Künstliche Intelligenz in der Diagnostik von Hypercholesterinämie: Eine Wiener Studie.
Diese Masterarbeit untersuchte das Potenzial und die Akzeptanz von Künstlicher Intelligenz (KI) zur Verbesserung der Diagnostik von Hypercholesterinämie (hoher LDL-Cholesterinspiegel) in Wiener öffentlichen Krankenhäusern. Hypercholesterinämie ist ein Hauptrisikofaktor für Herz-Kreislauf-Erkrankungen (CVD).
Die qualitative Studie basierte auf Interviews mit führenden Kardiologen und Endokrinologen.
Die Arbeit gibt Empfehlungen für eine effizientere Integration von KI in die klinische Praxis und zukünftige Forschungsrichtungen.
Inhaltsverzeichnis
1 Einleitung
1.1 Ziele und Forschungsfragen
1.1.1 Ziele der Arbeit
1.1.2 Forschungsfragen
1.2 Methoden und Aufbau der Arbeit
1.2.1 Methoden
1.2.2 Aufbau der Arbeit
2 Status Quo Hypercholesterinämie und Kardiovaskuläre Risikostratifizierung
2.1 Diagnose der Hypercholesterinämie
2.1.1 Hypercholesterinämie
2.1.2 Herausforderungen bei der Diagnostik der Hypercholesterinämie
2.2 Einstellung von Ärzten zu KI in Wien
2.2.1 Allgemeine Akzeptanz der neuen Technologien
2.2.2 Erklärbarkeit der KI
2.2.3 Ethische und rechtliche Aspekte
2.2.4 Qualifizierung und Anpassung
2.2.5 Forschung und Entwicklung von KI
2.2.6 Einsatz von KI in den Krankenhäusern in Wien und Österreich
2.2.7 Deep-Learning-Algorithmen für Bilddiagnostik und Zeitreihenanalyse
2.2.8 Natural Language Processing (NLP)
2.2.9 Machine Learning für die CVD-Risikovorhersage
2.3 Nachteile beim Einsatz von KI bei der Diagnostik der Hypercholesterinämie
2.3.1 Blackbox
2.3.2 KI zwischen Konkurrenz und Assistenz
2.3.3 Kosten und Ressourcenaufwand
2.3.4 Vertrauen
2.3.5 Datenqualität und Verfügbarkeit
2.3.6 Technologische Barrieren und hohe Erwartungen der Anwenderinnen und Anwender
2.4 Potenziale von KI in der medizinischen Diagnostik
3 Empirischer Teil
3.1 Die Forschungsmethode
3.2 Auswahl der Experten und Expertinnen
3.3 Analyse der Interviews
3.3.1 KI-Anwendungen in den Krankenhäusern des Wiener Gesundheitsverbundes
3.3.2 Potenzial von KI in der Diagnostik der Hypercholesterinämie
3.3.3 Überlegungen und Hindernisse in Bezug auf die Implementierung von KI
3.3.4 Funktionsweise der KI verstehen
3.3.5 Rolle der Ärzte und Ärztinnen im Zusammenhang mit KI
4 Analyse der Ergebnisse
4.1 Ergebnis 1: Stand der KI-Anwendungen in der Diagnostik der Hypercholesterinämie in den Krankenhäusern des Wiener Gesundheitsverbundes
4.1.1 Ergebnis 2: Potenzial der KI-Anwendungen in der Diagnostik von Hypercholesterinämie
4.1.2 Ergebnis 3: Einstellungen der in den Krankenhäusern des Wiener Gesundheitsverbundes tätigen Ärztinnen und Ärzte zum Einsatz von KI in der Diagnostik
5 Handlungsempfehlungen
6 Literaturverzeichnis
Anhang
Anlage A: Expertinnen/Experten Fragebogen
Zielsetzung & Themen
Die vorliegende Arbeit untersucht das Potenzial von Künstlicher Intelligenz (KI) zur Verbesserung der diagnostischen Genauigkeit bei Hypercholesterinämie sowie deren Akzeptanz bei medizinischem Fachpersonal in öffentlichen Krankenhäusern in Wien. Zentral ist dabei die Forschungsfrage, wie KI aktuelle diagnostische Limitationen reduzieren kann und welche Einstellungen Ärztinnen und Ärzte dazu haben.
