.jpg)
Erkunde einige der aktuellen Hindernisse für KI im Gesundheitswesen.
Auch wenn es dir nicht bewusst ist: Künstliche Intelligenz (KI) wird jeden Tag von Millionen von Menschen genutzt. Von Reisen und Immobilien bis hin zu Produktion und Bankwesen hat KI begonnen, mühsame Aufgaben, komplexe Analysen und alles dazwischen zu ersetzen. Wenn sie vollständig in das Gesundheitssystem integriert würde, könnten innovative Technologien wie KI und Kryonik die Branche revolutionieren. Doch bis dahin ist es noch ein weiter Weg. Die KI hat gerade erst begonnen, in die Gesundheitsbranche Einzug zu halten, und es gibt noch einige Hindernisse, die einer intensiveren Anwendung im Wege stehen. Im Folgenden gehen wir auf einige der größten Herausforderungen ein, vor denen KI im Gesundheitswesen heute steht.
KI hat sich in vielen wichtigen Branchen fest etabliert. Neben dem Einsatz in der Logistik, der Unterhaltungsbranche, dem Reiseverkehr und dem E-Commerce wird KI langsam auch in medizinischen Einrichtungen eingeführt. Heute wird KI eingesetzt, um Routineaufgaben wie die Abrechnung von Patienten, sowie die Kategorisierung und die Abrechnung von Einnahmen zu rationalisieren. KI hilft auch bei der Verwaltung von Einrichtungen.
In praktischeren medizinischen Anwendungen kann KI eingesetzt werden, um Röntgenbilder zu segmentieren und auf der Grundlage von Diagnosetests oder Daten Behandlungsvorschläge zu machen. Dies verbessert die Effizienz, bedeutet aber nicht, dass wir keine Ärzte oder Krankenschwestern mehr brauchen. Die derzeitigen Anwendungen von KI im Gesundheitswesen betreffen in erster Linie Aufgaben, die das Leben des medizinischen Personals einfacher und effizienter machen. Sie ersetzen nicht den Menschen.
Außerdem sollten KI-Tools nicht mit der Unterstützung durch Roboter verwechselt werden. Medizinroboter werden häufig in der Chirurgie eingesetzt, um die Größe der Schnitte zu verringern, Risiken zu minimieren und die Narbenbildung zu verringern, aber sie werden von einem Chirurgen oder Arzt überwacht. Robotik kann auch Prothesen für Amputierte verbessern und bei der Reinigung und Desinfektion helfen. Obwohl alle Medizinroboter über eine integrierte Technologie der künstlichen Intelligenz verfügen, ist nicht jede KI-Technologie in Form eines Roboters vorhanden.
Es wird erwartet, dass der weltweite Markt für algorithmenbasierte Gesundheitslösungen von 6,7 Mrd. USD im Jahr 2020 auf 120,8 Mrd. USD im Jahr 2028 ansteigen wird [10], doch es gibt noch einige Herausforderungen, die es zu bewältigen gilt. KI im Gesundheitswesen muss nicht nur ethische Standards einhalten und sensible Patientendaten schützen, sondern sie muss auch die Ergebnisse für die Patientendefinitivverbessern, damit sie angenommen wird. Zum besseren Verständnis der schwierigen Situation, die nach wie vor besteht, solltest du einige der folgenden Herausforderungen bei der Einführung von KI-Tools in der Gesundheitsbranche berücksichtigen.
Derzeit gibt es keine Standardmethode für das Testen, Verfolgen, Analysieren und Eingeben von Datensätzen, die durch KI-Tools in der Gesundheitsbranche gesammelt wurden. Jeder versucht, seine eigene KI-Software für die Verwendung in seiner Region oder Einrichtung zu entwickeln. Das macht es schwierig, Ergebnisse zu vergleichen und Deep-Learning-Prozesse zu verbessern.
Hinzu kommt, dass viele KI-Tools für das Gesundheitswesen entweder von KI-Forschern entwickelt werden, die kein medizinisches Fachwissen haben, oder von Medizinern, die kein KI-Fachwissen haben [6].
