Der rasante Aufstieg der KI-gestützten klinischen Entscheidungsunterstützung
Weltweit wetteifern Technologieunternehmen darum, KI-gestützte Tools für die klinische Entscheidungsunterstützung (CDS) zu entwickeln, die einen globalen Markt anvisieren, der bis 2033 voraussichtlich 15 Milliarden US-Dollar erreichen wird. Eine neue Generation von KI-Tools, die auf großen Sprachmodellen (LLMs) basieren, bewegt sich schnell von der Entwicklung in den klinischen Alltag. Gesundheitssysteme und Technologieunternehmen integrieren diese Tools in klinische Arbeitsabläufe und versprechen schnellere Evidenzsynthese und reaktionsschnellere Entscheidungsfindung am Krankenbett. Doch während CDS-Systeme in die Praxis Einzug halten, bleiben grundlegende Fragen offen, wie sie bewertet werden, welche Evidenz ihre Verwendung stützt und wie sie in großem Maßstab gesteuert werden.
Das Versprechen von KI im Gesundheitswesen wird seit langem gepriesen, aber jüngste Fortschritte bei der Verarbeitung natürlicher Sprache und generativer KI haben das Tempo der Einführung beschleunigt. Im Gegensatz zu früheren regelbasierten Systemen können moderne CDS-Tools unstrukturierte klinische Notizen lesen und interpretieren, große Mengen medizinischer Literatur synthetisieren und in Echtzeit personalisierte Empfehlungen generieren. Diese Fähigkeit hat die Aufmerksamkeit von Klinikern und Administratoren gleichermaßen erregt, die Potenzial für eine verbesserte Diagnosegenauigkeit, eine geringere Verwaltungslast und eine effizientere Versorgung sehen.
Wichtige Akteure und unterschiedliche Strategien
Zu den US-amerikanischen Marktführern, die um Marktanteile kämpfen, gehören allgemeine Verbraucher-KI-Tools wie ChatGPT sowie spezialisierte CDS-Systeme, darunter die von Abridge, Atropos Health und OpenEvidence. Diese spezialisierten CDS-Unternehmen haben unterschiedliche Meinungen darüber, wie sich das Feld als Nächstes entwickeln wird.
Das in Pittsburgh ansässige Unternehmen Abridge entwickelt Ambient-KI-Technologie, die Arzt-Patienten-Gespräche abhört und automatisch klinische Notizen und andere Workflow-Unterstützungstools für Gesundheitssysteme generiert. Durch die Automatisierung der Dokumentation will Abridge die Burnout-Rate bei Ärzten senken und Zeit für die Patienteninteraktion freisetzen. Der Ansatz des Unternehmens konzentriert sich auf die nahtlose Integration in bestehende elektronische Patientenaktensysteme (EHR) und bietet Echtzeit-Transkription und Notizgenerierung, die von Klinikern bearbeitet und genehmigt werden können.
Das in Boston ansässige Unternehmen OpenEvidence vermarktet ein KI-Tool direkt an Ärzte, von dem das Unternehmen behauptet, es sei die „am weitesten verbreitete medizinische KI“ unter US-amerikanischen Klinikern. Die Plattform konzentriert sich darauf, die beste verfügbare Evidenz aus der veröffentlichten Literatur zu destillieren und Klinikern prägnante, evidenzbasierte Antworten auf klinische Fragen zu liefern. Der CEO und Gründer von OpenEvidence, Daniel Nadler, stellt sich eine Zukunft vor, in der KI einen Großteil der „Standard-of-Care“-Teile der Evidenzsynthese automatisiert, sodass sich Ärzte auf komplexe Fälle und die Kommunikation mit Patienten konzentrieren können.
