nach oben

Erschienen in:

2024 | OriginalPaper | Buchkapitel

Künstliche Intelligenz in der Medizin

Chancen und Anforderungen für einen erfolgreichen und nachhaltigen Einsatz im Gesundheitswesen

verfasst von : Julian Varghese

Erschienen in: Health Data Management

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Um aus großen Datenmengen Wissen mit einem echten Mehrwert zu generieren ist es notwendig aus der sich anbahnenden Big Data Situation in Krankenhäusern eine Smart Data Umgebung zu schaffen. Erst hierdurch werden Daten für innovative Algorithmen aus dem Bereich der Künstlichen Intelligenz (KI) verwertbar gemacht. Der Einsatz von KI-Methoden in der Medizin erfordert technische, organisatorische und medikolegale Aspekte. Das vorliegende Kapitel führt hierzu in den Begriff der Künstlichen Intelligenz (KI) ein, nennt hierzu beispielhafte Anwendungen in der Medizin und geht insbesondere auf technische Aspekte wie Datengenerierung, Datenanalyse und Regulatorik ein. Dies ermöglicht die Identifikation bekannter und wiederkehrender Herausforderungen sowie die Planung und Umsetzung von Lösungen in diesem noch jungen aber rasant wachsenden Bereich.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Datenbasierte Prozess(re-)organisation im Krankenhaus

Nächstes Kapitel Digitale Transformation des MD-Managements

https://www.bfarm.de.

Abràmoff, M. D., Lou, Y., Erginay, A., Clarida, W., Amelon, R., Folk, J. C., & Niemeijer, M. (2016). Improved automated detection of diabetic retinopathy on a publicly available dataset through integration of deep learning. Investigative Ophthalmology & Visual Science, 57(13), 5200–5206. https://doi.org/10.1167/iovs.16-19964CrossRef

Arts, D. G., De Keizer, N. F., & Scheffer, G.-J. (2002). Defining and improving data quality in medical registries: A literature review, case study, and generic framework. Journal of the American Medical Informatics Association, 9(6), 600–611.CrossRef

Becker, K., Lipprandt, M., Röhrig, R., & Neumuth, T. (2019). Digital health – Software as a medical device in focus of the medical device regulation (MDR). It – Information Technology, 61(5–6), 211–218. https://doi.org/10.1515/itit-2019-0026CrossRef

Cukier, K. (2019). Ready for robots: How to think about the future of AI. Foreign Affairs, 98, 192.

Dai, W., Yang, Q., Xue, G.-R., & Yu, Y. (2007). Boosting for transfer learning. In Z. Ghahramani (Hrsg.). ACM Press. https://doi.org/10.1145/1273496.1273521

Ethics guidelines for trustworthy AI|Shaping Europe’s digital future. (2019, April 8). https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai. Zugegriffen am 08.12.2023.

European MDR. (2021, July 26). Medical device regulation. https://www.medical-device-regulation.eu/download-mdr/. Zugegriffen am 08.12.2023.

FDA Review Report syngo.CT Extended Functionality. (2022). https://www.accessdata.fda.gov/cdrh_docs/pdf22/K221727.pdf. Zugegriffen am 08.12.2023.

FDA Review Report. 2022 DLIR. (o.J.). https://www.accessdata.fda.gov/cdrh_docs/pdf22/K220961.pdf. Zugegriffen am 21.02.2023.

Foersch, S., Glasner, C., Woerl, A.-C., Eckstein, M., Wagner, D.-C., Schulz, S., Kellers, F., Fernandez, A., Tserea, K., Kloth, M., Hartmann, A., Heintz, A., Weichert, W., Roth, W., Geppert, C., Kather, J. N., & Jesinghaus, M. (2023). Multistain deep learning for prediction of prognosis and therapy response in colorectal cancer. Nature Medicine. https://doi.org/10.1038/s41591-022-02134-1

Hannun, A. Y., Rajpurkar, P., Haghpanahi, M., Tison, G. H., Bourn, C., Turakhia, M. P., & Ng, A. Y. (2019). Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nature Medicine, 25(1), 65.CrossRef

Hegselmann, S., Greulich, L., Varghese, J., & Dugas, M. (2018) Reproducible Survival Prediction with SEER Cancer Data. Proceedings of Machine Learning Research, Palo Alto, California, 85, 49–66.

