Diese riesigen Datenmengen stellen einen so großen Datenpool dar, dass dieser mit herkömmlichen Methoden kaum zu bewältigen ist. Jedoch können durch die Nutzung von Big-Data-Techniken neue wissenschaftliche Entdeckungen und medizinische Erkenntnisse möglich werden. Ein Durchbruch gelang Ende letzten Jah-resderGoogle-TochterDeep Mind.Diese kann mit KI die Proteinfaltung vorhersagen [15] . Die Vorhersage der Proteinstruktur ist für die Medikamentenentwicklung sehr wichtig. An diesem Problem haben sich Biochemie und Bioinformatik seit 50 Jahren die Zähne ausgebissen [16] . Durch die Lösung dieses Problems mit KI konnte ein Quantensprung in der Medikamentenentwicklung durch eine viel höhere Zielgenauigkeit mit we-niger Ausschuss erreicht werden. Dies trug auch maßgeblich zur mRNA-Impfstoffentwicklung bei. Sogar in der Psychiatrie hat die KI Einzug gehalten. Eine Studie konnte hierbei beweisen, dass durch die Maschinen mit einer höheren Sensitivität, jedoch geringeren Spezifität diejenigen Patienten, die in einem Hochrisikokollektiv eine Psychose entwickeln werden, identifiziert werden konnten [17] . Auch in der Urologie tut sich einiges. So wurde in Deutschland 2016 die erste Phase der Medizininformatikinitiative gestartet, bei der sich nach Ausschreibungs-und Auswahlrunden 4 Konsortien bildeten, die Patientendaten für Therapie und Forschung verbundübergreifend verfügbar machen. Hierbei handelt es sich um Zusammenschlüsse mehrerer Universitätsklinika mit Hochschulen und Industriepartnern [18] . Im Rahmen des MIRACUM-Konsortiums wird aktuell hierdurch ein Harnsteinregister (RECUR) aufgebaut, um die Gründe für deren Entstehung endlich besser verstehen zu können. In der Urologie werden die neuen Methoden auch eingesetzt. So kann künstliche Intelligenz eingesetzt werden, um für eine Harnwegsinfektion die passende antibiotische Therapie herauszusuchen [19] . Dies gelang dem System auch. Die zur Behandlung ausgewählten Antibiotika wiesen geringere Resistenzraten auf. Bei einer genaueren Betrachtung stellte man jedoch auch fest, dass es sich bei den vom Computer gewählten Antibiotika deutlich häufiger um Breitspektrumpräparate handelte. Hier sind weitere Entwicklungen notwendig. Die KI wird auf der Basis von Big Data zunehmend für die Entscheidungsfindung in der Medizin vor dem Arztbesuch herangezogen werden. Studien, die den Erfolg ausreichend untersuchten, sind noch nicht genug vorhanden [20] . Jedoch zeigten Untersuchungen von Eligibility.com, dass 89 % der Patienten in den USA ihre Beschwerden googeln, bevor sie die Hilfe eines Arztes erwägen [21] . Dies kann als ein "empowerment" des Patienten angesehen werden, indem dieser stärker in die Behandlung mit einbezogen wird. Dieser Trend wird sicher noch weiter zunehmen und stellt eine sehr wichtige Entwicklung der Medizin der Zukunft dar. Durch die Smartphone-App von Vocalis können inzwischen mit künstlicher Intelligenz auch chronisch-obstruktive Lungenerkrankungen im Anfangsstadium erkannt werden. Die Systeme wurden in der aktuellen Pandemie auch weiterentwickelt, um SARS-CoV-2-positive von -negativen Patienten zu unterscheiden. Dies kann auch in den normalen Alltag übertragen werden. Dies kann so weit gehen, dass in der Zukunft bei einem normalen Sprachkomando der Gesundheitsstatus analysiert und Ihr Roboter -Ihre Siri, Ihre Alexa -"Oh, Sie sind erkältet" sagen wird, behauptet Björn Schuller, ein Spezialist für Sprachund Emotionserkennung der Universität Augsburg [22] . Dieser mahnt aber auch, dass die automatisierte Stimmanalyse noch ein neues Gebiet ist und eine Reihe möglicher Probleme bietet, die von fehlerhaften Diagnosen bis zum ungewollten Eindringen in die Privatsphäre der Patienten reicht. Bei den neuen IT-Technologien gibt es jedoch auch Probleme, die angegangen werden müssen. Gerne wird künstliche Intelligenz als Allheilmittel für schlechte Datenqualität dargestellt. Wenn eine gute Datenerhebung nicht möglich oder zu teuer ist, wird gehofft, mittels großen Datenmengen und künstlicher Intelligenz dieses Defizit ausgleichen zu können. Ein Nachteil der künstlichen Intelligenz ist, dass die Entscheidungen des selbst- Der Einsatz von Big Data und KI kann helfen, zu bestimmen, welche Faktoren bei einer Behandlung zum besten Behandlungsergebnis für den Patienten führen werden. Denn unterschiedliche Patienten sprechen sehr verschieden auf die Medikation oder die Therapiepläne an. Durch den Einsatz der Maschinen soll es durch komplexe Analysen möglich sein, diejenigen Faktoren herauszufinden, welche die Therapie beeinflussen. Die dadurch gewonnenen Erkenntnisse helfen den Ärzten dann, den bestmöglichen Behandlungsplan zu entwerfen. All dies stellt erst den Beginn der Entwicklung dar. Es werden immer mehr Daten in der Medizin digitalisiert und übertragbar werden. Umso mehr kann in diesen Big-Data-Banken die KI durch komplexe Analyseprozesse genutzt werden, 3D data management: Controlling data volume, velocity, and variety. META Group. blogs.gartner.com/doug-laney/files/2012/01/ ad949-3D-Data-Management-Controlling-Data-Volume-Velocityand-Variety Advancing the science of mHealth Ökonomische Relevanz des Einsatzes von Big Data in der Krankheitsprävention" von Alexander Piotrowski Improved detection of lung nodules with novel software that suppresses the rib and clavicle shadows on chest radiographs JOURNALCLUB:Computer-AidedDetection of Lung Nodules on CT With a Computerized Pulmonary Vessel Suppressed Function Weiterentwicklung des Transrektalen Ultraschalls: Artifizielle Neuronale Netzwerk-Analyse (ANNA) in der Erkennung und Stadieneinteilung des Prostatakarzinoms Detection and PI-RADS classification of focal lesions in prostate MRI: Performance comparison between a deep learning-based algorithm (DLA) and radiologists with various levels of experience A 12-year follow-up of ANNA/C-TRUS image-targeted biopsies in patients suspicious for prostate cancer It will change everything': DeepMind's AI makes gigantic leap in solving protein structures Multimodal machine learning workflows for prediction of psychosis in patients with clinical high-risk syndrome and recent-onset depression Personal clinical history predicts antibiotic resistance of urinary tract infections Artificial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies The most Googled medical symptoms by state Alexa, do I have COVID-19? Deutscher Bundestag -Im Spannungsfeld zwischen Datenschutz und Künstlicher Intelligenz Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral