Anwendung von künstlicher Intelligenz, Machine Learning und Big Data in der Medizintechnik

Aktueller Stand und Entwicklungsmöglichkeiten


Seminararbeit, 2019

26 Seiten, Note: 1,4


Leseprobe

Inhaltsverzeichnis:

Abkürzungsverzeichnis

Abbildungsverzeichnis

1. Einleitung

2. Definition und Abgrenzung des Begriffs Medizintechnik

3. Untersuchung der Begriffe künstliche Intelligenz, Machine Learning und Big Data mit speziellem Bezug auf die Medizintechnik

4. Aktueller Entwicklungsstand in der Medizintechnik
4.1. Erkennung
4.2. Vorbeugung
4.3. Behandlung

5. Welche Entwicklungsmöglichkeiten und Verbesserungspotentiale bietet der Einsatz von künstlicher Intelligenz und wo liegen Grenzen?
5.1. Erkennung
5.2. Vorbeugung
5.3. Behandlung

6. Kritische Würdigung

7. Fazit

Literaturverzeichnis

Abkürzungsverzeichnis

Bundesinstitut für Arzneimittel und Medizinprodukte - BfArM

Bundesministerium für Wirtschaft und Energie - BMWi

Künstliche Intelligenz - KI

Electronical Health Records - EHRs

Abbildungsverzeichnis

Abbildung 1: Überblick Artificial Intelligence

Abbildung 2: Workflow diagram of an AI pediatric diagnosis framework

Abbildung 3: PDX and Personalized Medicine

1. Einleitung

In einer immer älter und zahlreicher werdenden Weltbevölkerung, die mehr medizinische Versorgungsmöglichkeiten als je zuvor besitzt, steht die Gesundheitsversorgung und die Medizintechnik vor zunehmend wachsenden Anforderungen und Veränderungen. Eine der grundlegenden Treiber der Veränderung ist die Digitalisierung und die daraus wachsende Datenmenge, auch Big Data genannt. Diese könnte die Versorgung der Patienten verbessern, eine drohende Kostenexplosion in der Gesundheitsbranche verhindern sowie einem Ärzteengpass entgegenwirken. Durch den Einsatz von künstlicher Intelligenz und Machine Learning Algorithmen können große Datenmengen verarbeitet und daraus Rückschlüsse gezogen werden, um bspw. Ärzte bei der Diagnose und Therapie zu unterstützen. Ebenso entstehen durch den Einsatz von künstlicher Intelligenz komplett neue Branchenverflechtungen und Geschäftsfelder für vorhandene Unternehmen in unterschiedlichsten Branchen. Die Chancen und Anwendungsmöglichkeiten sind unzählig.

In der vorliegenden Arbeit werden exemplarisch Anwendungsbeispiele von Big Data, künstlicher Intelligenz und Machine Learning in der Medizinbranche dargestellt. Ziel der Arbeit ist es, einen Überblick über den aktuellen Entwicklungsstand zu vermitteln sowie eine Prognose zu zukünftigen Entwicklungsmöglichkeiten abzugeben und eventuelle Grenzen aufzuzeigen. Hierfür muss zunächst der Begriff Medizintechnik erläutert und abgegrenzt werden sowie die Begriffe künstliche Intelligenz, Machine Learning und Big Data mit speziellem Bezug zur Medizintechnikbranche definiert werden. Danach wird der aktuelle Entwicklungsstand sowie zukünftige Entwicklungspotentiale anhand der Merkmalsausprägungen von Medizinprodukten untersucht und mit passenden aktuellen Beispielen belegt. Hierfür wurden unterschiedliche literarische Werke herangezogen, welche alle, auch aufgrund der Aktualität des Themas, nach dem Jahr 2000 erschienen sind. Eine detaillierte Darstellung der Suchstrategie befindet sich im Anhang.