Le Berre, C., Sandborn, W. J., Aridhi, S., Devignes, M.-D., Fournier, L., Smaïl-Tabbone, M., Danese, S., & Peyrin-Biroulet, L. (2020). Application of artificial intelligence to gastroenterology and hepatology. Gastroenterology, 158(1), 76–94.e2. https://doi.org/10.1053/j.gastro.2019.08.058CrossRef

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539CrossRef

Lu, L., Zheng, Y., Carneiro, G., & Yang, L. (2017). Deep learning and convolutional neural networks for medical image computing. Advances in Computer Vision and Pattern Recognition.

Mikołajczyk, A., & Grochowski, M. (2018). Data augmentation for improving deep learning in image classification problem. 2018 International Interdisciplinary PhD Workshop (IIPhDW), 117–122. https://doi.org/10.1109/IIPHDW.2018.8388338

Poggio, T., Mhaskar, H., Rosasco, L., Miranda, B., & Liao, Q. (2017). Why and when can deep-but not shallow-networks avoid the curse of dimensionality: A review. International Journal of Automation and Computing, 14(5), 503–519.CrossRef

Strickland, E. (2019). IBM Watson, heal thyself: How IBM overpromised and underdelivered on AI health care. IEEE Spectrum, 56(4), 24–31.CrossRef

Torrey, L., & Shavlik, J. (2010). Transfer learning. In Handbook of research on machine learning applications and trends: Algorithms, methods, and techniques (S. 242–264). IGI Global.CrossRef

Ulrich, H., Behrend, P., Wiedekopf, J., Drenkhahn, C., Kock-Schoppenhauer, A.-K., & Ingenerf, J. (2021). Hands on the medical informatics initiative core data set – Lessons learned from converting the MIMIC-IV. German Medical Data Sciences 2021: Digital Medicine: Recognize–Understand–Heal, IOSPress., 119–126.

Varghese, J. (2020). Artificial intelligence in medicine: Chances and challenges for wide clinical adoption. Visceral Medicine, 1–7. https://doi.org/10.1159/000511930

Varghese, J., & Chapiro, J. (2023). ChatGPT: The transformative influence of generative AI on science and healthcare. Journal of Hepatology. https://doi.org/10.1016/j.jhep.2023.07.028

Varghese, J., Holz, C., Neuhaus, P., Bernardi, M., Boehm, A., Ganser, A., Gore, S., Heaney, M., Hochhaus, A., Hofmann, W.- K., Krug, U., Müller-Tidow, C., Smith, A., Weltermann, A., Witte, T., Hehlmann, R., & Dugas, M. (2016) Key Data Elements in Myeloid Leukemia. Studies in health technology and informatics, 228, 282–286.

Varghese, J., Kleine, M., Gessner, S. I., Sandmann, S., & Dugas, M. (2018). Effects of computerized decision support system implementations on patient outcomes in inpatient care: A systematic review. Journal of the American Medical Informatics Association, 25(5), 593–602. https://doi.org/10.1093/jamia/ocx100CrossRef

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. In I. Guyon, U. V. Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, & R. Garnett (Hrsg.), Advances in neural information processing systems (Bd. 30). Curran Associates, Inc.. https://proceedings.neurips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf. Zugegriffen am 08.12.2023.

Wainer, J., & Cawley, G. (2018). Nested cross-validation when selecting classifiers is overzealous for most practical applications. ArXiv:1809.09446 [Cs, Stat]. http://arxiv.org/abs/1809.09446. Zugegriffen am 08.12.2023.

Weiskopf, N. G., & Weng, C. (2013). Methods and dimensions of electronic health record data quality assessment: Enabling reuse for clinical research. Journal of the American Medical Informatics Association, 20(1), 144–151. https://doi.org/10.1136/amiajnl-2011-000681CrossRef

Yaeger, K. A., Martini, M., Yaniv, G., Oermann, E. K., & Costa, A. B. (2019). United States regulatory approval of medical devices and software applications enhanced by artificial intelligence. Health Policy and Technology, 8(2), 192–197. https://doi.org/10.1016/j.hlpt.2019.05.006CrossRef

Zertifizierte KI. (2021, July 22). Zertifizierte KI. https://www.zertifizierte-ki.de/. Zugegriffen am 08.12.2023.

Titel: Künstliche Intelligenz in der Medizin
verfasst von: Julian Varghese
Verlag: Springer Fachmedien Wiesbaden
Buch: Health Data Management
Print ISBN: 978-3-658-43235-5

Electronic ISBN: 978-3-658-43236-2

Copyright-Jahr: 2024
DOI: https://doi.org/10.1007/978-3-658-43236-2_50

Springer Professional

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Wirtschaft"

Premium Partner