Damit das maschinelle Lernen in der Gesundheitsbranche in Zukunft erfolgreich sein kann, müssen die Daten standardisiert werden. Forscher müssen bei der Entwicklung von KI einen kollaborativen Ansatz verfolgen und gemeinsam an der Verbesserung bestehender Modelle arbeiten, anstatt zu versuchen, einzigartige Modelle für die eigene Anwendung zu entwickeln. Wie Technology Review es ausdrückt, "haben die kollektiven Bemühungen von Forschern auf der ganzen Welt Hunderte von mittelmäßigen Tools hervorgebracht, anstatt einer Handvoll gut ausgebildeter und getesteter" [6].
Um den derzeitigen Mangel an Standardisierung zu bekämpfen, hat die gemeinnützige MITRE Corporation einen Standard Health Record (SHR) vorgeschlagen. Dieser würde ein spezifisches, qualitativ hochwertiges und berechenbares Verfahren zur Erfassung von Patienteninformationen darstellen. Leider ist der Anreiz, den SHR einzuführen und zusammenzuarbeiten, aufgrund der hohen Kosten für seine Einführung gering.
Wenn du online nach etwas suchst, sind die Ergebnisse automatisiert. Der Prozess ist für jeden, der die gleiche Suche durchführt, zu 100 % identisch. Google verwendet KI für diese Abfragen, und unterschiedliche Schlüsselwörter führen zu unterschiedlichen Ergebnissen. Diese Art der Interoperabilität ist derzeit nicht in allen Gesundheitseinrichtungen gegeben.
Wie bereits erwähnt, gibt es bei den Ärzten keine standardisierte Erfassungsmethode. Es gibt keine systematische Methode zur Eingabe von Daten in elektronische Systeme oder Datenbanken. Selbst wenn zwei Ärzte die gleichen Messinstrumente zur Erfassung der Patientendaten verwenden, werden Details über den individuellen Stresspegel, Schlaf und Ernährung nicht routinemäßig erfasst. Diese Faktoren können sich jedoch auf zugrunde liegende Zustände oder Krankheiten auswirken.
Im Moment führt dies zu inkompatiblen Leistungskennzahlen für KI-Anwendungen. Die gesammelten Informationen sind weder vollständig noch einheitlich über verschiedene Datenbanken hinweg, was die Antworten und Vorhersagen des maschinellen Lernens erheblich verfälschen kann. Wenn Daten nicht interpretiert werden können, können sie auch nicht sicher verwendet werden.
Im Jahr 2019 gaben fast 75 % der Gesundheitseinrichtungen an, dass sie "über ein grundlegendes Interoperabilitätsniveau hinausgehen - d. h. die Fähigkeit besitzen, Daten zwischen Aufzeichnungssystemen auszutauschen, aber nicht unbedingt in der Lage sind, die Informationen zu interpretieren" [11].
Damit KI im Gesundheitswesen möglichst effektiv eingesetzt werden kann, müssen Deep-Learning-Modelle und -Ergebnisse leicht in die Arbeitsabläufe aller medizinischen Fachkräfte integriert werden können. Medizinische Daten müssen über verschiedene Plattformen hinweg kompatibel sein, um die Interoperabilität und den Zugang zu verbessern.
Durch die Digitalisierung von Patientenakten ist ein großer Datensatz entstanden, aber die Zielsegmente sind immer noch unglaublich klein. Klinische Studien zum Einsatz von KI im Gesundheitswesen sind ebenfalls begrenzt und umfassen zwischen 50 und 1.000 Patienten [1]. Auch wenn Daten für Millionen von Menschen vorliegen, kann es sein, dass die Ergebnisse nach dem Filtern nach Symptomen, Messwerten oder demografischen Merkmalen nur einige hunderttausend oder weniger umfassen [1]. Und das ist das beste Szenario. In der Regel werden die Daten aufgrund mangelnder Interoperabilität nicht zwischen den Einrichtungen ausgetauscht. Dadurch wird die Standardisierung von Forschungs- und Patienteninformationen weiter eingeschränkt.
Eine der größten Herausforderungen bei der Entwicklung und Erprobung potenzieller KI-Modelle im Gesundheitswesen ist daher der Mangel an qualitativ hochwertigen Daten, die zur Entwicklung von Tools für maschinelles Lernen verwendet werden. Wenn KI mit Daten aus unbekannten Quellen oder von unterrepräsentierten Personen entwickelt wird, kann dies den Deep-Learning-Prozess verzerren und damit die Ergebnisse verändern [7].
