KI IM GESUNDHEITSWESEN

TRANSKRIP

Moderator - Einleitung:  Wir alle wissen es, aber es ist wirklich überraschend zu sehen, wie sehr die KI die Industrie verändert, insbesondere das Gesundheitswesen. Was wäre, wenn KI das Wiederauftreten von Krebs vorhersagen könnte? Oder Ärzten helfen würde, personalisierte Behandlungspläne in Echtzeit zu erstellen? Heute setzen zwei von drei Ärzten KI in ihrer Praxis ein - ein Anstieg von 78 % im Vergleich zum letzten Jahr. Tatsächlich sagen 64 % der Führungskräfte im Gesundheitswesen, dass KI bereits eine positive Kapitalrendite liefert.

In dieser Folge hören wir uns konkrete Anwendungsfälle von Wissenschaftlern und Spezialisten an, die Hand in Hand mit KI arbeiten, um die Zukunft des Gesundheitswesens zu verändern. Willkommen bei The Power of Possibility.

Heute beginnen wir mit Dr. Jack Gilbert, Professor für mikrobielle Ozeanographie an der Scripps Institution of Oceanography, der auch eine Position in der Abteilung für Kinderheilkunde an der University of California, San Diego, innehat. Er ist Mitbegründer des Earth Microbiome Project und des American Gut Project und war kürzlich in der beliebten Netflix-Dokumentation Hack Your Health zu sehen.

Darüber hinaus ist Dr. Gilbert Mitbegründer von BiomeSense, einem Unternehmen, das sich auf die Erforschung des Mikrobioms konzentriert und KI und andere Technologien einsetzt, um die Gesundheitsergebnisse zu verbessern. 

Jack, danke, dass Sie hier sind.

Moderator: Ich möchte mit BiomeSense beginnen. Sie sind der Mitbegründer von BiomeSense, können Sie mir sagen, inwiefern KI bei diesem Projekt eine Schlüsselrolle spielt?

“Wir nutzen diese dichten Längsschnittbeobachtungen über die Zeit und KI, um Überschneidungen zwischen den Datenschichten zu identifizieren und die Wahrscheinlichkeit des Wiederauftretens von Krankheiten vorherzusagen.” - Jack Gilbert

Jack: Nun, KI spielt eine Schlüsselrolle bei der Implementierung mikrobieller Technologien in die biomedizinischen Wissenschaften und die klinische Anwendung im weitesten Sinne. KI ist ein sehr, sehr großer Überbegriff für eine ganze Reihe von technologischen Innovationen, die es uns ermöglichen, große Datensätze und komplexe interagierende Datenebenen zu verarbeiten, um Strategien zu identifizieren, die die Ergebnisse für verschiedene Modalitäten optimieren können. Wir verwenden diesen Begriff also auf vielen verschiedenen Ebenen. 
BiomeSense ist ein Unternehmen, das ausdrücklich auf die Erstellung von Längsschnittdaten ausgerichtet ist. Das bedeutet Zeitreihen. Wir sammeln also jeden einzelnen Stuhlgang einer Person, und zwar über einen Zeitraum von mehreren Monaten. Und dann kombinieren wir diese Datenschicht, diese sehr, sehr dichte Längsschnittbeobachtung der mikrobiellen Gemeinschaft in dieser Person mit allem, was dazugehört, von der Herzfrequenz bis zu fMRI-Ergebnissen, also Gehirnanalysen, bis zu ihrer Stoffwechselleistung, ihrer Blutchemie, ihren Ernährungsgewohnheiten, ihrem Bewegungsprogramm, ihrem Schlafverhalten, allem, was man sich vorstellen kann.

Und dann nutzen wir KI, um nach Trends zu suchen, nach Überschneidungen zwischen den verschiedenen Datenschichten, die zur Vorhersage bestimmter Ergebnisse genutzt werden können. Stellen Sie sich zum Beispiel vor, wir würden Personen betrachten, die sich einer Brustkrebsbehandlung unterziehen, bei denen also ein Brusttumor diagnostiziert wird und die eine Reihe von Behandlungsschritten durchlaufen müssen, richtig? Zunächst also eine Lumpektomie, ein chirurgischer Eingriff zur Entfernung des Brusttumors. Nach der Operation wird bei Frauen in der Regel auch eine Eizellenentnahme durchgeführt. Wir regen also die Eizellenproduktion künstlich an und entnehmen dann die Eizellen, denn anschließend müssen sie eine Chemotherapie durchlaufen, um alle Spuren des Krebses zu entfernen und ein Wiederauftreten zu verhindern. Das ist also ein sehr dichter und intensiver Behandlungsprozess, und wir wollen im Laufe der Zeit verstehen, wie die verschiedenen Merkmale dieser Frau, ihr Stoffwechsel, ihre neurologischen Prozesse, ihre endokrinen Prozesse, ihre Hormone und ihr Mikrobiom, wie all dies mit ihrem Lebensstil zusammenwirkt, um entweder positive Ergebnisse aus jedem dieser Schritte zu ermöglichen oder zu schädlichen Ergebnissen zu führen. Und das schlimmste Ergebnis ist natürlich das Wiederauftreten des Krebses.

