KI im Gesundheitswesen

Künstliche Intelligenz (KI) im Gesundheitswesen ist ein Sammelbegriff für die Verwendung von Algorithmen, die mithilfe von Machine Learning (ML) in 3 wichtigen Kategorien des Gesundheitsmarkts trainiert wurden: Anwendung von Gesundheitsleistungen (Life Sciences), Bereitstellung von Gesundheitsleistungen (Anbieter), und Nutzung von Gesundheitsleistungen (Kostenträger).

Dank der Fortschritte bei dieser Art von algorithmischem maschinellem Lernen sind jetzt auch Use Cases für künstliche Intelligenz (KI) im Gesundheitswesen möglich, die über die reaktive KI der Vergangenheit hinausgehen. Diese Fortschritte können eine bedeutende Rolle für den Wandel und die Modernisierung des Gesundheitswesen spielen. 

Mehr über Red Hat AI erfahren

Medizinische Daten müssen zunächst in relevanter Form zugänglich gemacht werden, damit sie sich analysieren lassen und darauf reagiert werden kann. Sobald das Modell mit ausreichenden Daten trainiert wurde, kann die Maschine in neuen Situationen Inferenzleistungen erbringen. KI-Inferenz bezeichnet die operative Phase von KI, in der das Modell das im Training Gelernte auf reale Situationen anwenden kann. Erst dann sind umfassendere, effektivere und effizientere Anwendungen von Gesundheitsservices möglich.

KI lässt sich im Allgemeinen in 4 Typen unterteilen:

• Reaktive KI: Künstliche Intelligenz, die kein Machine Learning zur Verbesserung nutzt und immer auf die gleiche Weise reagiert, wenn sie in einer identischen Situation auftritt.
• KI mit begrenzter Speicherkapazität: Diese künstliche Intelligenz nutzt Machine Learning, um Algorithmen auf der Basis früherer Performance zu entwickeln. Hier finden viele der aktuellen Fortschritte im Bereich der KI statt, weshalb künstliche Intelligenz auch als KI/ML bezeichnet wird. In diesen Bereich fällt auch das sogenannte Deep Learning, eine Unterart von ML. Dabei werden mehrere Analysephasen durchlaufen, um bedeutungsvollere Informationen aus rohen Daten zu gewinnen.
• KI der Theorie des Geistes: Hierbei handelt es sich um eine KI, die Emotionen verstehen und sich an sie erinnern kann sowie basierend auf diesem Modell mit Menschen interagieren kann. Diese Art von KI befindet sich zum jetzigen Zeitpunkt weitgehend im Anfangsstadium oder existiert vorerst nur in der Theorie.
• Sich selbst wahrnehmende KI oder „echte“ KI: Sich selbst wahrnehmende KI ist sich ihrer eigenen Emotionen bewusst und verfügt über ein Bewusstseinsniveau, das dem des Menschen ähnelt. Diese Art von KI befindet sich derzeit noch in der theoretischen Phase.

Wenn wir hier über KI im Gesundheitswesen sprechen, beziehen wir uns hauptsächlich auf die rasanten Fortschritte sowohl in den Algorithmen als auch in der Anwendung von KI mit begrenzter Speicherkapazität.

KI im Unternehmen nutzen 

Neue Fortschritte in der KI können die Ergebnisse für Patientinnen und Patienten wesentlich verändern, da ärztliches und anderes medizinisches Fachpersonal dadurch genauere Diagnosen stellen und besser abgestimmte Behandlungspläne entwickeln kann. Diese Fortschritte können Administrationsteams auch bei der präzisen und akkuraten Zuweisung medizinischer Ressourcen unterstützen.

Davon profitieren die 3 Kategorien des Gesundheitsmarkts (Life Sciences, Anbieter, Kostenträger) in vielerlei Hinsicht. Durch das effiziente Erfassen, Verteilen und Nutzen der aktuellsten Informationen können medizinische Fachkräfte Patientinnen und Patienten besser behandeln, Daten schnell aus mehreren Quellen abfragen und so bestehende Erkrankungen besser managen. Außerdem können Sie die Vorhersage oder Identifizierung neuer Erkrankungen oder des Auftretens von Krankheiten unterstützen. 

Aufgrund der besser verteilten Datenprozesse können Administrationsteams Ansprüche effizienter priorisieren und überprüfen, sowie den gesamten Prozess optimieren. So lassen sich die Genauigkeit und Geschwindigkeit der an Patientinnen und Patienten, Kunden und Anbieter übermittelten Informationen verbessern. Insgesamt kann das Erfassen von Daten in Algorithmen für das Gesundheitswesen dazu beitragen, zukünftige Risiken vorherzusagen, und den Verantwortlichen im Gesundheitswesen mehr Möglichkeiten geben, die Versorgung der Bevölkerung zu managen und zu verbessern.

