Drei Beispiele für Optimierungen im Krankenhaus mit Big Data und KI

Die COVID-19 Pandemie führte zu einer teilweise beschleunigten digitalen Transformation in Krankenhäusern und angeschlossenen Einrichtungen wie eine Umfrage der Deloitte von 2020 herausfand.

Ein Drittel der damals Befragten stellten fest, dass zumindest zum Teil mehr Technologie eingesetzt wurde. Vielerorts wurden bestehende Digitalisierungs-bestrebungen offensiver vorangetrieben, so dass viele Krankenhäuser sich nun auch für die Mehrwerte interessieren, die aus der Analyse von Echtzeit Daten entstehen. Nach eine Umfrage des Industrieverbands Bitkom aus dem Jahre 2021 gaben 82 Prozent der Ärzte in Krankenhäusern an, „es sei mehr Tempo beim Ausbau digitaler Angebote nötig“.

Lösungen, die KI und Daten in nahezu Echtzeit einsetzen, ermöglichen in einer Reihe von Anwendungsfällen teils drastische Verbesserungen. Drei der spannendsten Fälle werden hier vorgestellt.

Überwachung von Diabetes-Patienten

Einige Ärzte nutzen zur Früherkennung von Diabetes bereits heute Analysen aus dem Kernspintomographen (MRT). Anhand der Fettverteilung im Körper können sie schnelle Diagnosen erstellen und dadurch Behandlungsempfehlungen geben. Jeder Diabetes-Patient sammelt jährlich selbst Daten. Bis zu 100.000 Glukosemessungen werden pro Jahr pro Patienten erhoben. Sollten diese Daten zentral gesammelt und mit KI ausgewertet werden, könnten Ärzte bessere und schnellere Entscheidungen für die Behandlung der betroffenen Personen treffen. In Deutschland gibt es in der Altersgruppe 18 bis 79 Jahre 7.2 Prozent Diabetes Patienten, 2.1 Prozent so wird vermutet haben Diabetes, ohne es überhaupt zu wissen.

Ärzte und Pfleger unter Stress – muss das sein?

Nicht erst durch die Belastung der COVID-19 Pandemie hat die Arbeitsintensität und der Stress von Ärzten und Pflegern deutlich zugenommen. Die Risiken, dass Patienten durch verzögerte Behandlungen, verschobene OPs und überlastete Labore leiden, sind hoch. Mit KI und Echtzeit-Datenanalysen könnten schnellere Diagnosen bei verschiedenen Krankheitsbildern durch Vergleichsdaten aus ähnlichen Fällen für eine bessere Patientenbehandlung und im Anschluss zu einer schnelleren Genesung führen. Ein Beispiel dafür ist die App imitoWound. Sie kann durch die automatische Erkennung von Wunden und einer qualitativen und quantitativen Charakterisierung den Ärzten eine geeignete Behandlung vorschlagen. Das Projekt wurde vom Zentrum für Wunden und Wundheilung an der Hochschule für Gesundheit Genf (HEdS-Genf), das Interprofessional Center for Simulation, die Computer Science Abteilung der Universität Genf und der imito AG entwickelt und auf den Schweizer Markt gebracht.

Smartwatch & Wearables – Datenschatz wartet auf Hebung

Smartwatches, Fitnesstracker und andere Wearables bergen durch ihre Sensoren zahlreiche Potentiale, um Gesundheitsdaten schnell und unproblematisch an Ärzte zu schicken. Es fehlt noch an den Analysefertigkeiten. 3.2 Millionen Smartwatches sind laut Statista in Deutschland im Einsatz. Sie messen Herzfrequenz, Puls und einige sogar die Sauerstoffsättigung, alles im Ernstfall wichtige Informationen für Ärzte, die das Leben eines Patienten im Falle eines Schlaganfalls retten müssen. Die weitere Entwicklung könnte hier noch viele weitere Möglichkeiten kreieren, bei denen Gesundheitsdaten durch KI und Datenanalysen in nahezu Echtzeit Patienten eine schnellere und zielgenauere Behandlung und Ärzten und Pfleger:innen weniger Stress durch aufwendige und langwierige Tests bereiten würden.

Medizinischer Fortschritt auf Basis einer Lakehouse-Architektur

Wie bereits geschrieben, können Daten und künstliche Intelligenz das deutsche Gesundheitssystem verändern. Eine fundierte Datenanalyse ist jedoch nur möglich, wenn die richtige Datenarchitektur vorhanden ist – eine offene Architektur, die es Gesundheitsorganisationen ermöglicht, strukturierte, unstrukturierte und halbstrukturierte Daten an einem Ort zu verwalten. Diese Datenarchitektur wird als Data Lakehouse bezeichnet und ermöglicht es bereits vielen Gesundheitsorganisationen auf der ganzen Welt, Krankheitsrisiken vorherzusagen, medizinische Bilder zu klassifizieren und die Entwicklung neuer Medikamente zu beschleunigen. Andere Datenarchitekturen, wie Data Warehouses, sind für den Gesundheitssektor zu teuer, da sie die Bereitstellung von Analyseergebbnisse in Echtzeit, die für wichtige Versorgungsentscheidungen benötigt werden, behindern und oft zu komplex und kostspielig zu verwalten sind.

Fazit

KI und Echtzeit-Datenanalysen, unterstützt durch eine Lakehouse-Architektur, können die Möglichkeiten der Patientenversorgung in Deutschland immens verbessern. Moderne Technologien und die über Jahre angesammelten Daten – teils von den Patienten selbst erhoben – heben nicht nur Optimierungsschätze, sondern fördern auch die Gesundheit der Patienten selbst. Die Behandlung kann durch schnellere Diagnosen und durch weniger gestresstes Personal deutlich verbessert werden.

Autor: Michael Sanky, Global Industry Lead, HealthCare & Life Sciences bei Databricks, www.databricks.com/de/