Wir nutzen also diese dichten Längsschnittbeobachtungen über die Zeit und die künstliche Intelligenz, um jetzt Überschneidungen zwischen den Datenschichten zu identifizieren, um die Wahrscheinlichkeit eines Rezidivs vorherzusagen, um das Ergebnis der Eizellentnahme vorherzusagen, z. B. ob sie funktionieren wird. 
Wir wollen sicherstellen, dass wir besser verstehen, welche Art von Chemotherapie eine Frau verträgt und wie hoch die Wahrscheinlichkeit ist, dass sie damit einen negativen Ausgang hat. Wir nutzen also KI und Mikrobiom-Layer, um die dichten, komplizierten Reihen klinischer Daten, die derzeit verfügbar sind, zu ergänzen, damit wir Menschen besser behandeln und ihre Ergebnisse besser verstehen können.

Moderator: Wie Sie bereits erwähnt haben, ist KI ein zentraler Bestandteil Ihres Forschungsprozesses, richtig?  

Jack: Auf jeden Fall. Wir nutzen KI-Modellierungsanwendungen, um die klinische Einführung aktueller Technologien zu beschleunigen. Sie können sich also vorstellen, dass wir den Stoffwechsel von Mikrobengemeinschaften modellieren. Wir nehmen also einen Mikrobiom-Datensatz und betrachten all die verschiedenen Arten, die in Ihrem Kot vorkommen. Und wir versuchen, die metabolischen Interaktionen zwischen diesen Arten nachzubilden. Wer ernährt sich also von den Produkten der anderen und was bedeutet das für ihr Wachstum oder ihre Abnahme.

Auf diese Weise können wir Stoffwechselphänotypen für die gesamte mikrobielle Gemeinschaft vorhersagen und dies nutzen, um, sagen wir mal, eine Fähigkeit zur Erhöhung der Vorhersage von kurzkettigen Fettsäuren zu identifizieren.

Das heißt, welche Lebensmittel sollte Miguel essen oder Jack essen, um die Produktion von nützlichen Verbindungen wie kurzkettigen Fettsäuren durch unser Mikrobiom zu erhöhen. Und so können wir individualisierte Ernährungsempfehlungen geben, die ausschließlich auf unserem grundlegenden Verständnis des mikrobiellen Stoffwechsels im Darm basieren. 

Das ist ein weiteres gutes Beispiel.

Moderator: Wo sehen Sie Ihrer Meinung nach die größten langfristigen Auswirkungen der KI im Gesundheitswesen oder in der biomedizinischen Wissenschaft? 

Jack: Wissen Sie, es ist lustig, denn wenn man sich an die Anfänge erinnert, als wir die Genome entdeckten und so weiter, ich meine, die Entschlüsselung brauchte viel Zeit, um das zu tun, eine Art von Prozessen, aber heute, ich meine, ich denke, es ist sicher so viel schneller. Wo sehen Sie die größten langfristigen Auswirkungen der KI im Gesundheitswesen oder in der biomedizinischen Wissenschaft?

“Wir verwenden große Sprachmodelle, um Menschen, die sehr beschäftigt sind - und oft nicht unbedingt für ihre Fähigkeit ausgewählt wurden -, schnell mit Patienten zu kommunizieren, ein Werkzeug an die Hand zu geben, das eine bessere Kommunikation mit den Patienten ermöglicht.” - Jack Gilbert 

Jack: Okay, ich habe ein paar Beispiele, wo ich das sehe, richtig? Eines der ersten ist die Verwendung von großen Sprachmodellen. Chat GPT ist ein großartiges Beispiel für ein großes Sprachmodell. Wie können wir diese verwenden? Nun, erstens können wir große Sprachmodelle verwenden, um eine bessere Kommunikation zu ermöglichen. Wir haben hier an der University of California San Diego den Einsatz eines großen Sprachmodells erprobt. Dabei haben wir Ärzte nach dem Zufallsprinzip ausgewählt, entweder ein großes Sprachmodell zu verwenden, um ihren Patienten in der Chat-Funktion unserer Gesundheits-Apps zu antworten, die wir für die Kommunikation mit den Patienten verwenden, oder einfach ihre normalen Kommunikationsfähigkeiten per E-Mail oder Ähnliches zu nutzen.

Die Patienten, die ChatGPT erhielten, also kein ChatGPT, sondern umfangreiche Sprachmodellantworten von ihren Ärzten, hatten das Gefühl, dass ihnen mehr zugehört wurde, dass sie bessere Informationen erhielten. Sie hatten auch das Gefühl, dass sie ihrem Arzt mehr vertrauten, dass sie mehr Unterstützung durch das Gesundheitssystem bekamen. Wir nutzen also ChatGPT, um Menschen, die extrem beschäftigt sind, oder große Sprachmodelle, um Menschen, die extrem beschäftigt sind und oft nicht unbedingt für ihre Fähigkeit, schnell mit Patienten zu kommunizieren, ausgewählt wurden, mit einem Tool auszustatten, das eine bessere Kommunikation mit Patienten ermöglicht.

