Dr. med. Algorithmus – maßgeschneiderte Medizin dank Machine Learning?
Auf der Intensivstation schlägt ein Algorithmus-basiertes System Alarm: Ein Patient droht, in näherer Zukunft ein Organversagen zu erleiden. Ein weiterer Algorithmus errechnet den wahrscheinlichsten Todeszeitpunkt eines Patienten, der soll dann palliative Pflege am Lebensende bekommen. Ein Programm prognostiziert das Risiko eines Schlaganfall-Patienten, einen zweiten Schlaganfall zu erleiden, und schlägt eine Therapie vor.
Bei all diesen Beispielen aus realen Anwendungen und Forschungszielen stehen zwei Dinge im Mittelpunkt: Algorithmen und individuelle Prognosen für Patienten. Rückt das Ziel einer personalisierten Medizin also durch sogenanntes Machine Learning näher?
Die Methode des maschinellen Lernens macht es möglich, individuelle Prognosen für Patienten zu treffen – sei es, die richtige Therapie zu finden, oder den Verlauf der Krankheit vorauszusagen. Anhand großer Datenmengen lernen Algorithmen selbstständig, welche Kriterien wichtig sind, um solche Vorhersagen zu treffen. In der Radiologie erzielen Methoden der Künstlichen Intelligenz bei der Bildanalyse von beispielsweise Computertomografie- oder Kernspin-Bildern bereits erstaunliche Ergebnisse. Die Algorithmen können in diesem Feld mindestens gleich gut Diagnosen aus den Bildern herauslesen wie Radiologen – etwa bei der Brustkrebs-Diagnose anhand von Mammografie-Bildern. Erst kürzlich ließ die US-amerikanische Arzneimittelbehörde FDA ein erstes Produkt zu, dass eine bei Diabetes auftretende Augenkrankheit mittels Algorithmen zuverlässig diagnostizieren soll.
In dem SMC Press Briefing werden Experten den aktuellen Stand der Forschung erläutern, wie sich klinische Resultate mithilfe von Machine Learning vorhersagen lassen, zum Beispiel Verfahren wie die Prognose des Todeszeitpunktes eines von der Stanford University vorgestellten Algorithmus, dessen Validierung für den klinischen Alltag noch am Anfang steht. Vor dem Einsatz von Machine Learning als Prognosemethode ergeben sich wichtige Fragen, die in der weiteren Erforschung und Implementierung wichtig werden können: Wann ist ein Algorithmus gut genug für die klinische Praxis? Und was wird er nie können? Welche konkreten Folgen kann der Einzug von Machine Learning in die Medizin nach sich ziehen? Was sind Voraussetzungen, damit die Technik überhaupt im klinischen Alltag routinemäßig eingesetzt werden kann und die Patientenversorgung verbessern hilft?
Diese Fragen – und Ihre! – beantworten die Experten auf dem Podium.
Experten auf dem Podium
- Prof. Dr. Michael Forsting
Direktor des Instituts für Diagnostische und Interventionelle Radiologie und Neuroradiologie, Universitätsklinikum Essen, persönliche Website - Prof. Dr. Dr. Thomas Lengauer
Direktor der Abteilung Computational Biology and Applied Algorithmics, Max-Planck-Institut für Informatik, Saarbrücken, persönliche Website - Prof. Dr. Karsten Weber
Ko-Leiter des Instituts für Sozialforschung und Technikfolgenabschätzung (IST) und Leiter des Labors für Technikfolgenabschätzung und Angewandte Ethik (LaTE), Ostbayerische Technische Hochschule (OTH), Regensburg, persönliche Website