Atropos Health, ein Spin-off der Stanford University, fördert ein CDS-System, das es Klinikern ermöglichen soll, neuartige Fragen in Situationen zu stellen, in denen Lücken in der traditionellen, formell veröffentlichten Evidenz bestehen können. Durch die Nutzung von Real-World-Daten aus Patientenakten will Atropos Evidenz spontan generieren und so klinische Unsicherheiten adressieren, die nicht durch bestehende Studien abgedeckt sind. Dieser Ansatz stellt eine Verschiebung von der evidenzbasierten Medizin hin zu einer evidenzgenerierenden Medizin dar, bei der KI in nahezu Echtzeit umsetzbare Erkenntnisse aus Daten produzieren kann.
Die Datenbasis: Elektronische Patientenakten und Ambient Scribes
Die Daten, die CDS-Systeme speisen, stammen zunehmend direkt aus Patientenakten. Im letzten Jahrzehnt sind elektronische Patientenakten (EHR), die automatisch Patientendaten scannen, um Krankheitsindikationen zu verfolgen und Kliniker zu alarmieren, in vielen Gesundheitssystemen weltweit allgegenwärtig geworden. Es dauerte jedoch bis vor etwa drei Jahren, mit der Masseneinführung von „Ambient Scribes“, die Arzt-Patienten-Konsultationen automatisch in klinische Aufzeichnungen transkribieren, bis KI-gestützte CDS für die Hauptsendezeit bereit zu sein schien.
Ambient Scribes haben die Art und Weise, wie klinische Daten erfasst werden, revolutioniert. Durch die automatische Generierung strukturierter Notizen aus Gesprächen haben sie die Dokumentationslast für Kliniker reduziert und die Vollständigkeit und Genauigkeit von EHR-Daten verbessert. Dieser reichhaltige Echtzeit-Datenstrom liefert den Treibstoff für KI-Algorithmen, um zu lernen und Erkenntnisse zu generieren. Wie Nadler anmerkt, ist das Ziel, einen Großteil der „Standard-of-Care“-Teile der Evidenzsynthese zu automatisieren und das neueste medizinisches Wissen am Behandlungsort zugänglich zu machen.
Die Abhängigkeit von EHR-Daten wirft jedoch Bedenken hinsichtlich Datenqualität, Verzerrung und Interoperabilität auf. EHRs sind bekanntermaßen fragmentiert, mit unterschiedlichen Formaten und Kodierungspraktiken in verschiedenen Einrichtungen. KI-Modelle, die mit solchen Daten trainiert werden, können Verzerrungen übernehmen, die zu Ungleichheiten in der Versorgung führen könnten. Darüber hinaus erfordert die Integration von KI-Tools in klinische Arbeitsabläufe einen nahtlosen Datenaustausch zwischen Systemen, was eine technische und regulatorische Herausforderung darstellt.
Die Evidenzlücke: Bewertungs- und Governance-Herausforderungen
Während CDS-Systeme in die Praxis Einzug halten, stellt sich eine entscheidende Frage: Kann die Evidenz mithalten? Traditionelle klinische Studien sind langsam und teuer und brauchen oft Jahre, um Ergebnisse zu liefern. Im Gegensatz dazu werden KI-Tools häufig aktualisiert, und ihre Empfehlungen können sich ändern, wenn neue Daten verfügbar werden. Dies führt zu einer Diskrepanz zwischen dem Tempo der Innovation und dem Tempo der Evidenzgenerierung.
Regulierungsbehörden wie die US-amerikanische Food and Drug Administration (FDA) haben begonnen, Rahmenwerke für KI-basierte Medizinprodukte zu etablieren, aber viele CDS-Tools unterliegen keiner Vorabprüfung. Die FDA hat Leitlinien zur Software für klinische Entscheidungsunterstützung herausgegeben, aber die Grenze zwischen regulierten und nicht regulierten Tools bleibt verschwommen. Einige Tools gelten als „risikoarm“ und sind von der Vorabmitteilung ausgenommen, während andere strengere Prüfungen erfordern. Diese regulatorische Unsicherheit hat zu Forderungen nach klareren Leitlinien und Mechanismen zur Überwachung nach dem Inverkehrbringen geführt.