Und ich glaube, wenn Menschen Angst haben, wollen sie eine gute Kommunikation. Und das führt zu einem zweiten Teil: Wir verwenden große Sprachmodelle als Ressourcen zur Erleichterung der Kodierung und zur Verbesserung bioinformatischer Workflow-Tools, die auf die Mikrobiomanalyse spezialisiert sind. Aber wir nutzen sie auch, um zwei Frontends für unser Datenökosystem zu schaffen. 
So kann die KI helfen, die Maschine zu unterstützen, die alle Daten aus der Krankenakte eines Patienten, aus dem analytischen Rahmen eines Patienten, seinem Mikrobiom, seinem Blutdruck, seiner Blutchemie usw. analysiert.

Wir können diese Maschine nutzen und all diese Daten beispielsweise mit KI und großen Sprachmodellen verarbeiten. Aber wir können auch grafische Benutzeroberflächen (GUIs) auf der Außenseite platzieren, so dass ein Patient einfache Fragen über eine App mit seinen eigenen Daten stellen kann und diese Daten in ein größeres Daten- und Wissensökosystem einbringen kann, das es ihm ermöglicht, die Fragen zu stellen, die ihm zu peinlich sind oder die er seinem Arzt nicht stellen möchte. 
Stellen Sie sich die Situation vor, dass Sie eine Krebsdiagnose erhalten. Ich hoffe, dass Ihnen das noch nie passiert ist. Mir und meiner Familie ist es passiert, und ich vertraue mir, dass Sie in der Nacht um drei Uhr morgens aufwachen und Google fragen, was das ist und ob es das ist, was es bedeutet, und Sie können sehr schnell in sehr dunkle Löcher geraten, weil die bereitgestellten Informationen nicht sehr zugänglich oder beängstigend sind oder ein Übergewicht an sehr negativen Ergebnisberichten und nicht genügend positiven Berichten oder einfach falsche Informationen enthalten.

Stellen Sie sich also vor, wir würden Ihnen eine App geben. Ihr Arzt gibt Ihnen eine App und sagt: "Anstatt Google zu benutzen, würde ich Sie bitten, diese App zu benutzen. Diese App wurde auf der Grundlage aller verfügbaren wissenschaftlichen Daten trainiert, und ich kann Ihnen eines garantieren: Diese App wird Ihnen die besten Antworten geben. Es sind die Antworten, die ich geben würde, wenn ich die Zeit hätte und um drei Uhr morgens wach wäre. Nutzen Sie also diese App, um Ihre Fragen zu beantworten.

Ärzte müssen in der Lage sein, Daten zu interpretieren und mit ihnen umzugehen. Sie verlassen sich sehr stark auf ihre Ausbildung, wenn es darum geht, ein fMRT-Bild zu interpretieren oder die verschiedenen Werte für verschiedene Blutchemie-Marker zu verstehen, oder? Darin sind sie sehr gut ausgebildet. Das ist großartig. Aber stellen Sie sich vor, Sie könnten uns eine klinisch relevante Frage zu einem viel breiteren Datensatz stellen - und sagen: Meiner Erfahrung nach sind diese Merkmale, die ich bei meinen Patienten sehe, als XYZ zu interpretieren, als ein Ergebnis von Krebs, oder sie leiden an Typ-2-Diabetes. Welche anderen Krankheitsergebnisse könnten diese Marker auf der Grundlage der verfügbaren Literatur vorhersagen? Das ist der Punkt, an dem es wirklich spannend wird. 

Ein Patient kann mit Hilfe eines umfangreichen Sprachmodells mit seinen eigenen Daten interagieren, aber das können auch die Ärzte, denn die Ärzte sind immer noch keine Experten für alles.

Und ein Arzt kann nicht Experte für alle Krankheiten sein. Das funktioniert einfach nicht. Aber wir können KI nutzen, um diese Art von Fähigkeit zu fördern. Mit Hilfe von Klassifizierungsregressionsaufgaben, Aufmerksamkeitsmodellen und sogar Transformationsmodellen können wir wirklich damit beginnen, maschinelle Lernmodelle wie Random Forest oder Vektormaschinen zu erstellen, die Standardarbeitspferde in unserem System sind, um Datensätze zu trainieren, die dann in die Tiefe gehen und Dinge wie digitale Zwillinge aufbauen könnten, so dass ich einen digitalen Zwilling von Miguel erstellen und diesen digitalen Zwilling verwenden könnte, um verschiedene Behandlungsszenarien zu testen, oder? Auf der Grundlage all Ihrer verfügbaren Daten können Sie herausfinden, welches Behandlungsszenario für Sie am besten geeignet ist, um kontrafaktische Szenarien, wie z. B. die Reaktion auf die Ernährung, vorherzusagen. Wie sollten Sie sich ernähren, während Sie Ihre Medikamente einnehmen? Diese Funktionen können uns unglaublich dabei helfen, den Wert des Einsatzes dieser sehr leistungsfähigen KI-Tools zu verdeutlichen, um Ergebnisse wie Behandlungs- und Reaktionsvariablen zu erleichtern.

Moderator: Ich denke, wir alle wissen, dass KI ihre Grenzen hat, wie z. B. Halluzinationen. Was haben Sie über die praktischen Herausforderungen gelernt, und wie werden diese Ihrer Meinung nach in Zukunft angegangen?

