26. März 2024
Die Integration von Künstlicher Intelligenz (KI) in der Gesundheitsforschung und -versorgung verspricht zahlreiche Fortschritte für die Zukunft. Auf technischer Ebene erfordert die Entwicklung von unterstützenden Algorithmen jedoch eine grosse Menge aussagekräftiger, strukturierter und interoperabler Daten, und in der Praxis eine gute Regulation der KI-Anwendungen. Die Anstrengungen im Bereich Interoperabilität der SPHN-Initiative bieten eine solide Grundlage für die aufstrebenden KI-Entwicklungen in der medizinischen Forschung und Versorgung.
KI birgt grosses Potential für die Gesundheitsforschung und zur Unterstützung in der klinischen Praxis und Entscheidungsfindung, aber sie kommt mit einem grossen «caveat»: KI-Modelle – und die Aussagekraft ihrer Resultate – sind nur so gut wie die Daten, die dem Algorithmus zum Training zur Verfügung gestellt wurden. Zwei wichtige Voraussetzungen müssen deshalb erfüllt sein, damit KI-Entwicklungen in der Schweizer Medizin Fuss fassen: Erstens, das Vorhandensein einer kritischen Masse an Daten (Big Data) und zweitens eine solide Datenbasis, die idealerweise der Schweizer Population entspringt, damit die KI-unterstützten Produkte auch für die hiesige Bevölkerung zugeschnitten sind.
In einem kleinen Land wie der Schweiz kann Big Data nur durch das Zusammenführen aus verschiedenen Quellen erreicht werden. Damit die Daten innerhalb dieser Masse ausserdem vergleichbar (interoperabel) sind, muss die Datenerhebung bzw. -aufbereitung gezielt koordiniert werden. Dies umfasst einerseits die Implementierung von klar definierten Standards, sodass Daten in einem einheitlichen Format erfasst werden, und andererseits das Bereitstellen von genügend Kontextinformation (Metadaten), die die Daten beschreiben und somit durch Menschen und Maschine interpretierbar machen. Beides ist essentiell, um die Qualität der Daten für einen bestimmten Zweck beurteilen zu können.
Die SPHN-Interoperabilitätsstrategie schafft die Voraussetzungen
Im Rahmen der semantischen Interoperabilitätsstrategie haben Semantik-Expertinnen und -Experten und Fachpersonen aus der Versorgung und Forschung klare Definitionen für über 150 klinische Variablen erarbeitet und daraus sogenannte SPHN-Konzepte entwickelt. Hierbei kommen international anerkannte Datenstandards wie SNOMED-CT oder LOINC zur Anwendung. Die Verwendung offener Standards des World Wide Web Consortium (W3C) in SPHN ermöglicht, diese Daten auch mit anderen Daten (ausserhalb der klinischen Medizin) zu verlinken, beispielsweise mit Umwelt- oder biologischen Daten.
Dank der leistungsstarken Schemasprache können alle Eventualitäten abgebildet werden, und die benutzten Standards und Ontologien ermöglichen KI-Algorithmen bereichsspezifische Verallgemeinerungen zu lernen. Die von SPHN geschaffenen Rahmenbedingungen ermöglichen eine effiziente Bereitstellung von nutzbaren klinischen Routinedaten für die Entwicklung KI-basierter Medizinprodukte, die von den klar definierten Zusammenhängen zwischen den Datenelementen lernen und profitieren können.
Wir stehen erst am Anfang der Entwicklungen
Die technischen und datenbezogenen Voraussetzungen sind nur ein wichtiger Aspekt für KI. Ebenso wichtig und nicht minder komplex ist die Frage der Regulierung von KI-Anwendungen in der Praxis. Dies ist umso entscheidender, je mehr sich die Grenzen zwischen Forschung und Behandlung aufweichen. Die neu geschaffene «SPHN Data Governance Working Group» setzt sich deshalb mit den Anforderungen und Praktiken auseinander, die für die Nutzung von Gesundheitsdaten zur Entwicklung von KI-basierten Algorithmen und Entscheidungshilfen für die Patientenbehandlung notwendig sind. Die Bedeutung von KI-Anwendungen in der personalisierten medizinischen Forschung und Behandlung wird mit Sicherheit zunehmen. Die geschilderten Anstrengungen von SPHN legen die Grundlagen, dass die Schweiz auch künftig mit dabei ist.
Grenzüberschreitende Zusammenarbeit ist die Zukunft
International beteiligt sich die Schweiz übrigens am Projekt ARGOS, das seit Mitte 2021 läuft. Die Universitätsspitäler Basel und Zürich sowie sciCORE, einer der drei BioMedIT-Nodes, bilden den Schweizer Knoten eines internationalen «Personal Health Train». Im Rahmen dieses Projekts wird an mehr als 20 Standorten weltweit ein Algorithmus trainiert, der nach dem biologischen Vorbild des menschlichen Gehirns modelliert ist (deep learning), um CT-Bilder von Lungenkrebspatientinnen und -patienten automatisiert zu segmentieren. Was solche Entwicklungen für die Praxis bedeuten, können Sie im Schwerpunkt dieses Bulletins (S. 1–3) lesen.