Darüber hinaus ist die Evidenzbasis für viele KI-CDS-Tools dünn. Eine aktuelle systematische Überprüfung ergab, dass nur wenige KI-basierte CDS-Systeme in prospektiven klinischen Studien evaluiert wurden und die meisten Studien methodische Mängel aufweisen, wie kleine Stichprobengrößen, fehlende Kontrollgruppen und kurze Nachbeobachtungszeiten. Das Fehlen robuster Evidenz macht es für Kliniker und Gesundheitssysteme schwierig, fundierte Entscheidungen über die Einführung dieser Tools zu treffen.
Governance ist ein weiteres großes Anliegen. Wer ist verantwortlich, wenn eine KI-Empfehlung zu einer Fehldiagnose oder einem unerwünschten Ergebnis führt? Wie sollten KI-Tools überwacht und aktualisiert werden, um sicherzustellen, dass sie sicher und wirksam bleiben? Diese Fragen sind besonders dringend, da KI-Tools autonomer werden und in kritische Versorgungspfade integriert werden.
Der Weg nach vorn: Innovation und Evidenz in Einklang bringen
Trotz dieser Herausforderungen sind die potenziellen Vorteile von KI-CDS zu groß, um sie zu ignorieren. KI hat die Fähigkeit, große Datenmengen zu synthetisieren, Muster zu erkennen, die Menschen möglicherweise übersehen, und Entscheidungsunterstützung in ressourcenbeschränkten Umgebungen zu bieten. Um diese Vorteile zu realisieren, müssen die Beteiligten zusammenarbeiten, um robuste Bewertungsrahmen, transparente Berichtsstandards und adaptive Regulierungswege zu entwickeln.
Ein vielversprechender Ansatz ist die Verwendung von „lebenden“ systematischen Übersichten und Real-World-Evidenz zur Ergänzung traditioneller Studien. Durch die kontinuierliche Überwachung von KI-Tools in realen Umgebungen können Forscher Evidenz zu Leistung, Sicherheit und unbeabsichtigten Folgen generieren. Dieser Ansatz erfordert die Zusammenarbeit zwischen Entwicklern, Klinikern, Forschern und Regulierungsbehörden sowie Investitionen in Dateninfrastruktur und Analytik.
Ein weiterer wichtiger Aspekt ist die Einbindung von Klinikern. Damit KI-CDS akzeptiert und wirksam wird, müssen Kliniker den Tools vertrauen und ihre Grenzen verstehen. Dies erfordert Aufklärung und Schulung sowie transparente Kommunikation darüber, wie KI-Empfehlungen generiert werden und welche Evidenz sie stützt.
Schließlich besteht Bedarf an internationaler Harmonisierung von Standards und Vorschriften. KI-CDS-Tools sind globale Produkte, und Unterschiede in den regulatorischen Anforderungen zwischen Ländern können Innovation und Zugang behindern. Kooperationsbemühungen wie das International Medical Device Regulators Forum (IMDRF) arbeiten an gemeinsamen Prinzipien für KI-basierte Medizinprodukte, aber es muss noch mehr getan werden.
Fazit
KI-gestützte klinische Entscheidungsunterstützung wird schnell ausgebaut, angetrieben durch Fortschritte bei großen Sprachmodellen und die Verbreitung elektronischer Gesundheitsdaten. Der Markt boomt, und Unternehmen wie Abridge, OpenEvidence und Atropos Health gehen mit innovativen Ansätzen voran. Die Evidenzbasis für diese Tools ist jedoch noch im Aufbau, und es bleiben erhebliche Herausforderungen bei Bewertung, Governance und Regulierung.
Während KI das Gesundheitswesen weiter transformiert, ist es wichtig, mit strenger Bewertung und durchdachter Aufsicht Schritt zu halten. Nur wenn wir sicherstellen, dass KI-CDS-Tools sicher, wirksam und gerecht sind, können wir ihr volles Potenzial zur Verbesserung der Patientenversorgung und -ergebnisse ausschöpfen.
Dieser Artikel basiert auf einer Berichterstattung von Nature Medicine. Lesen Sie den Originalartikel.
Originally published on nature.com