Jack: Ja, Halluzinationen sind ein echtes Problem, besonders bei großen Sprachmodellen. Wir können das reduzieren, indem wir nur die zugrunde liegenden Datenrahmen aktivieren, um statistische Ergebnisse zu erleichtern. Was ich damit meine, ist, dass ein großes Sprachmodell halluziniert, weil es versucht, Text zu nehmen, der eine Halluzination der Person ist, die ihn geschrieben hat, und ihn mit anderen Textstücken zu kombinieren und das zu verwenden, um mehr Text vorherzusagen, richtig? Aber wenn man Statistiken verwendet, was KI erleichtern kann, wenn sie entsprechend geschult ist, um Daten zu interpretieren, buchstäblich Einsen und Nullen, die mit definierten quantifizierbaren Metriken verbunden sind, dann kann man ein viel stärkeres, effektiveres Ergebnis erzielen, das aber auch Grenzen hat, oder? Man kann nicht über Mathe hinaus halluzinieren.

In der Mathematik ist es schwer, zu halluzinieren, weil sie definierte Grenzen hat. Es gibt sicher Mathematiker, die das anders sehen, aber für das klinische Mikrobiom und biomedizinische Wissenschaftler wie mich gibt es Grenzen. Wir können also die KI nutzen, um die Hypothese innerhalb dieser Grenzen zu testen. Indem wir die Grenzen der Datenschichten definieren, die das System nutzen kann, können wir eine KI effektiver trainieren, damit sie mit größerer Wahrscheinlichkeit ein korrektes Ergebnis liefert. Was ich damit meine, ist, dass ein System viele Halluzinationen sieht, wenn es ein Manuskript aus dem Internet nimmt, richtig? Es versucht zu interpretieren, wie der Text und die Informationen in den Abbildungen zu verstehen sind, was sie aussagen sollen.

Und vergessen Sie nicht, dass es dabei nicht sein tiefes Wissen über diese Umgebung nutzt. Es versucht lediglich, Informationen zu ziehen und sie mit anderen Datenquellen zu vergleichen. Es versucht fast augenblicklich zu lernen, was diese Informationen sein könnten. Wir können also die Datenschichten nehmen und sie KI-fähiger machen, sogar für große Sprachmodelle, richtig? Wir können dieses große Sprachmodell mit einer Datenschicht ausstatten, die die Wahrscheinlichkeit dieser Halluzinationen verringert.

Bei den Mikrobiomdaten tun wir das, indem wir nicht nur die Dichte der Beobachtungen des Mikrobioms verbessern, damit wir sehen können, was oben und unten passiert, was die Veränderungen im Laufe der Zeit angeht, sondern indem wir sie auch quantifizierbar machen. Anstelle des prozentualen Anteils einer bestimmten Bakterienart im Körper nutzen wir jetzt die Häufigkeit einer Bakterienart oder einer Funktion in Form von zellulären Einheiten pro Gramm Kot, richtig.

Man kann also sagen, dass man für Halobacterium pronitii 12,3 Milliarden Zellen pro Gramm Kot haben könnte. Das ist jetzt eine quantifizierbare Kennzahl, die über sehr große Datensätze hinweg vergleichbar ist, wenn sie alle quantifizierbar sind. Indem wir also die Analyse der Mikrobiomdaten revolutionieren und sie den Ergebnissen der Blutchemie, die quantifizierbar sind, oder den fMRI- und CAT-Scan-Ergebnissen, die ebenfalls quantifizierbar sind, sehr viel ähnlicher machen, können wir diese Datenebenen in eine vergleichbare quantifizierbare Metrik einordnen, was die Wahrscheinlichkeit, dass eine KI ein Ergebnis auf der Grundlage einer Art von Halluzination fehlinterpretieren kann, erheblich verringert. Natürlich überspringe ich hier eine ganze Reihe möglicher Auswirkungen. Aber das andere große Anliegen, das uns beschäftigt, ist die ethische Betrachtung des Ganzen.

In unserer Studie, in der wir große Sprachmodelle verwenden, um die Kommunikation zwischen Ärzten und Patienten zu verbessern, wussten die Patienten, dass sie mit einem großen Sprachmodell angesprochen werden würden, d. h. sie wussten, dass die Wahrscheinlichkeit besteht, dass sie mit einem großen Sprachmodell angesprochen werden. Sie waren sich des Paradigmas der Studie, an der sie teilnahmen, bewusst. Sie mussten es absegnen, denn das ist eine ethische Notwendigkeit. Aber wenn wir uns auf die schnelle Einführung dieser Technologien zubewegen, wenn man sehr verletzlich ist, wenn man ein Patient ist und sein Leben in die Hände eines Chirurgen oder möglicherweise jetzt eines chirurgischen Roboters legt, dann muss das menschliche Vertrauen dem Niveau und den Fähigkeiten dieser Technologie entsprechen. Und ganz ehrlich: Selbst wenn ein Roboter oder ein KI-System bessere Arbeit leistet als ein Mensch, vertrauen wir aufgrund unserer sozialen, genetischen und evolutionären Programmierung viel eher dem Menschen, selbst wenn er es schlechter machen würde, oder? Es ist also sehr wichtig zu verstehen, dass Menschen angeblich fehlbar sind, aber wir sind genetisch und evolutionär darauf programmiert, Menschen mehr zu vertrauen als Robotern. 
Wir arbeiten in einem ethischen Rahmen, in dem wir in der Lage sein müssen, die Menschlichkeit im System zu erhalten, damit wir in einem klinischen Umfeld effektivere Unterstützungsnetzwerke haben.