KI im Gesundheitswesen kann Kranken, Anbietern von Gesundheitsdienstleistungen und Zahlenden auf vielfältige Weise zugutekommen. Dazu zählen:

Schnellere Diagnosen
Datenbasierte Erkenntnisse, die mit KI-Algorithmen und prädiktiven Analysen verarbeitet werden, können Diagnosen beschleunigen. Dadurch erhalten Patientinnen und Patienten schneller eine Behandlung, was zu besseren Ergebnissen und insgesamt weniger Ressourcen führt. Als Beispiel kann hier HCA Healthcare genannt werden, einer der größten Anbieter von Gesundheitsservices in den Vereinigten Staaten, der mithilfe von Lösungen von Red Hat ein prädiktives Echtzeit-Analysesystem zur präziseren und schnelleren Erkennung von Blutvergiftungen entwickelte, einer unter Umständen lebensbedrohlichen Erkrankung.

Verwaltung von Ansprüchen
Die Bürokratie, die mit medizinischen Ansprüchen und Zahlungen einhergeht, kann Tausende von Arbeitsstunden erfordern. Werden die einzelnen Ansprüche manuell eingegeben, erhöht sich außerdem das Risiko von Fehlern, was weder für die betroffenen Patientinnen und Patienten, noch für die Anbieter von Vorteil ist, die wirtschaftlich handeln wollen. Mithilfe von KI kann nicht nur die Aktenführung automatisiert werden. Durch die Analyse der Falldaten können zudem fundierte Empfehlungen bereitgestellt werden. Dies könnte die Verarbeitung von Ansprüchen beschleunigen, was gleichzeitig das Erlebnis für Beschäftigte und Kunden verbessert.

Betrug, Verschwendung und Missbrauch
Mit Robotic Process Automation (RPA) können Dokumente mit einer Geschwindigkeit und Genauigkeit überprüft werden, die sich durch manuelles Vorgehen nicht erreichen lässt. Diese Algorithmen können dann betrügerische Aktivitäten oder überflüssige Dokumente markieren und werden mit der Zeit immer besser, sodass sie noch effektiver Probleme aufdecken können.

Erweiterter Zugriff auf Angebote in der Gesundheitsversorgung
KI-gestützte Diagnosen können die Patientengruppen erweitern, die bestimmte Gesundheitsservices erhalten. So kann beispielsweise im Bereich Radiologie und medizinische Bildgebung mithilfe von KI eine größere Anzahl von Fachleuten Ultraschallaufnahmen interpretieren. Dadurch ließe sich der Engpass überwinden, der aus der geringen Anzahl von Expertinnen und Experten resultiert. Gleichzeitig könnten damit mehr Kranke Zugang zu dieser Technologie erhalten.

Arzneimittelentwicklung
Neue Arzneimittel erfordern die Ermittlung geeigneter Dosierungen und Verabreichungseigenschaften. KI-gestützte Berechnungstools können Trial and Error-Methoden optimieren oder sogar ersetzen. Außerdem werden damit schnellere und effizientere Modelle möglich, mit denen der gesamte Prozess überwacht werden kann. Dies kann auch eine schnellere Entwicklung neuer oder neuartiger Medikamente ermöglichen und sowohl pharmazeutischen Unternehmen als auch Endkunden Geld sparen.

KI im Gesundheitswesen bietet zwar zahlreiche Vorteile, ihre Implementierung kann jedoch mit mehreren komplexen Herausforderungen verbunden sein. Zu den Herausforderungen, die KI für das Gesundheitswesen darstellt, gehören:

Datenverwaltung und Operationalisierung der Datenerfassung
Beim Erfassen, Analysieren und Anwenden von Gesundheitsdaten ergeben sich zahlreiche Herausforderungen.

Damit KI relevante Algorithmen auf die richtige Weise mit Daten versorgt, muss ein enormes Datenvolumen in Echtzeit verarbeitet werden. Die Datenerfassung stellt daher eine vielschichtige Herausforderung dar.

Die Hardware, Software und Methoden der Datenerfassung müssen in die Workflows der Gesundheitsversorgung integriert werden. Bei der Entwicklung dieser Workflows werden bestimmte Strukturen, Hierarchien und ein gewisser Umfang an manuellen Eingaben zugrunde gelegt. Gesundheitsdaten sind auf verschiedene Netzwerke verteilt und nicht in einzelnen Datenbanken zentralisiert. In manchen Fällen werden sie nicht einmal von Papierseiten in digitale Form kopiert.