- Analyse des Status Quo der KI-Nutzung in der medizinischen Diagnostik
- Untersuchung der Akzeptanzfaktoren für KI unter Verwendung des Technologieakzeptanzmodells (TAM)
- Identifikation von Hindernissen und Barrieren bei der Implementierung von KI im klinischen Alltag
- Bewertung des Potenzials von Machine Learning und Deep Learning für die kardiovaskuläre Risikostratifizierung
- Ableitung von Handlungsempfehlungen zur Implementierung von KI-Systemen in Krankenhausumgebungen
Auszug aus dem Buch
2.2.1 Allgemeine Akzeptanz der neuen Technologien
Die allgemeine Akzeptanz der neuen Technologien ist am besten durch das Technologieakzeptanzmodell (TAM) zu erklären. Das TAM wurde entwickelt, um zu verstehen, wie die Anwenderinnen und Anwender neue Technologien annehmen und nutzen. Es wird häufig verwendet, um Verhaltensaspekte der Technologieimplementierung und Akzeptanz zu erfassen (Schmidt et al., 2020). Im TAM wurde die Theorie des überlegten Handelns speziell auf das Nutzen von Informationstechnologie angepasst (Davis, 1993a). Die Ergebnisse von Davis (1993) zeigten, dass die Nützlichkeit der Informationssysteme für die Endnutzerinnen und Endnutzer eine starke Wirkung auf ihre effektive Nutzung hatte. Der wahrgenommene Nutzen hatte einen um 50 % größeren Einfluss auf die effektive Nutzung als die Benutzungsfreundlichkeit. Mit diesen Ergebnissen konnte die Bedeutung der Integration entsprechender funktionaler Fähigkeiten in neue Systeme aufgezeigt werden. In Abbildung 1 sind die einzelnen Schritte der Akzeptanz neuer Technologien abgebildet (Davis, 1993b).
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in das Thema kardiovaskulärer Erkrankungen und die Bedeutung der Hypercholesterinämie ein und skizziert das Forschungsziel zur Untersuchung von KI in diesem Kontext.
2 Status Quo Hypercholesterinämie und Kardiovaskuläre Risikostratifizierung: Dieses Kapitel erläutert aktuelle Diagnosemethoden und stellt den theoretischen Rahmen zur Technologieakzeptanz sowie Potenziale und Hindernisse von KI in der medizinischen Diagnostik dar.
3 Empirischer Teil: Der empirische Teil beschreibt das qualitative Forschungsdesign mittels Experteninterviews und analysiert die Erkenntnisse zur Nutzung und Akzeptanz von KI in Wiener Krankenhäusern.
4 Analyse der Ergebnisse: Hier werden die empirischen Interviewergebnisse mit der theoretischen Literatur verknüpft und die Standpunkte sowie Einstellungen des medizinischen Fachpersonals diskutiert.
5 Handlungsempfehlungen: Abschließend werden strategische Empfehlungen für Entscheidungsträger zur Implementierung von KI-Anwendungen in den klinischen Arbeitsalltag formuliert.
Schlüsselwörter
Künstliche Intelligenz, KI, Hypercholesterinämie, Herz-Kreislauf-Erkrankungen, CVD, Kardiovaskuläre Risikostratifizierung, Diagnostik, Akzeptanz, Technologieakzeptanzmodell, TAM, Machine Learning, Deep Learning, Wiener Gesundheitsverbund, Klinische Entscheidungsunterstützung, Präventivmedizin.
Häufig gestellte Fragen
Worum geht es in dieser Master-Thesis grundlegend?
Die Arbeit untersucht den Einsatz von Anwendungen auf Basis künstlicher Intelligenz (KI) als klinische Unterstützung bei der Diagnose von Hypercholesterinämie in öffentlichen Krankenhäusern in Wien.
Welche zentralen Themenfelder behandelt die Studie?
Zu den Schwerpunkten zählen der Status Quo der Diagnostik, die Einstellung des ärztlichen Personals gegenüber KI, technologische Potenziale (insbesondere Machine und Deep Learning) sowie Barrieren bei der Implementierung.
Was ist das primäre Forschungsziel?
Das Ziel ist es zu klären, wie KI die Diagnostik und Risikoevaluierung unterstützen kann, und die Akzeptanz dieser Technologien aus Sicht der in Wiener Krankenhäusern tätigen Ärztinnen und Ärzte zu analysieren.
Welche wissenschaftliche Methode kommt zum Einsatz?
Es wurde eine qualitative Forschungsmethode angewandt, die auf leitfadengestützten Interviews mit Experten aus den Bereichen Kardiologie und Endokrinologie basiert.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in eine fundierte Literaturrecherche zum Stand der Technik sowie einen empirischen Teil, in dem Interviews mit Experten aus dem Wiener Gesundheitsverbund analysiert und diskutiert werden.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind KI, Hypercholesterinämie, kardiovaskuläre Risikostratifizierung, Akzeptanz, Machine Learning und klinische Entscheidungsunterstützung.
Welche Rolle spielt die "Blackbox"-Problematik in der Arbeit?
Die Arbeit thematisiert die mangelnde Erklärbarkeit von KI-Algorithmen als erhebliches Hindernis für die klinische Akzeptanz, da medizinisches Handeln Nachvollziehbarkeit und Sicherheit erfordert.
Wie stehen die interviewten Ärzte zur Automatisierung ihrer Arbeit?
Die Befragten stehen KI als unterstützendem Werkzeug offen gegenüber, lehnen jedoch eigenständige KI-Systeme ab, die ohne ärztliche Kontrolle Diagnose- und Therapieentscheidungen treffen, da individuelle Patientenbedürfnisse dies ausschließen.
- Quote paper
- Dunja Velde (Author), 2024, Künstliche Intelligenz in der klinischen Entscheidungsunterstützung, Munich, GRIN Verlag, https://www.grin.com/document/1599871