Ein interessantes Beispiel dafür ist, dass die für COVID-19 entwickelte KI einen Datensatz verwendete, der laut einem Artikel in Technology Review" Brustscans von Kindern enthielt, die nicht an Covid erkrankt waren, um zu zeigen, wie nicht erkrankte Kinder aussehen" [6]. Das Ergebnis war eine KI, die lernte, wie man Kinder identifiziert, und nicht Covid selbst.
Dies ist ein häufiges Problem bei der künstlichen Intelligenz in der Gesundheitsbranche. Wenn Tools für maschinelles Lernen Daten von schlechter Qualität verwenden, erhalten sie keine genaue Darstellung der realen Daten.
Sie machen auch Fehler in Bezug auf Korrelation und Kausalität. Bessere Daten würden sich enorm auf den Erfolg künftiger Instrumente auswirken. Sie würden eine medizinische KI schaffen, die nicht verzerrt oder voreingenommen ist und bessere Vorhersagen auf der Grundlage individueller Umstände ermöglicht.
Eine der besten Möglichkeiten, die Datenqualität zu verbessern, besteht darin, eine standardisierte Methode zur Erfassung und Analyse zu schaffen. "Vernetzte Datenseen", Daten ohne schematische Einschränkungen, könnten dabei helfen [8]. Andernfalls werden Daten, die nicht angemessen formatiert oder dokumentiert sind, den Prozess der KI im Gesundheitswesen und ihre potenziellen Anwendungen weiterhin behindern.
Ärztliche Kunstfehler sind jedes Jahr für Tausende von unnötigen Todesfällen verantwortlich. In den Vereinigten Staaten sind sie für durchschnittlich 40.000 bis 80.000 Todesfälle pro Jahr verantwortlich [5]. In Deutschland sind ärztliche Kunstfehler für bis zu 19.000 Todesfälle pro Jahr verantwortlich [12]. Viele dieser Kunstfehler sind auf Fehler bei der Diagnose zurückzuführen. Die Integration von KI-Tools könnte zwar die Genauigkeit der Diagnostik verbessern, ist aber kein narrensicheres System.
Diese Unzulänglichkeiten traten zutage, nachdem zwei große Studien zur Bewertung kürzlich entwickelter prädiktiver KI-Tools im Gesundheitswesen durchgeführt worden waren. Laure Wynants und ihre Kollegen bewerteten 232 verschiedene Algorithmen zur Diagnose von Patienten und zur Vorhersage des Schweregrads ihrer Krankheit - keiner von ihnen wurde als für den klinischen Einsatz geeignet befunden [7].
Ähnliche Ergebnisse wurden für die KI-Tools gefunden, die zur Diagnose von COVID-19 und zur Vorhersage des Patientenrisikos entwickelt wurden. In einem wissenschaftlichen Bericht untersuchten Derek Driggs und seine Kollegen 415 verschiedene Modelle des maschinellen Lernens, vor allem solche, die sich mit der Diagnose und Vorhersage von COVID-19 befassen. Auch hier stellte er fest, dass keines für den klinischen Einsatz geeignet war [7]. Einige Tools, die für COVID-19 entwickelt wurden, führten sogar zu Ungleichheit und Voreingenommenheit in Bezug auf die Datenwissenschaft, da bestimmte Gruppen - wie Minderheiten oder Personen mit niedrigem sozioökonomischem Status - nicht berücksichtigt wurden [6].
Obwohl diese Überprüfungen ergaben, dass KI-Tools noch nicht für den klinischen Einsatz bereit sind, glauben sowohl Wynants als auch Driggs, dass KI das Potenzial hat, dem Gesundheitswesen zu helfen. Sie muss nur auf die richtige Weise entwickelt und getestet werden.
Wenn Ärzten ein Fehler unterläuft oder sie nicht die übliche Sorgfalt walten lassen, können sie wegen ärztlichen Fehlverhaltens verklagt werden. Fehler im Gesundheitswesen können über Leben und Tod entscheiden, aber wer wird zur Verantwortung gezogen, wenn der Fehler auf die KI-Verarbeitung zurückzuführen ist? Dies wirft eine Frage der Ethik und der Regulierung auf.
