Ihr Herz-Kreislauf-Portal

Symbolbild Künstliche Intelligenz: Programmcode und ein menschliches Gesicht. © Gerd Altmann / Pixabay

Big Data und Künstliche Intelligenz – Fluch oder Segen? © Gerd Altmann / Pixabay

Enorme Hilfe für Medizin und Forschung: Big Data und KI

Große Datensammlungen – gern mit Big Data bezeichnet – lösen bei vielen Menschen Unbehagen aus. Dabei bestimmt gar nicht die Menge der Daten sondern ihre Nutzung, ob etwas gut oder schlecht ist. Künstliche Intelligenz (KI) auf der anderen Seite sehen manche vor allem als putzige Spielerei von Nerds an, dabei sind selbstlernende Programme inzwischen bereits vielfach im Einsatz oder zumindest in der Erprobung.

In der Medizin spielen Big Data und KI bereits eine Rolle und diese wird sich auch noch ausweiten. Viele der neuen Erkenntnisse und fortschrittlichen Therapien wären ohne dieses Handwerkszeug nicht möglich gewesen oder hätten noch lange auf sich warten lassen.

Big Data – die Menge macht den Unterschied

Sammlungen mit Patientendaten helfen nicht erst seit Kurzem, Zusammenhänge aufzudecken. Bei der Ermittlung von Risikofaktoren für ein Erkrankung zum Beispiel besteht der erste Schritt darin, möglicherweise relevante Informationen von Patienten mit dieser Erkrankung zusammenzutragen. Man gleicht ab, wie viele Merkmale wie oft übereinstimmen. Besteht die Gruppe der betrachteten Patienten nur aus wenigen Personen, besteht das Risiko, dass die Merkmale sich nur zufällig häufen. Je größer die Datenmenge ist, desto zuverlässiger lassen sich Korrelationen erkennen. Der nächste Schritt besteht darin, herauszufinden, ob ein direkter Zusammenhang zwischen dem Merkmal und der Erkrankung besteht. Im dritten Schritt kann dann der Mechanismus dieses Zusammenhanges erforscht werden.

  • Zusammenhang vs. Korrelation

    Bei der statistischen Auswertung von großen Datenmengen kann man Korrelationen erkennen. So könnte man zum Beispiel finden, dass Kurzsichtigkeit unter Akademikern häufiger auftritt ist als beim Rest der Bevölkerung. Das bedeutet aber nicht, dass erhöhte Intelligenz Kurzsichtigkeit hervorruft. Bei kleinen Datenmenge kann diese Korrelation zufällig sein, bei großen Datenmengen deutet sie auf einen kausalen Zusammenhang hin.

    Der kausale Zusammenhang muss jedoch nicht direkt zwischen den beiden erfassten Eigenschaften bestehen. Beide Eigenschaften können z. B. das Ergebnis derselben Ursache sein, der Zusammenhang kann über einen oder mehrere Zwischenschritte entstehen und auch andere Kausalitätsnetze sind möglich. Bei Akademikern zum Beispiel ist der Anteil der Menschen, die viel lesen, höher als im Rest der Bevölkerung. Lesen – also viel Nahe-Sehen und wenig Aufenthalt im Freien – begünstigen neuesten Erkenntnissen nach Kurzsichtigkeit. Es ist also nicht der IQ, der hier maßgeblich ist – auch jeder andere „Stubenhocker“, der viel schmökert, hat ein erhöhtes Risiko für Kurzsichtigkeit.

  • Viele Daten, aber kein Big Data?

    Big Data bedeutet übrigens nicht einfach nur eine große Datenmenge, sondern eine große Menge verschiedener Daten. Tausende einzelne Röntgenaufnahmen eines Menschen zu machen, würde zwar viele Daten erzeugen, aber eher nicht unter Big Data fallen. Trotzdem nutzt auch das – die Computertomografie basiert genau darauf. Als Big Data kann man es bezeichnen, wenn extrem viele CT-Aufnahmen zusammen mit weiteren Patientendaten erfasst und verarbeitet werden.

  • Beispiele aus der Praxis

    MYKKE wird groß

    Die Entzündung des Herzmuskels (Myokarditis) ist insbesondere bei Kleinkindern eine Erkrankung mit oft schlimmen Folgen: Zuvor noch völlig gesunde Kinder erleiden eine akute und schwere Herzschwäche, die im schlimmsten Fall tödlich enden kann. Die Entzündung wird meist durch Viren verursacht, Antibiotika sind deshalb wirkungslos.