2. Definition und Abgrenzung des Begriffs Medizintechnik

Das Themengebiet der Medizin ist umfangreich und befasst sich seit jeher mit der Erkennung und Vorbeugung von Krankheiten sowie deren Behandlung. Aufgrund des beschränkten Umfangs beschäftigt sich die vorliegende Arbeit fortlaufend nur mit einem Teilbereich der Medizin, der Medizintechnik. In diesem Teilbereich werden Medizinprodukte zur Anwendung bei der Erkennung, Vorbeugung und Behandlung am Menschen entwickelt, welche gleichzeitig einer strengen Regulierung unterliegen.1 Die Hauptanwendung von Medizinprodukten ist primär physikalisch, was bedeutet, dass Medizinprodukte im Körper (bspw. Hüftgelenk), sowie am Körper (bspw. Pflaster) Anwendung finden.2 Bei der großen Bandbreite an Medizinprodukten, die von Binden bis zu hochkomplexen Röntgengeräten reicht, ist eine Einordnung in vier Risikoklassen notwendig. Diese dient bspw. um zu bestimmen, wie das Produkt am Menschen angewendet werden kann, ob Daten gesammelt werden und wie das Produkt zugelassen werden kann.3 Laut Schätzungen des Bundesverbands Medizintechnologie (BV-Med) und des Bundesgesundheitsministeriums soll es rund 400.000 unterschiedliche Medizinprodukte geben, die allein in Deutschland zugelassen sind, was wiederum die Vielfalt und die Komplexität der Branche unterstreicht.4

DieMedizintechnik-Branche in Deutschland wächst stark und ist geprägt vonkleinen und mittelständischen Unternehmen (KMU).5 Hierbei handelt es sich um ca. 12.500 Medizintechnik-Unternehmen, wovon knapp 93 % weniger als 250 Mitarbeiter beschäftigen.6 Gleichzeitig hat die Branche einen Gesamtumsatz von knapp 30 Mrd. € und ist mit einer Ausfuhrquote von 65 % stark exportorientiert.7 Außerdem ist die Medizintechnikbranche sehr dynamisch und hochinnovativ, was an der hohen und weiter ansteigenden Zahl an Patentanmeldungen sowie hohen Investitionen abzulesen ist.8 Dieser Trend wird sich Prognosen zufolge weiter fortsetzen, man schätzt ein jährliches Wachstum von knapp 6 % bis 2024. Gründe dafür sind unter anderem die älter werdende Gesellschaft sowie der medizinisch-technische Fortschritt, der bspw. die Behandlung von Krankheitsbildern ermöglicht, die bis vor 10 Jahren nicht behandelbar waren.9 Zukünftig wird der technische Fortschritt ganz neue Anwendungsfelder in der Medizintechnik finden.

3. Untersuchung der Begriffe künstliche Intelligenz, Machine Learning und Big Data mit speziellem Bezug auf die Medizintechnik

„Daten sind die Trittleiter zu einer neuen Erkenntnisstufe. Big Data wird Gesellschaft, Politik und Wirtschaft so grundlegend verändern wie der elektrische Strom und das Internet.“ 10

Das Internet hat unsere Gesellschaft nicht zuletzt dadurch verändert, dass diverse Alltagsaktivitäten in das Internet verlagert wurden, wodurch ständig Daten generiert werden. Durch die automatische Erhebung von Daten sowie deren Austausch wächst das Datenvolumen der Menschheit exponentiell an, was zwangsläufig zu einer Masse an strukturierten und unstrukturierten Daten führt, die mit herkömmlichen Analysemöglichkeiten nicht mehr abgebildet und ausgewertet werden können.11 Dies sind aber nicht die einzigen Kriterien, die Big Data definieren, jedoch gibt es keine allgemeingültige Definition des Begriffs. Verschiedene Autoren definieren Big Data anhand von drei Faktoren: Variety, velocity und volume.12

De Roos (2012) beschreibt dies als „extracting insight from an immense volume, variety and velocity of data, in context, beyond what was previously possible.“ 13 Eine etwas allgemeinere Definition von Gartner (2014) beschreibt Big Data als „high volume, -velocity and -variety information assets that demand cost-effective, innovative forms of information processing for enhanced insight and decision making.” 14 Die vorliegenden 3 Faktoren velocity, variety und volume wurden jedoch nachträglich um ein weiteres ergänzt, nämlich veracity, bzw. Richtigkeit der Daten, da die datenbasierte Entscheidungsfindung Nachvollziehbarkeit und Begründbarkeit verlangt.15 Die richtige Verwendung der Daten ist für alle Arten von Unternehmen relevant und wird zukünftig ein noch wichtigeres Standbein vieler datengetriebener Unternehmen sein. Dabei kann die Datenanalyse vielseitig eingesetzt werden, wie bspw. für ökonomische Analysen, aber auch im Business Management beim Analysieren von sozialen Netzwerken sowie in der Krankheitserkennung.16 In der Medizintechnik führte der digitale Fortschritt der letzten Jahre ebenfalls zu einem rasanten Anstieg der Datenmenge, in der gewaltiges Potential steckt. Dieses Potential gilt es mit Analysemethoden, aber auch mit künstlicher Intelligenz zu identifizieren und daraus Muster und Regeln abzuleiten.