Datenschutzgesetze erfordern Transparenz, was sich auf den Erfolg der KI-Entwicklung in verschiedenen Ländern auswirken kann. Da jedes Land oder jede Region spezifische Vorschriften einhalten muss, ist es schwierig, Daten zu aggregieren, ohne eine ethische (und manchmal illegale) Grenze zu überschreiten. Krankenhäuser unterzeichnen außerdem oft Geheimhaltungsvereinbarungen mit Anbietern medizinischer KI, die es ihnen unmöglich machen, die verwendeten Algorithmen oder Software zu diskutieren [6]. Dies verkompliziert regulatorische Fragen zusätzlich.
In dem Bestreben, die Transparenz zu erhöhen, hat die Weltgesundheitsorganisation kürzlich die Ethik und Governance der künstlichen Intelligenz für die Gesundheit publiziert. Sie zielt darauf ab, ethische Herausforderungen und Risiken zu identifizieren und skizziert sechs Konsensprinzipien, die sicherstellen sollen, dass KI zum öffentlichen Nutzen aller Länder funktioniert. Sie enthält auch Empfehlungen für die KI-Governance und die Rechenschaftspflicht.
Je mehr Daten die KI verarbeitet, desto komplizierter wird der Algorithmus. Je komplizierter (oder gründlicher) der Algorithmus wird, desto besser ist das Ergebnis. Also: mehr Daten = bessere Ergebnisse. Doch je komplexer dieser Prozess wird, desto schwieriger ist es für die Mitarbeiter im Gesundheitswesen zu verstehen, wie oder warum die KI-Tools zu ihren Ergebnissen gekommen sind. Das macht es schwierig, die nächsten Schritte zu bestimmen.
KI-Tools arbeiten in einer "Blackbox", so dass es oft an Transparenz mangelt, insbesondere wenn Deep-Learning-Modelle verwendet werden. Viele Fachkräfte im Gesundheitswesen haben keine Ahnung, was gemessen wird und wie. Das wirft die Frage nach der Effektivität und Genauigkeit auf. Das Blackbox-Problem ist der Hauptgrund, warum die Menschen zögern, dem Einsatz von KI im Gesundheitswesen zu vertrauen und ihn zu akzeptieren.
Die erklärbare KI(XAI) wurde entwickelt, um dieses Problem zu lösen. Bei XAI-Methoden wird begründet, wie sie zu einer bestimmten Lösung gekommen sind [2]. Es sind jedoch noch weitere Entwicklungen erforderlich, um das Transparenzproblem vollständig zu lösen.
Der Health Insurance Portability and Accountability Act (HIPPA) wurde mit vier Hauptzielen im Hinterkopf geschaffen. Zu diesen Zielen gehören:
Außerdem gibt es mehrere strenge Datenschutzgesetze, insbesondere für Gesundheitsdaten, die in europäischen Ländern erhoben werden. Die Allgemeine Datenschutzverordnung (GDPR) schützt personenbezogene Daten und macht deren Weitergabe für die KI-Entwicklung außerordentlich schwierig, wenn nicht gar unmöglich. Einige Organisationen sind sogar verklagt worden, weil sie angeblich bestimmte Datenschutzstandards nicht eingehalten haben.
Die KI-Technologie muss geschützt und gesichert werden, um die Privatsphäre der Patientendaten zu wahren. KI-Daten müssen jedoch auch die Patienten im Verlauf eines Langzeitpflegeprogramms begleiten. Dies ist notwendig, um Risikofaktoren, Gesundheitszustände, Symptome und langfristige Auswirkungen besser zu verstehen. Dieser längsschnittliche Forschungsansatz erfordert ein kontinuierliches Engagement, was angesichts der Datenschutzbestimmungen schwierig ist. Noch komplizierter wird es, wenn der Patient von einem Ort (oder Land) in ein anderes umzieht.
Wenn es den Forschern gelingt, die oben genannten Herausforderungen zu meistern, könnten KI-Tools den Gesundheitssektor revolutionieren. Sie könnten Ärzten dabei helfen, Patienten zu identifizieren, bei denen das Risiko besteht, dass sie chronische Krankheiten oder schwerwiegende Komplikationen entwickeln, den gesamten Diagnoseprozess zu verbessern und ein Netzwerk von gemeinsamem Fachwissen zu schaffen, das Ärzten auf der ganzen Welt zur Verfügung steht. Dies könnte Leben retten, die Kosten für die medizinische Versorgung senken und den Patienten insgesamt ein besseres Erlebnis bieten.