Moderator: Eine letzte Frage: Was ist die vielversprechendste KI-Anwendung in der Gesundheitsforschung, die Sie dieses Jahr gesehen haben?  

Jack: Das ist eine sehr schwierige Frage, denn es gibt KI in Bereichen, die jetzt schon verfügbar sind, oder? 
Im klinischen Umfeld und dann gibt es KI im Forschungsbereich, die noch nicht ganz einsatzbereit ist. Ich werde also mit dem ersten beginnen. Ich habe die Wahrscheinlichkeit erwähnt, dass wir in der Lage sein werden, KI zu nutzen, um die finanzielle Effizienz eines Krankenhauses zu erhöhen, und das ist die Art und Weise, wie die Abrechnung erfolgt, um eine effektivere und unterstützende Fluktuation unserer Patientenpopulationen zu gewährleisten und sicherzustellen, dass wir die Risiken für die Patienten reduzieren und gleichzeitig die finanzielle Nachhaltigkeit einer Einrichtung optimieren. Und das wird bereits in unterschiedlichem Maße genutzt.

Die Menschen neigen dazu, sie in einigen Bereichen effektiv zu nutzen und in anderen nicht, und einige Gruppen sind weniger geneigt, sie zu übernehmen. Aber es gibt viele Beratungsunternehmen, die jetzt mit Krankenhäusern zusammenarbeiten, um diese Technologien zu implementieren, sie zu testen und ihre Wirksamkeit zu demonstrieren. Ich bin daher sehr zuversichtlich, dass innerhalb von fünf Jahren die meisten Krankenhäuser, vor allem in den USA, irgendeine Art von Optimierungssoftware einsetzen werden, um sicherzustellen, dass ihre finanzielle Nachhaltigkeit und Effizienz im Mittelpunkt des Betriebs der Organisation stehen.
Die Chief Financial Officers und die Chief Technology Officers arbeiten sehr eng zusammen, um dies zu ermöglichen, nicht wahr? Und das ist ein wichtiger Bestandteil der Schaffung nachhaltiger Gesundheitssysteme.

Der andere Teil wird bereits bei der Bilderkennung und -analyse eingesetzt. Durch den Einsatz von KI-Frameworks wird also die Wahrscheinlichkeit erhöht, dass ein CT- oder MRT-Scan zuverlässig erkannt werden kann, richtig? Die Ergebnisse dieser KI-Modelle werden von Ärzten und Technikern genau geprüft, um sicherzustellen, dass die Wahrscheinlichkeit eines falsch negativen Ergebnisses deutlich sinkt.

Denn ein falsches Positiv ist doch in Ordnung, oder? Wenn wir denken, dass da etwas ist, lassen wir es noch ein paar Mal scannen: Okay, eigentlich stimmt es nicht ... es geht Ihnen gut, entschuldigen Sie den Schreck, aber ein falsches Negativ ist potenziell lebensbedrohlich. Stellen Sie sich vor, die KI hat keinen Hirntumor entdeckt: Sie haben tatsächlich ein Glioblastom. Das ist ein großes Problem. Es tut mir sehr leid. Wir haben sechs Monate gewartet, und jetzt ist es da..... Man will also keine falschen Negativmeldungen, man will sicherstellen, dass das KI-System, wenn überhaupt, ein wenig zu eifrig bei der Vorhersage ist.

Und das ist ein wichtiger Teil der Sache. Aber diese Technologien werden bereits eingesetzt. Sie werden in einem Maße eingesetzt, das recht effektiv ist. An der Forschungsfront geht es, wie gesagt, viel mehr um das KI-System, von der Verbesserung unserer bioinformatischen Arbeitsabläufe und der KI-Plattformen, die wir bei BiomeSense einsetzen, bis hin zur Verbesserung der Annotationsstruktur und der Sicherstellung, dass die Dinge im Mikrobiombereich genauer sind.

Aber bei der Patientenversorgung geht es vor allem um die Vorhersage der Fähigkeit, die Ergebnisse der Gesundheitsfürsorge bei einer Person im Forschungsumfeld zu optimieren. Es geht also um die genaue Vorhersage der Ernährung, die eine Person einnehmen sollte, um ein bestimmtes physiologisches Ergebnis zu erzielen. Sollte man zum Beispiel Blaubeeren essen? Wann sollte man Blaubeeren essen? Welche Konzentration von Blaubeeren sollte man essen? Und können wir das für Ihre Physiologie optimieren? Können wir das zum Beispiel an Ihrem digitalen Zwilling testen? Diese Prozesse sind also sehr spannend.

