Das Penicillin von heute

^{Webspecial Fraunhofer-Magazin 1.2023}

Jede Minute zählt bei der Versorgung Schwer­verletzter. Behandelt werden sie im Herz der Notaufnahme, dem sogenannten Schockraum: ausgestattet mit modernsten Geräten, Beatmungsmaschinen und mächtigen Ganzkörper-Computertomographen. Das Schockraum-Team muss sich schnell ein Bild machen können über mögliche Frakturen, Hirntraumata oder Rückenmarksverletzungen. Sturz aus mehr als drei Meter Höhe? Zweirad-Kollision? Ist der Patient Diabetiker? Jedes Detail ist wichtig, um entscheiden zu können, welche Fachkolleginnen und -kollegen hinzugezogen werden müssen, welche Behandlungsmaßnah­men notwendig sind und was in welcher Reihenfolge erfolgen soll. Das Problem: Bisher werden diese mitunter überlebenswichtigen Hinweise nur mündlich vom Rettungsdienst mitgeteilt. In strukturierter Form festgehalten werden sie kaum. Das Risiko ist daher groß, dass in der Eile Informationen verloren gehen.

Smarte Hilfe bei der Entscheidungsfindung

Das wollen Forscherinnen und Forscher des Fraunhofer-Instituts für Intelligente Analyse- und Informationssysteme IAIS zusammen mit Partnern im Projekt TraumAInterfaces ändern. Ein Spracherkennungssystem, das auf Künstlicher Intelligenz (KI) basiert, soll in Zukunft die Kommunikation bei der Übergabe der Schwerverletzten automatisch erfassen, verschriftlichen, analysieren und strukturieren. »Unsere KI trifft aber keine Entscheidungen«, betont Dario Antweiler, Leiter des Geschäftsfeldes Healthcare Analytics am Fraunhofer IAIS. Ziel sei es lediglich, das Schockraum-Team bei der Entscheidungsfindung so effektiv wie möglich zu unterstützen. Auch für die spätere Dokumentation des Falls ist die strukturierte Erfassung aller nötigen Informationen und des Behandlungsverlaufs wertvoll. »Hierfür wird bisher viel ärztliche Zeit verschwendet, die dadurch nicht mehr für die Patientinnen und Patienten zur Verfügung steht«, so Antweiler.

Zusammen mit seinem Team war Antweiler tagelang in verschiedenen klinischen Abteilungen unterwegs, hat Arbeits- und Verwaltungsprozesse beobachtet, Ärztinnen und Ärzte interviewt, mit Krankenhaus-Expertinnen und -Experten diskutiert. »Wir haben uns vor allem angeschaut: Welche IT-Systeme werden genutzt? Wie wird kommuniziert? Wo entstehen Daten und wie werden sie verwendet?« Anschließend entwickelten die Data Scientists über 40 Anwendungsfälle, wie mithilfe von KI die Arbeitsbelastung für das medizinische Klinikpersonal verringert und die Behandlungsqualität verbessert werden könnten. »Die Patientinnen und Patienten werden immer älter und immer mehr, der Personalmangel wird gravierender. In Zukunft wird es nicht mehr ohne KI gehen«, ist Antweiler überzeugt.öglicht es, das Einzelne zu verstehen.

Mit KI wertvolle Zeit sparen

Das Potenzial von Künstlicher Intelligenz im Krankenhaus ist enorm: KI-basierte Systeme, die aus Hunderttausenden von früheren Fällen statistische Zusammenhänge ableiten, könnten beispielsweise mögliche Komplikationen und Risiken frühzeitig prognostizieren. In Kombination mit der Erfahrung der Medizinerinnen und Mediziner ließen sich Behandlungsstrategien entsprechend anpassen und Überlebenschancen verbessern. Auch kann KI beitragen, das Risiko einer OP besser abzuschätzen. Per »Literatur-Mining« könnten sich Ärztinnen und Ärzte schnell aktuelle Informationen über die besten Behandlungsoptionen verschaffen – vor allem in der komplexen, fächerübergreifenden und zeitkritischen Schwerverletztenversorgung ein Vorteil. Dabei wertet die KI eine große Anzahl an medizinischer Fachliteratur aus, die automatisch regelmäßig aktualisiert wird. Das geht nicht nur wesentlich schneller als die herkömmliche Recherche in Online-Datenbanken, sondern ist auch treffsicherer: KI kann semantisch suchen, das heißt nicht nur nach vorgegebenen Begriffen, sondern auch nach verwandten Inhalten. Zudem ist sie in der Lage, Ergebnisse zu filtern und einzustufen. So würden auf einer Intensivstation beispielsweise andere Artikel angezeigt als auf einer Normalstation. »KI ist mittlerweile sehr gut darin, Informationen aus Texten zu extrahieren. Im Gesundheitswesen gibt es da einen riesigen Bedarf. Fast alle Informationen liegen in Textform vor, seien es Befunde, Arztbriefe oder Dokumentationen. Es frisst nicht nur unglaublich viel Zeit, diese Texte zu erstellen, sondern auch, sie zu lesen und auszuwerten«, so Antweiler. Klinikärztinnen und -ärzten fehlen jedoch die Kapazitäten, um beispielsweise eine dicke Patientenakte aus 20 Jahren Krankengeschichte zu studieren. Möglicherweise bedeutsame Informationen bleiben da schnell unbeachtet.