Bestimmte KI-Tools könnten Millionen von Patientendaten zusammenfassen und analysieren. Andere Tools könnten Ratschläge oder Erfahrungen von Hunderttausenden von Ärzten auf der ganzen Welt analysieren. In Kombination könnten diese Tools die Art und Weise, wie Diagnosen gestellt und Behandlungen durchgeführt werden, revolutionieren.
Es ist unwahrscheinlich, dass KI-Tools jemals Ärzte vollständig ersetzen werden, aber sie könnten medizinischen Fachkräften helfen, sich in ansonsten unzugänglichen Bereichen der Pflege auszuzeichnen. KI-Tools könnten dazu beitragen, die Reichweite und die Fähigkeiten von Ärzten zu erweitern und so ihre Fähigkeit zur Versorgung von Millionen von Patienten zu verbessern. Medizinische KI kann auch dazu beitragen, die Kosten des Gesundheitswesens zu senken.
Eine der wahrscheinlichsten Anwendungen der KI-Technologie in der Gesundheitsbranche sind administrative oder alltägliche Aufgaben. KI könnte eingesetzt werden, um Live-Sprache zu erfassen und wichtige Informationen in ein standardisiertes Notizformat zu diktieren. Die Notizen könnten dann in Datenbanken hochgeladen werden. Dies würde den Ärzten helfen, sich mehr auf ihre Patienten zu konzentrieren und weniger auf das Schreiben von Notizen.
Medizinische KI hat das Potenzial, die Konzentration des Arztes auf einzelne Fälle zu erhöhen, was dazu beitragen kann, medizinische Fehler zu reduzieren und die Patientenversorgung zu verbessern. Durch die Verwendung von Informationen, die in Sitzungen gesammelt werden, wären Geräte mit erweiterter Intelligenz am vorteilhaftesten, wenn sie kollaborativ eingesetzt würden. Es ist unwahrscheinlich, dass KI jemals Ärzte ersetzen wird. Stattdessen würde sie sie mit ihren einzigartigen Stärken ergänzen und verstärken.
Eine schnellere diagnostische Bearbeitung verbessert die Patientenversorgung und den Komfort. Sie ermöglicht auch die fortlaufende Identifizierung und Überwachung von Hochrisikopatienten. VitalEye ist eine KI-Lösung, die bereits im Einsatz ist. Mit Hilfe der Computer-Vision-Technologie kann die Atmung schnell erkannt und überwacht werden, wodurch die Vorbereitungszeit für den Patienten auf unter eine Minute reduziert wird [8]. Wearable Devices können den Gesundheitszustand von Patienten auch aus der Ferne überwachen.
Andere Systeme könnten die medizinischen Dokumente und Diagnoseergebnisse der Patienten nutzen, um die Sterblichkeitsrate, die Dauer der Krankenhausbehandlung oder das Risiko einer Intensivbehandlung vorherzusagen [10]. Wearable Devices können die frühzeitige Vorhersage von Symptomen verbessern, was dazu beitragen könnte, das Risiko für das Auftreten von Komplikationen einzuschätzen. Dies könnte besonders für Patienten mit Herzerkrankungen oder in der Schlaganfallrehabilitation hilfreich sein. Wearable Devices können auch eingesetzt werden, um kryonik dabei zu helfen, benachrichtigt zu werden , wenn sich ein Mitglied in einem kritischen Zustand befindet oder wenn sein Herzschlag aussetzt. Dies könnte dazu beitragen, die Qualität der Kryokonservierung zu verbessern.
Strategische KI-Tools könnten den Prozess der diagnostischen Bewertung oder Infektionserkennung weiter verbessern. Deep-Learning-Modelle könnten größere Datenmengen, bildgebende Verfahren und Patientenscans analysieren, um Einblicke in potenzielle Diagnosen zu ermöglichen. Vernetzte Systeme können mit verschiedenen Computertomografien zusammenarbeiten, um die Erkennung von Infektionen und die Diagnose von Krankheiten zu verbessern.