Einer meiner engen Kollegen, der auch einer meiner ehemaligen Doktoranden ist, Sean Gibbons, steht an der Spitze der Entwicklung einiger dieser Technologien. Andere führende Köpfe auf diesem Gebiet sind Rob Knight hier an der UCSD, Curtis Hutton-Howard drüben in Harvard und Leute wie Geran Segal am Weisman-Institut in Israel, die wirklich an der Spitze der Anwendung einiger dieser Technologien stehen, um vorherzusagen, wie diese Systeme effektiv funktionieren, um die Gesundheit und die Optimierung der Gesundheit in unseren Forschungspopulationen zu unterstützen. Aber auch hier sind wir noch im Forschungsbereich.

Moderator: Okay, vielen Dank, Jack, für Ihre Mitarbeit und herzlichen Glückwunsch zu Ihrer Arbeit.

“Hier kann die KI ein enormes Potenzial freisetzen. Die Stärken der KI bei unseren Überprüfungen liegen in der Fähigkeit, Daten aus diesen Formaten zu erfassen, zu klassifizieren und zu extrahieren und all diese Dokumente in verwertbare Informationen zu verwandeln. Mit KI geht das nicht nur schneller, sondern, wenn man es richtig macht, auch zuverlässiger und in jedem Fall viel skalierbarer sowie zeit- und ressourcenunabhängiger.” - Serafin Bäbler 

Moderator: Heute haben wir auch Serafin Bäbler zu Gast, er ist der Leiter der BPS-Operationen für Kontinentaleuropa bei SPS. Danke, Serafin, dass du heute hier bist. Also, wir haben den Einsatz von KI im Forschungsprozess gesehen, aber wir hören immer mehr von einer großen Revolution im Hinblick auf 
 

Serafin: Ja, absolut. Was wir jetzt in diesem Bereich sehen, ist eine echte unsichtbare KI-Revolution im Gesundheitswesen. Warum ist das so? Lassen Sie mich mit einem Bild beginnen. Wir sehen KI oft als unsichtbare Roboter, die im Gesundheitswesen vielleicht Operationen durchführen oder Modelle zur Erkennung von klinischen Dingen wie Tumoren erstellen. Aber hinter all dem verbirgt sich ein leiserer, ebenso mächtiger Wandel, der gerade stattfindet. Und SPS ist Teil dieses Spiels. Die Revolution besteht darin, wie Informationen im Gesundheitswesen fließen. 
Wir denken im Gesundheitswesen an riesige Mengen von Dokumenten, die zwischen Leistungserbringern, Versicherern und Patienten hin und her gehen. Dabei kann es sich um Formulare, Überweisungen, Kostenabrechnungen, medizinische Berichte, Laborergebnisse und so weiter handeln. Und die meisten dieser Daten oder Dokumente sind unstrukturiert. Vieles davon ist immer noch papierbasiert oder in verschiedenen PDF-Formularen vergraben. 
Hier kann KI ein enormes Potenzial freisetzen. Die Stärken der KI bei unseren Überprüfungen liegen in der Fähigkeit, Daten aus diesen Formaten zu erfassen, zu klassifizieren und zu extrahieren, um all diese Dokumente in verwertbare Informationen zu verwandeln. Mit KI ist das nicht nur schneller, sondern, wenn man es richtig macht, auch zuverlässiger und in jedem Fall viel skalierbarer sowie zeit- und ressourcenunabhängiger.

Moderator: Okay, und wo sehen Sie aus Ihrer Sicht die unmittelbarsten operativen Auswirkungen der KI?

Serafin: Ja, gute Frage. Unmittelbar. Ich, als Privatperson, manchmal auch als Patient von Gesundheitseinrichtungen, sehe ein riesiges Potenzial in dieser ganzen ein- und ausgehenden Kommunikation, die ich, aber auch die verschiedenen Einrichtungen im Gesundheitswesen haben. Also die Kommunikation untereinander auf der Basis von Dokumenten.

Und eine Einrichtung des Gesundheitswesens, da bin ich mir ziemlich sicher, wird jeden Tag von E-Mails überflutet, von eingescannten Dokumenten, die sie erhalten, oder von Postbriefen mit allen Dokumenten, die ich zuvor erwähnt habe. Und sie brauchen eine effiziente Triagierung. Das bedeutet also, dass sie die Person erreichen, die etwas dagegen tun muss, und dass sie eine Interpretation benötigen und dass man die Operation oder die Behandlung weiterverfolgen kann. Hier sehen wir also ein unmittelbares Potenzial, den Patienten zu helfen, ihre Behandlung schneller und mit weniger Hin- und Her-Kommunikation zu erhalten. Das sind nicht die Roboter, die ich vorhin erwähnt habe, die operieren. Nein, es handelt sich eher um KI-Anwendungen im Hintergrund, aber sie sind aus unserer Sicht genauso entscheidend wie Operationsroboter. KI kann diese Dokumente, die ich zum Beispiel an eine Gesundheitseinrichtung geschickt habe, um mich behandeln zu lassen, mehr oder weniger in Echtzeit zuverlässig analysieren.

Wenn ich sie einschicke, können sie automatisch klassifiziert werden. Und wenn man es richtig macht, sogar so priorisieren, dass die höchste Priorität in den To-Do-Listen an einer entsprechenden Stelle auftaucht. Durch den Einsatz von KI in diesem Bereich sind wir absolut sicher, dass wir dem medizinischen Personal jeden Tag eine Menge Stunden und manuelle Arbeit ersparen.