Arztbriefe endlich schnell erstellen

Im Projekt SmartHospital.NRW arbeiten Antweiler und sein Team jetzt daran, per KI automatisch die wichtigsten Diagnosen, Vorbehandlungen, Medikationen und Allergien zu extrahieren und in strukturierter Form übersichtlich für das medizinische Personal darzustellen. Ab 2024 soll das KI-basierte »Text-Mining« beim Projektpartner, der Uniklinik Essen, zum Einsatz kommen, die deutschlandweit als Vorreiter in der Digitalisierung gilt. Auch das KI-basierte Spracherkennungssystem wird sich dort bald bewähren dürfen, ebenso wie der Arztbrief-Generator, eine weitere Innovation aus dem Fraunhofer IAIS. Ärztinnen und Ärzte benötigen bisher durchschnittlich drei Stunden, um das Dokument zu erstellen, das jeder Patient bei seiner Entlassung aus der Klinik ausgehändigt bekommt und das als zentrales Kommunikationsmittel zwischen Praxen und Kliniken fungiert. Es enthält unter anderem die Anamnese und die Verdachtsdiagnose, mit der der Patient stationär aufgenommen wurde, Medikamente, die verabreicht, und Maßnahmen, die in der Klinik durchgeführt wurden. Bisher muss sich das ärztliche Personal diese Informationen mühsam aus verschiedenen IT-Systemen zusammensuchen. Eine KI soll sie in Zukunft automatisch extrahieren und in den Arztbrief einfügen. Nur die Epikrise, also die Zusammenfassung des gesamten Aufenthalts, Fazit und Behandlungsempfehlung, muss noch im Volltext verfasst werden.

Prof. Jochen Werner, ärztlicher Direktor und Vorstandsvorsitzende des Uniklinikums Essen, will sein Haus zum ersten »Smart Hospital« Deutschlands machen – und ist hier, unterstützt vom Fraunhofer IAIS, bereits auf einem guten Weg. »Daten sind das heutige Penicillin«, ist Werner überzeugt. Auf seinem Youtube-Kanal wirbt er für die Digitalisierung in der Medizin und will dem medizinischen Personal ebenso wie den Behandelten Ängste nehmen.

Bereits vor zehn Jahren hat das Uniklinikum Essen damit begonnen, sein Krankenhausinformationssystem, das bisher vor allem zur Abrechnung medizinischer Leistungen diente, zum Datenmanagementsystem umzubauen. Heute werden alle Details, die über eine Patientin oder ei­nen Patienten verfügbar sind, und alle Daten, die während des Klinikaufenthalts entstehen – beispielsweise Blutwerte, Körpertemperatur, Medikation –, in der »Smart Hospital Information Platform« (SHIP) gespeichert. Alle Apparate sind mit der Plattform verbunden. Wird etwa der Blutdruck gemessen, hinterlegt das Gerät den Wert automatisch im System. Voraussetzung hierfür ist ein offener Standard, also Software, die Schnittstellen zu SHIP ermöglicht. »Mittlerweile etabliert sich im Gesundheitswesen international ein offener Standard, der sich FHIR nennt. Gearbeitet wird hier nicht mit Textfeldern, sondern mit fixen Codes, die dann weltweit ausgelesen werden können und zum Beispiel ›Blutdruck abgenommen‹ bedeuten, erklärt Antweiler.

Bestmögliche Suche nach den richtigen Personen für klinische Studien

Doch bisher liegen Patientendaten in Deutschland meistens weder in strukturierter Form vor noch in interoperablen IT-Systemen, die sich miteinander verbinden lassen – ein Problem unter anderem für klinische Studien zu verschiedenen Erkrankungen. Bereits die Suche nach passenden Studienteilnehmerinnen und -teilnehmern ist immens aufwendig. Kliniken und Praxen überprüfen ihren Patientenstamm manuell und gleichen ihn mit dem Anforderungskatalog der Studie ab. »Am Anfang wird lediglich geschätzt, wie viele Patienten infrage kommen. Nicht selten liegen diese Schätzungen daneben. Wird die erforderliche Studiengröße unterschritten, scheitert die Studie im schlimmsten Fall. Das kann mehrere Millionen Euro kosten«, führt Sabine Kugler aus, Data Scientist am Fraunhofer IAIS.