Obwohl es noch Herausforderungen gibt, hat die medizinische KI das Potenzial, den Diagnoseprozess zu beschleunigen. Dies wird bereits Realität. Ein Beispiel dafür ist das Forscherteam von Philips und dem University Medical Center of Leiden (LUMC). Sie entwickelten ein Deep-Learning-Modell, mit dem die MRT-Bildgebung achtmal schneller als mit den derzeitigen Standards durchgeführt werden kann [8].
Viele praktische Anwendungen dieser Technologie werden derzeit getestet. So zeigt eine neue Studie, dass durch die Kombination von KI mit fortschrittlicher Bildgebungstechnologie Hirntumore während einer Operation in weniger als drei Minuten diagnostiziert werden können (15).
Forscher der Tulane University fanden außerdem heraus, dass "KI Darmkrebs genauso gut oder besser als Pathologen erkennen und diagnostizieren kann" [13]. Diese Erkennung kann früher und mit höherer Genauigkeit erfolgen.
Die Anwendungen erstrecken sich auch auf andere Arten von Krebserkrankungen. Eine von Forschern der New York University geleitete Studie ergab, dass KI-Tools "die Fähigkeit von Radiologen, Brustkrebs genau zu erkennen, um 37 % erhöhten" [14]. Diese Verbesserung der Erkennung ging auch mit einer Verringerung des für die Probenahme erforderlichen Gewebes einher.
Künstliche Intelligenz könnte auch dazu beitragen, den Bereich der Kryokonservierung zu verbessern. Bei der Kryokonservierung werden Zellen und Gewebe durch Absenken der Kerntemperaturen auf Werte unter dem Gefrierpunkt ohne Eisbildung konserviert. Dieses Verfahren birgt jedoch einige Herausforderungen, insbesondere im Hinblick auf die Schädigung der Zellen und ihre Lebensfähigkeit nach der Wiedererwärmung.
KI könnte dabei helfen, auf der Grundlage des biologischen Materials und der Lagerungsbedingungen zu ermitteln, welche Kryoprotektiva zu verwenden sind. Technologische Fortschritte und KI könnten auch eine Automatisierung bei der Verwendung von Flüssigstickstoff ermöglichen und so die Sicherheit in den Labors insgesamt verbessern [16]. Unternehmen wie Future Fertility nutzen bereits KI, um die Vorhersage der erfolgreichen Befruchtung von kryokonservierten Eizellen zu verbessern.
Schließlich könnte die Bewältigung der aktuellen Herausforderungen, denen sich die KI im Gesundheitswesen gegenübersieht, dazu beitragen, die Entwicklung von Medikamenten zu beschleunigen, insbesondere in Notfällen (z. B. bei globalen Pandemien). KI-Tools könnten die Zeit verkürzen, die für die Entdeckung, Entwicklung und Analyse neuer Medikamente oder Behandlungen benötigt wird. Dies würde einen schnelleren Einsatz in der gesamten Bevölkerung ermöglichen und könnte potenziell Millionen von Menschenleben retten.
Die möglichen Anwendungen von KI im Gesundheitswesen sind vielfältig, doch bevor Fortschritte erzielt werden können, müssen die Herausforderungen bewältigt werden. KI, die im medizinischen Bereich eingesetzt wird, muss bestimmte ethische Standards einhalten, die Identität und die Daten der Patienten schützen und standardisiert sein, um die Anwendung der Interoperabilität zu optimieren. Sobald diese Herausforderungen überwunden sind, könnte die Gesundheitsbranche revolutioniert werden.
Wer weiß, vielleicht tragen KI-Tools sogar dazu bei, die Entwicklung der Kryokonservierungstechnologie und der aktuellen Kryokonservierungsanwendungen weiter voranzutreiben, als wir es uns jemals vorstellen könnten. Wenn Sie in der Zwischenzeit Fragen zu Biostasis haben, kannst du gerne einen Termin mit uns vereinbaren. Und wenn du dich jetzt bereit fühlst, unserer Gemeinschaft beizutreten, melde dich hier an!