Die Abstimmung zwischen den verschiedenen Stakeholdern des Prozesses, darunter Data Scientists, IT- und Operations-Teams, Gesundheitsfachkräfte, Gesundheitsdienstleister, unabhängige Softwareanbieter (ISVs), andere Anbieter usw., ist notwendig, um Reibungsverluste in diesem Prozess zu reduzieren und sicherzustellen, dass Unternehmen effizient arbeiten und KI- und ML-Implementierungen optimal nutzen können. Um dieser Herausforderung zu begegnen, müssen Stakeholder möglicherweise agile, herstellerunabhängige Software einsetzen, um Probleme bestmöglich zu artikulieren und bereinigte, skalierbare Daten zu nutzen, die mit mehreren ISVs kompatibel sind.

Die Daten müssen erfasst und in interoperable und nutzbare Formate umgewandelt werden, die mit den aus verschiedenen Quellen gesammelten Informationen arbeiten. Für die Übertragung von Daten von den Punkten im Netzwerk, an denen sie erfasst werden, ist eine große Bandbreite erforderlich – zuweilen durch Edge-Geräte. Der Storage nimmt aufgrund der explosionsartigen Zunahme der im Gesundheitswesen erfassten Daten, insbesondere für Bereiche wie medizinische Bildgebung, IOMT und Edge, in einem alarmierenden Tempo zu.

Cloud Computing bietet sowohl hohe Performance als auch Kapazitäten zur Bewältigung dieser Herausforderungen. Dies kann jedoch in vielen Fällen unpraktisch sein, insbesondere in ländlichen Umgebungen und Gebieten, die nicht über eine robuste IT- und Gesundheitsinfrastruktur verfügen. Zur Bewältigung dieser zentralen Herausforderung sind kosteneffiziente Lösungen erforderlich, die den Betrieb am Netzwerkrand verbessern und die Datenanalyse am Behandlungsort übernehmen.

Mehr über die Operationalisierung von KI erfahren

Ein erfolgreiches Deployment Ihrer KI-Workloads in großem Umfang hängt davon ab, wie effizient und effektiv die verschiedenen Komponenten zusammenarbeiten. Insbesondere Inferenzserver, die größere KI-Modelle (wie LLMs) und ihre komplexeren Inferenzfunktionen unterstützen, sind für die Skalierung von KI-Workloads für Unternehmen unerlässlich.

Diese KI-Tools nutzen Ressourcen effizienter, um schneller zu skalieren:

• llm-d: LLM-Prompts können komplex und uneinheitlich sein. Sie benötigen in der Regel umfangreiche Rechenressourcen und Storage, um große Datenmengen zu verarbeiten. Mit einem Open Source-KI-Framework wie llm-d können Entwicklungsteams Techniken wie verteilte Inferenz nutzen, um die steigenden Anforderungen anspruchsvoller und größerer Reasoning-Modelle wie LLMs zu unterstützen.
• Verteilte Inferenz: Verteilte Inferenz sorgt dafür, dass KI-Modelle Workloads effizienter verarbeiten können, indem die Inferenzarbeit innerhalb einer Gruppe miteinander verbundener Geräte verteilt wird. Stellen Sie sich dies als Äquivalent zum Sprichwort „Viele Hände machen ein schnelles Ende“ für den Softwarebereich vor.  
• vLLM: vLLM steht für Virtual Large Language Model und ist eine Library von Open Source-Code, die von der vLLM Community verwaltet wird. Das Modell unterstützt Large Language Models (LLMs) dabei, Berechnungen effizienter und in großem Umfang durchzuführen.

Erfahren Sie, wie Red Hat AI diese Tools und Funktionen integriert, um Kunden beim Einsatz von KI in großem Umfang zu unterstützen.

Mehr über Red Hat AI erfahren

Red Hat AI ist eine Plattform mit Produkten und Services, die Ihr Unternehmen bei den einzelnen Phasen der KI-Einführung unterstützen kann – unabhängig davon, ob Sie gerade erst beginnen oder schon skalierungsbereit sind. Die Lösungen können sowohl generative als auch prädiktive KI-Initiativen für die spezifischen Use Cases Ihres Unternehmens unterstützen.

Mit Red Hat AI erhalten Sie Zugriff auf Red Hat® AI Inference Server, mit dem Sie die Modellinferenz in der gesamten Hybrid Cloud optimieren und so schnellere und kosteneffiziente Deployments erzielen können. Der auf vLLM basierende Inferenzserver maximiert die GPU-Nutzung und ermöglicht schnellere Reaktionszeiten.

Mehr über Red Hat AI Inference Server erfahren 

Red Hat AI Inference Server umfasst das Repository von Red Hat AI, eine Kollektion validierter und optimierter Drittanbietermodelle, die mehr Modellflexibilität und teamübergreifende Konsistenz ermöglicht. Durch den Zugriff auf das Repository von Drittanbietermodellen können Unternehmen die Markteinführungszeit verkürzen und finanzielle Hindernisse für eine erfolgreiche KI-Implementierung abbauen.

Mehr über validierte Modelle von Red Hat AI erfahren