Ähnlich wie bei Big Data ist eine allgemeingültige Definition von künstlicher Intelligenz schwierig, da die Forscher und Entwickler vielmehr die Notwendigkeit „to get on with it“ sehen: „An accurate and sophisticated picture of AI - one that competes with its popular portrayal - is hampered by the difficulty of pinning down a precise definition of artificial intelligence“. 17 Natürlich versuchten sich dennoch Forscher an einer allgemeinen Definition von künstlicher Intelligenz, bspw. bezeichnet Nilsson (2010) künstliche Intelligenz damit, Maschinen intelligent zu machen: „Artificial intelligence is that activity devoted to making machines intelligent, and intelligence is that quality that enables an entity to function appropriately and with foresight in its environment“.18 Schon heute benutzen wir künstliche Intelligenzen im Alltag, hierbei handelt es sich jedoch vorzugsweise um schwache künstliche Intelligenzen. Beispiele hierfür sind virtuelle persönliche Assistenten wie Apples Siri oder Amazons Alexa sein. Starke künstliche Intelligenzen hingegen verallgemeinern menschliche kognitive Fähigkeiten, um selbst bei unbekannten Aufgaben eine Lösung zu finden. Grundlage dafür ist der umstrittene Turing-Test, bei dem auch heute noch eine Testperson darüber bestimmt, wann eine künstliche Intelligenz nicht mehr vom echten Menschen zu unterscheiden ist und damit als „menschlich“ anzusehen ist.19

Abbildung 1: Überblick Artificial Intelligence

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Nvidia, (2019), S.5

Der Überbegriff der künstlichen Intelligenz enthält einen weiteren Teilbereich, das maschinelle Lernen (Machine Learning) (s. Abb. 1). Die Grundlage für Machine Learning beruht auf der Forschung im Bereich der Mustererkennung, die heute u. a. die Grundlage für Machine Learning ist. Hierbei erkennen IT-Systeme aufgrund von vorhandenen Daten und Algorithmen Muster, welche auf Erfahrungen basieren und beginnen für vorhandene Probleme Lösungen zu entwickeln.20 Ertel definierte dies folgendermaßen: „Machine Learning is the study of computer algorithms that improve automatically through experience .“ 21 Damit Erfahrungen generiert werden können, ist ein vorheriges Handeln des Menschen notwendig, denn die Software benötigt relevante (Trainings-)Daten, sowie Algorithmen und Regeln für deren Analyse.22 Neue Erkenntnisse, welche aus den Daten gewonnen wurden, bieten die Grundlage zu deren Verallgemeinerung, die die Verarbeitung unbekannter Daten ermöglicht.23 In der Medizintechnik könnte dies bspw. Anwendung bei der Wartung von Medizinprodukten finden. Herkömmliche Wartungsmodelle sehen eine Wartung in regelmäßigen Abständen vor. Durch den Einsatz von Machine Learning entsteht eine neue Art der Wartung, die „condition-based predictive maintanance“, sodass aufgrund von Daten und Erfahrungswerten der exakte Zeitpunkt bestimmt werden kann, an dem eine Wartung des Gerätes notwendig ist.24 Beim Einsatz von sensiblen, lebenserhaltenden Geräten bringt dieser Ansatz von Machine Learning in diesem Fall ungeahnte Vorteile. Gleiches gilt bei der Erkennung von Krebstumoren durch Algorithmen, welche Anomalien in der Bildgebung abgleichen, untersuchen und anhand von Erfahrungswerten evaluieren.25

Zusammenfassend kann festgehalten werden, dass es unzählige Anwendungsfelder für künstliche Intelligenz, Machine Learning und Big Data in der Medizintechnik gibt. Gleichwohl gibt es jedoch Unterscheidungen bei der Anwendung der verschiedenen Bereiche. Laut Hamet und Tremblay (2017) kann der Einsatz von künstlicher Intelligenz in der Medizintechnik auf zwei mögliche Arten erfolgen: Durch virtuelle oder physische Anwendung.26 Die virtuelle Anwendung betrifft insbesondere das Machine Learning, bei der Algorithmen durch das Sammeln von Erfahrungswerten lernen. Bei der physischen Anwendung hingegen erfolgt der Einsatz von künstlicher Intelligenz insbesondere bei medizinischen Geräten, Applikationen oder Robotern, die dadurch gesteuert werden.27 Schon heute gibt es bei beiden Anwendungsarten erste Einsätze, auf die im Folgenden exemplarisch eingegangen wird.

4. Aktueller Entwicklungsstand in der Medizintechnik

Aufgrund der Komplexität und Größe des untersuchten Bereiches wird der aktuelle Entwicklungsstand anhand der drei Merkmale, bei denen Medizinprodukte eingesetzt werden können, beschrieben.