Im Projekt PARIS arbeitet Sabine Kugler daran, die für die klinischen Studien notwendigen Informationen per KI aus Fließtexten zu ziehen und mit den Anforderungsprofilen abzugleichen. In einem ersten Anwendungsfall verwendete sie als Datengrundlage Akten von Psoriasis-Arthritis-Patienten. Rund ein Drittel der Menschen, die an Psoriasis (Schuppenflechte) leiden, entwickeln später diese spezielle Form, die mit der Entzündung von Strukturen des Bewegungsapparates einhergeht. Gemeinsam mit Rheumatologinnen und Rheumatologen des Universitätsklinikums Frankfurt und Forschenden am Fraunhofer- Institut für Translationale Medizin und Pharmakologie ITMP markierte sie Informationen, die als Auswahlkriterien für klinische Studien von Bedeutung sind, beispielsweise der Zeitpunkt der Diagnose, Schmerzintensität, Dauer der Schmerzen oder Morgensteifigkeit. »Auf dieser Grundlage trainieren wir unser KI-Modell. Aus den Beispieldaten, mit denen wir es füttern, lernt es selbstständig und kann auch Regeln ableiten. Je mehr Daten, desto besser das Ergebnis«, erklärt Kugler. Die extrahierten Informationen sollen später automatisch strukturiert und übersichtlich in einer Datenbank gespeichert werden. Über eine Abfrage lassen sich Patientinnen und Patienten gezielt nach bestimmten Kriterien filtern. »Unser KI-Modell kann leicht an weitere Rheumaerkrankun­gen angepasst werden. Wir brauchen dafür weniger Daten, weil das Modell wichtige Charakteristika von Rheuma schon gelernt hat. Für andere Krankheitsbilder wie Krebs oder Diabetes müsste es aber komplett neu trainiert werden«, so Kugler.

Das komplexe Zusammenspiel möglicher Krankheitsfaktoren entwirren

Doch die Fraunhofer-Forscherinnen und -Forscher gehen weiter: Sie wollen große Datenmengen auch zur Verbesserung der Diagnoseerstellung und Therapie von Psoriasis-Arthritis (PsA) nutzen. Zusammen mit 26 Partnern aus Europa, den USA und Kanada arbeiten sie seit Juli 2021 in dem Projekt HIPPOCRATES daran, unter anderem mittels Datenanalyse das komplizierte Zusammenspiel einer Vielzahl unterschiedlicher Faktoren bei der Entstehung von PsA besser zu verstehen. Denn gerade die uneinheitliche Symptomatik und die höchst unterschiedlichen Krankheitsverläufe erschweren das Erkennen von PsA und die frühzeitige Therapieeinleitung. Oft liegt eine Entzündung der Gelenkinnenhaut an Händen und Füßen vor, es können aber auch die Sehnen, die Augen oder der Darm betroffen sein. »Durch diese großen Variationen im klinischen Bild wird die Krankheit meist zu spät erkannt, was wiederum die Therapiechancen deutlich verschlechtert. Wir brauchen deshalb diagnostische Tools, die in der Praxis eine verlässliche Frühdiagnose ermöglichen«, erklärt Rheumatologin Dr. Michaela Köhm, die am Frankfurter Fraunhofer ITMP in der Abteilung Klinische Forschung eine wissenschaftliche Gruppe leitet, die eng mit dem Uniklinikum verzahnt ist.

Neidvoller Blick nach Skandinavien

HIPPOCRATES führt die Datensätze und Kohorten der größten europäischen PsA-Studien zusammen, um mittels KI nach belastbaren Mustern zwischen klinischen, bildgebenden und molekularen Patientenmerkmalen zu fahnden. So soll ein passender Kriterien-Katalog entwickelt werden, mit dessen Hilfe die Krankheit und ihr Verlauf besser prognostiziert werden können. »Im klinischen Bereich schätzt man sich ja bereits glücklich bei einem Datensatz von 1000 Patienten«, sagt Sina Mackay, Data Scientist am Fraunhofer IAIS. »Bei HIPPOCRATES liegt uns aber ein Vielfaches davon vor. Diese jetzt erst einmal zu harmonisieren, ist ein ziemlicher Kraftakt, der sich aber schnell auszahlen wird.« Nicht nur die Einheitlichkeit, sondern auch die Vollständigkeit der Datensätze wird vermutlich zu wünschen übrig lassen. »Wir suchen deshalb nach Methoden des Maschinellen Lernens, die auch mit fehlenden Werten gut umgehen können«, erklärt Sina Mackay.

Mit leichtem Neid blicken Mackay, Köhm, Kugler und Antweiler nach Skandinavien, wo die Forschung regelmäßig auf sehr viel größere Mengen an Patientendaten zurückgreifen kann, um diese für Projekte wie HIPPOCRATES zu verwenden. Finnland beispielsweise hat alle seit 1960 gesammelten Gesundheitsdaten digitalisiert und gewährt der Forschung auf diese anonymisierten medizinischen Daten Zugriff. Auch in Estland werden Gesundheitsdaten an zentraler Stelle gesammelt, anonymisiert und auf Antrag Wissenschaftlerinnen und Wissenschaftlern zur Verfügung gestellt. »Wir müssen in Deutschland dringend Wege finden, innerhalb des rechtlichen Rah­mens medizinische Forschung mit großen Mengen an Gesundheitsdaten zu ermöglichen«, fordert Köhm. »Andernfalls vergeben wir die Chance, Muster zu erkennen, die beispielsweise Rückschlüsse auf das individuelle Risiko für Krankheiten, Komorbiditäten oder Nebenwirkungen von Medikamenten zulassen und verlieren in der Forschung international den Anschluss.« Erst die Vielzahl ermöglicht es, das Einzelne zu verstehen.