    Trotz der Bedrohlichkeit dieser Erkrankung gibt es noch keine ausreichend wissenschaftlich und durch Studien begründeten Kriterien und Leitlinien zur Diagnose und Therapie bei Kindern. Erst seit Kurzem existiert mit MYKKE ein Register mit derzeit 500 Datensätzen. Auf dessen Grundlage war bereits möglich, Gruppen mit unterschiedlichem Risiko für schwere Krankheitsverläufe zu unterscheiden.

    Biomarker und genetische Einflüsse auf

    Die Konzentration und Zusammensetzung von Metaboliten (kleine Moleküle im Blut oder in der Gewebsflüssigkeit) geben Auskunft über biologische Vorgänge im menschlichen Körper. Sie dienen deshalb als wichtige Biomarker z. B. in der Diagnostik von Krankheiten oder zur Kontrolle, ob eine Therapie anschlägt oder nicht.

    Allerdings haben nicht nur Krankheiten oder Ernährung Einfluss auf diese Moleküle, auch das Erbgut sorgt dafür, dass Metaboliten sich von Mensch zu Mensch unterscheiden. Das hat auch Auswirkungen darauf, wie hoch das individuelle Risiko eines Menschen ist, z. B. Diabetes oder eine andere Stoffwechselkrankheit zu entwickeln.

    Ein internationales Forscherteam untersuchte nun den Effekt von Genvarianten auf 174 verschiedene Metaboliten und fanden spannende Zusammenhänge. Für diese Untersuchung haben die Forscher große Datenbanken genutzt, in denen die Blutwerte und Erbinformationen von insgesamt rund 85.000 Menschen gespeichert sind.

    Dabei haben sie unter anderem Genvarianten gefunden, deren Einfluss auf den Stoffwechsel gut dreimal so stark ist wie bisher bekannte Effekte von häufigeren genetischen Variationen, zum Beispiel auf den Body Mass Index. Zudem haben sie einen neuen Mechanismus identifiziert, der erklärt, wie eine gestörte Weiterleitung von Signalen durch einen Rezeptor (GLP2R) das Risiko erhöht, an Typ-2-Diabetes zu erkranken.

Künstliche Intelligenz – effektiver Helfer

Künstliche Intelligenz braucht große Datenmengen. Sie sind die Grundlage dafür, dass KI-Systeme lernen können. So kann KI z. B. helfen, Herzfehler zu diagnostizieren. Wie der Kardiologe, der in Lauf der Jahre gelernt hat, wie ein bestimmtes Herzproblem im CT-Bild aussieht, lernt auch die KI Herzerkrankungen zu erkennen. Anders als der Arzt wird sie allerdings nie müde, hat nie einen schlechten Tag oder lässt sich nie von anderen Befunden irritieren.

Auf der anderen Seite haben Tests mit bereits existierenden Systemen gezeigt, dass erfahrene Ärzte noch immer zuverlässigere Diagnosen erstellen. Sie können besser entscheiden, welche Details z. B. eines Röntgenbildes für die Diagnose relevant sind oder vielleicht sogar nur durch eine Störung bei der Aufnahme zustande kamen. Perspektivisch mag aber auch das einmal durch KI zu leisten sein.

  • KI – schlauer als der Mensch?

    Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik. Ziel ist es, Programme zu entwickeln, die Aspekte des intelligenten Verhaltens nachbilden.

    Vor allem maschinelles Lernen steht hier im Fokus. Das Prinzip ähnelt dem, wie Menschen lernen: Es werden Informationen aufgenommen und zusammen mit der Reaktion und ihrer Wertung in der Erinnerung abgespeichert. Dabei geht es in der Regel um komplexe Informationen.

    Beispiel: Das Auge meldet an das Hirn die Information „kugelförmiges Objekt, das an einer Kette von der Decke hängt“.  Die Reaktion „einfach weitergehen“ führt zu einem Zusammenstoß und wird als „keine gute Entscheidung“ gespeichert; die Reaktion „ausweichen“ wird als „gute Entscheidung“ vermerkt. Wenn sich das Kugelpendel bewegt, hängen „gut Reaktion“ oder „nicht gute Reaktion“ zusätzlich von Geschwindigkeit, Bewegungsrichtung und Pendellänge ab. Je öfter man solche Situationen erlebt (z. B. Kugeln verschiedener Größen, Kette verschieden lag, Seil statt Kette etc.) desto sicherer wird man in seiner Reaktion. Man handelt „aus der Erfahrung“ heraus. Dieses Prinzip gilt auch für KI-Systeme.

    Im Unterschied zum Menschen vergisst die KI allerdings nicht. Das Gehirn des Menschen baut ständig Verknüpfungen auf und löst alte, nicht mehr benötigte Verbindungen. Der Mensch vergisst Verhaltensmuster und Informationen, die er lange nicht mehr gebraucht hat. So schafft er „Platz“, um Neues zu lernen. Das macht eine KI nicht – gelernt ist gelernt.