Moderator:  Wir alle wissen, dass es viele Prozesse gibt, die durch KI verbessert werden könnten, um die Produktivität zu steigern oder die Art und Weise, wie wir Dinge tun, zu verändern. Aber welche Prozesse im Gesundheitswesen profitieren Ihrer Meinung nach am meisten von einer KI-gestützten Transformation?

Serafin: Ja, ja. Wir haben uns also die Volumina pro Prozessart angeschaut und natürlich auch, wo ein unmittelbares Potenzial in der Automatisierung liegt. Und wir haben in Gesprächen mit unseren Kunden die folgende Liste von Prozessen erstellt, bei denen wir glauben, dass das KI-Potenzial ziemlich praktisch und verfügbar ist.

Also erstens in der Schadenbearbeitung, denn ein Schaden bedeutet, dass es mehr oder weniger eine Rechnung gibt, die bezahlt werden muss. Das ist ein Prozess mit hohem Volumen, der bestimmten Regeln folgt, bestimmten Geschäftsregeln, und durch die Automatisierung der Geschäftsregeln können wir sehen, dass man schneller und zuverlässiger zu einer erfolgreichen Schadenbearbeitung kommt.

Dann ist die gesamte Überweisungsverwaltung etwas, das viel Zeit des medizinischen Personals in Anspruch nimmt, und durch die Automatisierung können wir diese Ressourcen freisetzen, um mit tatsächlichen Personen zu sprechen und weniger in Papierkram zu versinken.

Das Gleiche gilt für die Indexierung von medizinischen Berichten. Es besteht ein enormes Potenzial, die Indizierung präziser zu gestalten und somit Zeit für die medizinischen Experten freizumachen, damit sie sich den Bericht tatsächlich ansehen können und nicht nach ihnen suchen müssen. Außerdem ist die Gesundheitsbranche ein Spinnennetz aus Verträgen. Daher glauben wir fest daran, dass ein angemessenes, durch KI unterstütztes Management des Vertragslebenszyklus in einigen Fällen die Effizienz des gesamten Ökosystems im Gesundheitswesen steigern kann.

“Die Revolution liegt in der Art und Weise, wie Informationen im Gesundheitswesen fließen [...] Durch den Einsatz von KI in diesem Bereich sind wir absolut sicher, dass wir jeden Tag eine riesige Menge an Stunden und manueller Arbeit des medizinischen Personals einsparen.” - Serafin Bäbler 

Moderator:  Soweit ich weiß, arbeiten Sie auch mit Krankenversicherern in Projekten wie z.B. Sanitas zusammen. Welche wichtigen Erkenntnisse können Sie aus dieser Art von Projekten gewinnen?

Serafin: Ja, das war für mich persönlich ein sehr interessantes Projekt, denn kurz nachdem ich zu SPS gekommen war, hatten wir die großartige Gelegenheit, dem Schweizer Krankenversicherer Sanitas bei seinem Inbound-Management, dem Inbound-Dokumentenmanagement, zu helfen. Und einer der Erfolgsfaktoren war eindeutig, dass es sich bei dem Integrationsprojekt von Anfang an um eine Zusammenarbeit zwischen Sanitas als unserem Kunden und uns handelte. Das Ziel und was wir erreicht haben, ist die Automatisierung des gesamten eingehenden Dokumentenflusses für diese Versicherungsgesellschaft. Und wie Sie sich vorstellen können, handelt es sich dabei um Papier, das in Form von Briefen verschickt wird, aber auch um E-Mails, Uploads über Portale usw.

Die Herausforderung bestand zu diesem Zeitpunkt darin, dass die Extraktions-, Klassifizierungs- und Nachverfolgungsprozesse nicht für alle Eingangskanäle gleich waren. Nehmen wir ein Beispiel: Wenn eine Information per Brief eintrifft, wurde sie auf diese Weise extrahiert und auf diese Ebene gebracht. Wenn sie über einen anderen Kanal kam, ging sie einen anderen Weg. Was wir mit diesem Prozess erreicht haben, ist, dass jede Information, egal ob sie Sanitas per Brief oder per E-Mail erreicht, die gleichen Klassifizierungs- und Extraktionsschritte durchläuft.

Das ermöglicht sehr schlanke und effiziente Back-Office-Prozesse, da man sich nicht darum kümmern muss, ob es sich um einen Brief oder eine E-Mail handelt.

Und das war im Grunde möglich, weil wir nicht nur automatisiert haben, was wir gesehen haben. Wir haben zunächst die gesamten Prozessschritte festgelegt und vereinfacht, bevor wir mit der IT-Abteilung und unseren Geschäftsanalysten in die eigentliche Implementierungsphase gingen. Wir haben uns also die Situation genau angeschaut und die Prozesse zusammen mit Sanitas überarbeitet, die Kategorien neu definiert, die Falltypen in diesen Eingangskanälen gestrafft und dann die KI die sich wiederholende Arbeit übernehmen lassen. Diese Arbeit wird jedoch von der KI erledigt.