[1] Asar, A. (2022, April 21). AI in Healthcare Presents Unique Challenges And Amazing Opportunities. Forbes. https://www.forbes.com/sites/forbestechcouncil/2021/11/22/ai-in-healthcare-presents-unique-challenges-and-amazing-opportunities/?sh=444832bb107b
[2] Dilmegani, C. (2022, Juli 4). Die 4 größten Herausforderungen der KI im Gesundheitswesen und wie man sie überwindet. AIMultiple. https://research.aimultiple.com/challenges-of-ai-in-healthcare/
[3] Anderson, J. G. (2017). IOS Press Ebooks - Ihre Gesundheitsversorgung kann Sie umbringen: Medical Errors. Https://Pubmed.Ncbi.Nlm.Nih.Gov/28186008/
[4] Watari, T. (2021, September 15). Kunstfehleransprüche in der Inneren Medizin im Zusammenhang mit Diagnose- und Systemfehlern in Japan. 2021 von der Japanischen Gesellschaft für Innere Medizin. https://www.jstage.jst.go.jp/article/internalmedicine/60/18/60_6652-20/_article
[5] Renfrow, J. (2019, Juli 11). 1 von 3 Fehldiagnosen führt zu schweren Verletzungen oder Tod: Studie. Fierce Healthcare. https://www.fiercehealthcare.com/hospitals-health-systems/jhu-1-3-misdiagnoses-results-serious-injury-or-death
[6] Das Alan-Turing-Institut. (2020). Datenwissenschaft und KI im Zeitalter von COVID-19. https://www.turing.ac.uk/sites/default/files/2021-06/data-science-and-ai-in-the-age-of-covid_full-report_2.pdf
[7] Heaven, W. D. (2022, 6. April). Hunderte von KI-Tools wurden entwickelt, um Covid zu fangen. None of them helped. MIT Technology Review. https://www.technologyreview.com/2021/07/30/1030329/machine-learning-ai-failed-covid-hospital-diagnosis-pandemic/
[8] Dickson, B. (2021, Februar 19). Die Herausforderungen der KI im Gesundheitswesen meistern. TechTalks. https://bdtechtalks.com/2021/02/17/ai-healthcare-tina-manoharan-philips/
[9] Cutting Edge Document Destruction. (2011, November 24). Health Insurance Portability & Accountability Act (HIPAA) | Cutting Edge Document Destruction. https://cuttingedgedd.com/legislation/health-insurance-portability-accountability-act-hipaa/
[10] Mirin, K. (2021, 2. Dezember). Implementierung von KI im Gesundheitswesen: Challenges and Potential. PostIndustria. https://postindustria.com/implementation-of-ai-in-healthcare-challenges-and-potential/
[11] Sullivan, T. (2019, April 1). Interoperabilität: 3 Diagramme geben einen Überblick über den aktuellen Stand der gemeinsamen Nutzung von Gesundheitsdaten. Healthcare IT News. https://www.healthcareitnews.com/news/interoperability-3-charts-take-pulse-health-data-sharing-today
[12] Studie: Jährlich sterben 20.000 Menschen durch Krankenhausfehler. (2014, January 21). Das Lokale Deutschland. https://www.thelocal.de/20140121/more-die-from-hospital-mistakes-than-on-roads/
[13] McNemar, E. (2021, November 29). Die besten Möglichkeiten für künstliche Intelligenz zur Verbesserung der Krebsbehandlung. HealthITAnalytics. https://healthitanalytics.com/features/top-opportunities-for-artificial-intelligence-to-improve-cancer-care
[14] McNemar, E. (2021a, 28. September). Verbesserung der Brustkrebsbildgebung mit künstlicher Intelligenz. HealthITAnalytics. https://healthitanalytics.com/news/improving-breast-cancer-imaging-with-artificial-intelligence
[15] NCI-Mitarbeiter. (2020, Februar 12). Künstliche Intelligenz beschleunigt die Hirntumordiagnose. National Cancer Institute. https://www.cancer.gov/news-events/cancer-currents-blog/2020/artificial-intelligence-brain-tumor-diagnosis-surgery
[16] Parker, S. (2022, 15. Juni). Künstliche Intelligenz ist entscheidend für die Zukunft der Kryokonservierung. SmartData Collective. https://www.smartdatacollective.com/artificial-intelligence-is-essential-to-future-of-cryopreservation/
%20(1).webp)
.png)