    Allerdings können aktuelle KI auch nur in einem bestimmten Bereich lernen bzw. arbeiten. Ein System, das z. B. für die Krebsdiagnose trainiert wurde, kann nicht ohne weiteres Stimmungen am menschlichen Gesicht ablesen. Es „weiß“ nicht, was es mit den neuen Input anstellen soll, wahrscheinlich „merkt“ es nicht einmal, dass da etwas Neues ist, und interpretiert die Daten auf einer völlig falschen Basis.

  • Beispiele aus der Praxis

    KHK-Risiken früh erkennen

    Die koronare Herzkrankheit (KHK) ist eine der führenden Todesursachen in westlichen Industrieländern. Man kann ihr durch eine gesunde Lebensweise vorbeugen, vor allem aber kann man sie günstig beeinflussen, so dass Folgeschäden (z. B.  Herzinfarkt) verhindert werden. Dafür ist aber eine frühe Erkennung nötig. Hier setzt das Projekt TIMELY an. Unterstützt durch KI soll die TIMELY-Plattform kontinuierlich und zeitnah kardiale Risiken und Komplikationen individuell prognostizieren. So können rechtzeitig passende Maßnahmen ergriffen werden.

    Schlaganfall bemerken

    Akute Schlaganfälle sind eine der häufigsten Ursachen für dauerhafte Behinderungen. Seit wenigen Jahren können Ärzte auch bei schweren Schlaganfällen eine vollständige Heilung herbeiführen, sofern die Behandlung so schnell wie möglich nach Symptombeginn begonnen wird. Bei etwa 20 % aller Schlaganfälle treten die Symptome allerdings unbemerkt im Schlaf auf. Berliner Forscher haben ein System entwickelt, das solche Schlaganfälle bemerkt. Dazu werden die Bewegungen der Person nachts nicht-invasiv überwacht und aufgezeichnet, eine KI-gestützte Software entdeckt schlaganfalltypische Veränderungen in den Aufzeichnungen und alarmiert im Notfall direkt die Rettungsdienste. Noch ist das System nicht einsatzfähig und es wird sicher auch nur bei Risikopatienten sinnvoll sein.

    Operationsrisiken vorhersagen

    Wissenschaftler des Universitätsklinikum Heidelberg arbeiten an einem „Kognitiven medizinischen Assistenten“. Dieser Algorithmus soll das individuelle Operationsrisiko eines Patienten im Vorfeld erkennen, Therapieentscheidungen erleichtern und Komplikationen vorbeugen. Dafür verarbeitet das System eine Vielzahl klinischer Daten wie Alter, Geschlecht, Vorerkrankungen, Laborwerte und anderes.

    Expertenblick nötig

    Deutsche Wissenschaftler haben drei Algorithmen getestet, die in der Praxis bei der Diagnose von schwarzem Hauptkrebs helfen. Dafür setzten sie über 10.000 Fotoaufnahmen von Hautauffälligkeiten ein. Sie haben diese gezoomt, gedreht und Aufnahmen aus verschiedenen Blickwinkeln verwendet. Die Algorithmen haben bei einigen Fällen für die Bilder derselben Haustelle verschiedene Diagnosen getroffen. Ein Mensch hätte bemerkt, dass es lediglich verschiedene Bilder sind.

Ausblick

Ohne Zweifel wird die Entwicklung der Technik weitere erhebliche Fortschritte bringen – sowohl im medizinischen Alltag als auch in der Forschung. Was das für uns – die Patientinnen und Patienten – bedeutet, wird von der Ausgestaltung der Möglichkeiten abhängen.

Zu den Risiken gehört, dass man auch bei an sich unbedeutenden Störungen eine Vielzahl aufwändiger Untersuchungen über sich ergehen lassen wird, inklusive der damit verbundenen psychischen Belastung. Ein Vorteil könnte sich für „unklare Fälle“ oder seltene Erkrankungen ergeben, für die heute Patienten manchmal wahre Arzt-Marathons absolvieren müssen. Es wird eine deutlich individuellere Medizin möglich sein. In den Arztpraxen könnten entweder mehr Menschen behandelt werden, weil die Diagnose- und Entscheidungsprozesse schneller werden, man könnte die gewonnene Zeit aber auch für die Pflege des Arzt-Patienten-Verhältnisses nutzen.

Die Weltgesundheitsorganisation WHO hat deshalb kürzlich eine Leitlinie zur Künstlichen Intelligenz in der Medizin vorgelegt. Der Leitfaden ist das Ergebnis achtzehnmonatiger Beratungen von Fachleuten aus den Bereichen Ethik, digitale Technologie, Recht und Menschenrechte sowie aus Gesundheitsministerien.