Eine weitere wichtige Erkenntnis ist, dass dieses Konzept des „Human in the Loop“ von entscheidender Bedeutung war, um das Qualitätsniveau zu erreichen, das für die Verarbeitung der Informationen bei Sanitas in ihren Prozessen erforderlich ist, die nach unserer Extraktion folgen. Wir garantieren in der Regel 99 % + korrekte Ergebnisse, und das ist in diesem Fall, selbst nach vielen Verbesserungen, immer noch eine Kombination aus der richtigen künstlichen Intelligenz zusammen mit dem Menschen in der Schleife für manuelle Korrekturen und Qualitätskontrolle.

Moderator: Okay, ich denke, die Anwendung ist immer effektiver mit einer Liste von Ratschlägen oder Schlüsselstrategien. Was sollten Führungskräfte im Gesundheitswesen bedenken, bevor sie eine KI-Reise antreten?

Serafin: Wählen Sie einen Bereich oder einen Geschäftsfall, der, ich würde sagen, klein genug ist, dass man ihn mit einem vernünftigen Team bewältigen kann, aber wählen Sie ihn strategisch. Ich gebe ein Beispiel: Bei einer Krankenkasse wäre das wahrscheinlich, wie ich schon sagte, die Schadensabwicklung.

Wählen Sie einen Bereich, der sozusagen schmerzhaft genug ist, dass er die Sichtbarkeit im Unternehmen und die Bedeutung hat. Und zweitens: Wählen Sie Ihre technische Outsourcing-Landschaft so, dass sie gut zu Ihren eigenen Kernsystemen passt.

Wählen Sie einen Partner, der über bewährte Schnittstellen zu den gängigen Kernsystemen verfügt, um sicherzustellen, dass an dieser Schnittstelle die Daten korrekt importiert/exportiert werden.

Und drittens: Sprechen Sie mit Ihrem Outsourcing-Partner, z.B. SPS, über Erfolgsmetriken. Was ist am Ende des Tages wirklich wichtig für eine erfolgreiche Zusammenarbeit? Ist es eine Einsparung, die Sie erreichen möchten? Und wenn ja, in welchem Bereich sollte die Einsparung sichtbar und messbar sein? Ist es die Durchlaufzeit, die Sie z.B. bei bestimmten Dokumentenflüssen verbessern möchten und wenn ja, welche, oder ist es, dass Sie Ihre Kundenzufriedenheit verbessern möchten?

Definierte Erfolgskennzahlen helfen nicht nur, den Outsourcing-Partner wie SPS auf Ihre eigenen Ziele abzustimmen, sondern auch, das KI-Projekt intern und extern gut zu kommunizieren.

Moderator: Diese Frage habe ich auch Jack gestellt, und es ist großartig, die allgemeinen Gedanken über die KI-Möglichkeiten der Zukunft zu vergleichen. Wo sehen Sie derzeit die größten Chancen für die KI-Generation? 

Serafin: Ja, generative KI mit ChatGPT, aber auch all diese anderen großen Sprachmodelle, die sich erst in den letzten Monaten enorm weiterentwickelt haben, sind sehr leistungsstark, wenn es um die Zusammenfassung und Interpretation alter Dokumente geht.

Ich habe bereits ein wenig über die Extraktion und Formung von Daten usw. gesprochen, aber generative KI mit großen Sprachmodellen kann eine ganz andere Ebene der Prozessverbesserung durch KI hinzufügen.

Stellen Sie sich mit generativer KI im Vergleich zu klassischer KI ein Tool vor, das mehrere Berichte mit verschiedenen Seiten liest und ihnen eine operative Zusammenfassung gibt oder eine Antwort auf bestimmte Fragen, die uns gestellt wurden, oder sogar Entwürfe von Antworten an Kunden in natürlicher Sprache und in jeder Sprache erstellen kann, denn neben den Themen, die ich gerade erwähnt habe, hat generative KI, denke ich, auch die Übersetzungen vom Englischen in jede Sprache und umgekehrt stark verbessert.

Das ist wirklich ein großer Schritt nach vorn mit der generativen KI. Wir sind bereits bei der SPS und testen sie, weil wir sehr an diesen Möglichkeiten mit Partnern interessiert sind. Aber vor allem, wenn man kritische Daten austauscht. Es ist sehr wichtig, dass dies auf kontrollierte, überwachte Weise geschieht, denn generative KI mit großen Sprachmodellen hat immer ein Feedback. Sie haben immer eine Antwort auf eine Frage.

Und wir glauben, dass der Mensch in der Schleife für die Qualitätskontrolle zusammen mit der neuen Leistung der generativen KI der industrialisierte Weg ist, wie sie einen Mehrwert für Gesundheitsprozesse usw. schaffen kann. Mit spezialisierter KI und nicht mit Allzweck-Chatbots werden wir in regulierten Bereichen wie dem Gesundheitswesen gewinnen, da diese besondere Anforderungen an kontrollierte und überwachte Verfahren stellen.

Moderator: Okay, das war die letzte Frage für heute. Vielen Dank, Serafin, dass du hier bist. Und ich danke Ihnen allen, dass Sie sich diese Folge angehört haben. Ich lade euch ein, unseren Podcast zu abonnieren, wenn ihr das noch nicht getan habt, damit ihr über kommende Folgen informiert werdet. Denken Sie daran, Sie können uns auf Spotify, Amazon und Apple anhören. Nochmals vielen Dank, und bis zur nächsten Folge!