Bereiche wie Logistik oder Supply Chain profitieren bereits von digitalen Prozessen und deren Effizienz. Es gibt Prognosen, dass Anwendungen wie Künstliche Intelligenz (KI) auch die Gesundheitsbranche stark beeinflussen werden. Beispielsweise kann mithilfe Maschinellen Lernens die Auswertung von Röntgenbildern und somit präzisere Diagnosen unterstützt werden. KI soll außerdem die Früherkennung von Demenz (mit einer Wahrscheinlichkeit von 82 bis 90 Prozent) und Brustkrebs verbessern. Im zweiten Anwendungsfall kann die KI die Krankheit nicht nur früh voraussagen, sondern auch eine passgenaue Therapie vorschlagen, zum Beispiel wie ein Patient auf die Chemotherapie reagieren wird.

Ein Projekt mit guten Aussichten

Auch in der Gesundheitsforschung selbst ist der Einsatz von Künstlicher Intelligenz voraussichtlich bald nicht mehr wegzudenken – gerade, wenn es um die Auswertung etlicher Datensätze geht, um mögliche Korrelationen oder Kausalitäten festzustellen. Ein aktuelles Projekt zeigt, wie solche modernen Technologien die Forschung zielführend unterstützen können. Forschungsgegenstand des Projektes sind seltene neuromuskuläre Erkrankungen. Sie sind eine Untergruppe der neurologischen Erkrankungen und haben häufig eine genetische Ursache. Diese Erkrankungen können einen tödlichen Verlauf nehmen. Eine frühzeitige Diagnosestellung ist daher wichtig, um früh mögliche Maßnahmen ergreifen zu können.

Im Rahmen des NRW-Leitmarktwettbewerbs Lebenswissenschaften, koordiniert vom Wissenschaftsministerium zusammen mit dem EFRE.NRW (Europäischer Fonds für regionale Entwicklung) sollen Gen- und Protein-Signaturen als Diagnosesystem für neuromuskuläre Erkrankungen untersucht werden. Ein großes Interesse der Pharmaindustrie an dieser Forschung gibt es nicht, da in Deutschland schätzungsweise „nur“ bis zu 2,6 von 10000 Kindern von diesen Krankheiten betroffen sind. Eine offizielle Statistik gibt es nicht – kein lukratives Geschäft aus Sicht der Pharmakonzerne.

Zum Hintergrund der Krankheit: Neuromuskläre Erkrankungen werden unter anderem durch Mutationen in mehreren hundert Genen verursacht. Daher ist es sinnvoll, krankheitsrelevante Gene zu analysieren. Aktuell bleiben jedoch trotz intensiver Genanalysen ca. 50% der neuromuskulären Fälle ungeklärt. Interessanterweise hat die Kombination von Gen- und Proteinanalyse bei Patienten mit neuromuskulären Erkrankungen zur Identifikation erster genetischer Varianten geführt. Daher hat die Analyse von Proteinkompositionen unter der Verwendung von Patientenmaterial zunehmend Einzug in die Forschung genommen. Bislang existieren allerdings kaum klinische Daten, die kombiniert betrachtet und auf deren Grundlage Algorithmen zur gezielten Mustererkennung entwickelt werden können. Eine Diagnose der Krankheit ist dementsprechend zurzeit nur durch eine Genanalyse beziehungsweise Muskelbiopsie möglich – zwei kostspielige Vorgehensweisen, die dementsprechend meist erst spät im Krankheitsverlauf angewendet werden. Eine wesentlich günstigere Variante wären sogenannten proteomische Analysen, die per Blutabnahme Proteine untersuchen und sehr frühzeitig und kostengünstig eingesetzt werden können.

Um diese Diagnosevariante nutzen zu können, muss aber zunächst ein Zusammenhang zwischen einem zu hohen oder zu niedrigen Proteinwert und einer bestimmten Genmutation hergestellt werden, die wiederum auf eine neuromuskuläre Erkrankung schließen lässt.

Algorithmen und deren Aussichten

An dieser Stelle kommt Künstliche Intelligenz zum Einsatz. Um eine Beziehung zwischen Genen und Proteinen herstellen und gleichzeitig zusätzliche Patientendaten berücksichtigen zu können, benötigt es nämlich moderner Datenanalyse-Verfahren. Voraussetzung hierfür ist die Prüfung verschiedener statistischer Verfahren, sowie die richtige Datenaufbereitung. Unter Verwendung eines eigens generierten Algorithmus, der anhand der Datensätze vieler kollaborierender klinischer Partner „trainiert“ wird, wird es möglich, Muster der Gen- und Protein-Korrelation zu bestimmen, die den genetischen Defekt möglichst exakt vorhersagen. Diese sehr sichere Diagnosestellung unter Einsatz moderner Data Analytics wird die Beratung und rechtzeitige Behandlung erheblich verbessern.

Das Projekt wird über einen Zeitraum von drei Jahren durchgeführt werden und ist ein weiterer Beweis dafür, welchen Stellenwert Technologie, insbesondere KI, im Gesundheitswesen und der verbundenen Forschung einnehmen können. Tausende, Millionen Daten in schneller Zeit zu analysieren und miteinander zu verbinden, kann neue Erkenntnisse bringen und den manuellen Aufwand dabei vollkommen eliminieren – um so weltweit Krankheiten zu eliminieren.

Welche Anwendungen der Künstlichen Intelligenz kennen Sie aus dem Gesundheitswesen? Wo sehen Sie Chancen und Risiken?

In meinem Webinar habe ich eine Übersicht über die Funktionen gängiger Data-Analytics Tools und deren Vorteile und Nachteile gegeben.