Transferlernen und Governance helfen, die Kluft in der Gesundheits-AI zu überbrücken
Forschungen haben gezeigt, dass fortschrittliche Techniken der künstlichen Intelligenz (KI) klinische Diagnosen in Ländern mit begrenzten Ressourcen erheblich verbessern können, ohne dass massive lokale Datensätze benötigt werden.
Transferlernen in der Praxis
Ein Team von Wissenschaftlern hat erfolgreich Transferlernen angewendet, eine Methode, bei der ein für eine Aufgabe entwickeltes Modell als Ausgangspunkt für eine andere verwendet wird, um Patientenergebnisse nach einem Herzstillstand vorherzusagen. Die Studie befasst sich mit einer häufigen Herausforderung bei der Einführung von KI in einkommensschwachen und -mittelständischen Ländern, nämlich dem Mangel an umfangreichen, qualitativ hochwertigen Daten, die erforderlich sind, um algorithmische Modelle von Grund auf neu zu trainieren.
Um die Wirksamkeit des Transferlernens zu testen, haben die Forscher ein Vorhersagemodell zur Gehirnerholung, das ursprünglich in Japan mit Daten von 46.918 Patienten mit außerklinischem Herzstillstand entwickelt wurde, für Vietnam angepasst und an einer kleineren Gruppe von 243 Patienten getestet. Die Ergebnisse zeigten eine enorme Verbesserung der diagnostischen Genauigkeit. Während das ursprüngliche japanische Modell mit 46 % Genauigkeit zwischen Hochrisiko- und Niedrigrisikopatienten unterschied, erreichte das angepasste Transferlernmodell eine Genauigkeitsrate von etwa 80 %.
Herausforderungen und Chancen
Trotz des wachsenden Potenzials von KI im Gesundheitswesen bleibt die Einführung der Technologie weltweit ungleichmäßig. Studien haben gezeigt, dass 63 % der befragten Gesundheitsdienstleister KI-Tools verwenden, wobei die Einführung in Ländern mit hohem und oberem mittleren Einkommen verbreiteter ist.
Das Potenzial großer Sprachmodelle (LLMs) zur Verbesserung des Zugangs zur Versorgung, der Diagnostik und der klinischen Entscheidungsfindung in einkommensschwachen und -mittleren Ländern, die weiterhin mit Barrieren bei der Einführung zu kämpfen haben, wird hervorgehoben.
Beispiele sind Gemeinschaftshelfer, die Smartphone-Apps zur Erkennung von Malaria-Infektionen verwenden, und Chatbots, die schwangeren Müttern pränatale Ratschläge geben.
Wichtige Governance-Rahmenbedingungen
Während KI-Tools das Potenzial haben, die Gesundheitsversorgung zu verbessern, sind Governance-Rahmenbedingungen entscheidend für die sichere und ethische Implementierung der Technologie. Derzeit adressieren Vorschriften für Medizintechnologien oft nicht spezifische Risiken der KI, wie Datenschutzbedenken und die Notwendigkeit der Überwachung neuer Werkzeuge.
Um diese Probleme anzugehen, wurde ein internationales Konsortium namens Partnership for Oversight, Leadership, and Accountability in Regulating Intelligent Systems – Generative Models in Medicine vorgeschlagen. Das Konsortium soll Richtlinien für die Regulierung neuer Werkzeuge, die Überwachung ihrer Auswirkungen und die Anpassung an ressourcenbegrenzte Umgebungen bieten.
Schlussfolgerung
Mit klaren Richtlinien können Gesundheitssysteme die Stärken von KI nutzen, um Gesundheitsresultate zu verbessern und gleichzeitig potenzielle Fallstricke zu vermeiden. Alle Beteiligten, von politischen Entscheidungsträgern bis zu Patientengruppen, spielen eine entscheidende Rolle dabei, dieses Ziel zu verwirklichen.