4.1. Erkennung

Zunächst wird der aktuelle Entwicklungsstand bei der Krankheitserkennung untersucht. Diese spielt insbesondere bei einer steigenden Lebenserwartung sowie einer stetig wachsenden Weltbevölkerung eine große Rolle. Bspw. konnte bereits heute aufgrund von präventiven Screenings die Wahrscheinlichkeit, an Prostatakarzinomen zu sterben, um 20 % gesenkt werden.28 Ein weiteres Resultat, das durch den Einsatz von Screenings erzielt wird, ist die steigende Datenmenge, aber auch die immer weiter steigende Anzahl von klinischen Studien, die ein Arzt bzw. Mediziner in Betracht ziehen kann. Seit dem Jahr 2000 sammelte und registrierte die U.S. National Library of Medicine fast 300.000 klinische Studien (Stand 6.3.2019).29 Nur mit Hilfe von künstlicher Intelligenz und Algorithmen kann diese Informationsflut kurzfristig verarbeitet werden und deshalb liegt genau hier das Potential für deren Einsatz. Ein Beispiel hierfür ist eine von Liang et al. erschienene Studie zur automatisierten Krankheitserkennung. Hierbei stellt die künstliche Intelligenz anhand von elektronischen Patientenakten (EHRs) in über 80 % der Fälle die korrekte Diagnose.30 Vorbild dafür sind tausende Verdachtsdiagnosen von Ärzten (s. Abb. 2), die durch Tests entweder bestätigt oder widerlegt wurden (Knowledge-based text).

[...]


1 Vgl. BfArM (2014a).

2 Vgl. BfArM (2014b).

3 Vgl. BfArM (2014b).

4 Vgl. BV-Med (2019), S. 5.

5 Vgl. BMWi (2017), S.10.

6 Vgl. Schäfer, K. (2018)

7 Vgl. BV-Med (2019), S. 3-6.

8 Vgl. BV-Med (2019), S. 7.

9 Vgl. BV-Med (2019), S. 8.

10 Bloching, B./ Luck, L./ Ramge, T. (2012), S. 10 f.

11 Vgl. King, S. (2014), S. 19, S.35.

12 Vgl. Page, C. et al. (2012), S. 11; Winter, R. (2011), S. 1 f.

13 DeRoos, D. (2012), S. 2.

14 Gartner Group (2017).

15 Vgl. Widom, J. et al. (2012), S. 2.

16 Vgl. Kaur, P./ Sharma, M./ Mittal, M. (2018), S. 1050.

17 Stone, P. et al. (2016), S.12.

18 Nilsson, N. (2010), S. 13.

19 Vgl. Pinar, S. et al. (2000), S.463.

20 Vgl. Litzel, N. (2016), S.1; Schneider, F./ Weiller, C. (2018), S. 859.

21 Ertel, W. (2018), S.180.

22 Vgl. Ertel, W. (2018), S.181.

23 Vgl. Litzel, N. (2016), S.1.

24 Vgl. Zhou, X./ Xi, L./ Lee, J. (2007), S. 530.

25 Vgl. Reiter, M./ Bauer, M. (2018), S. 60.

26 Vgl. Hamet, P./ Tremblay, J. (2017), S.37.

27 Vgl. Hamet, P./ Tremblay, J. (2017), S.39.

28 Vgl. Börgermann, C./ Rübben, H. (2006), S.2399.

29 Vgl. U.S. National Library of Medicine (2019), S. 4.

30 Vgl. Liang, H. et al. (2019), S.433.

Ende der Leseprobe aus 26 Seiten

Details

Titel
Anwendung von künstlicher Intelligenz, Machine Learning und Big Data in der Medizintechnik
Untertitel
Aktueller Stand und Entwicklungsmöglichkeiten
Hochschule
Duale Hochschule Baden-Württemberg Heilbronn
Note
1,4
Autor
Jahr
2019
Seiten
26
Katalognummer
V498112
ISBN (eBook)
9783346023766
ISBN (Buch)
9783346023773
Sprache
Deutsch
Schlagworte
Big Data, Medizintechnik, Machine Learning, Digitale Tranformation
Arbeit zitieren
Luca Schuster (Autor), 2019, Anwendung von künstlicher Intelligenz, Machine Learning und Big Data in der Medizintechnik, München, GRIN Verlag, https://www.grin.com/document/498112

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Anwendung von künstlicher Intelligenz,  Machine Learning und Big Data in der Medizintechnik



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden