Zusammenfassung
Labordaten sind zugleich wertvoll und komplex – mithilfe von künstlicher Intelligenz können Ärzte in der Probenanforderung und Auswertung unterstützt werden, um so Krankheiten gezielter und früher zu erkennen. Dieser Beitrag gibt einen Überblick über das Potenzial der Anwendung von künstlicher Intelligenz im Bereich der Labordaten. Die Autoren sind die Gründer eines Unternehmens, welches sich auf dieses Themenfeld spezialisiert hat. Entscheidend für die Adoption im Klinikum sind sowohl die Einbindung in die Klinikabläufe, eine Oberfläche, die Freude in der Bedienung macht, und zudem eine Nachvollziehbarkeit in den Machine-Learning-Vorhersagen. In diesem Beitrag wird die Technologie beschrieben, welche bestehende Diagnosen so mit einem Knowledge-Graphen kombiniert, um medizinisch nachvollziehbare Vorschläge und Hinweise für Ärzte zu liefern. Durch eine zentrale und dezentrale Architektur können die Anforderungen an eine Anonymisierung von Patientendaten mit den Chancen eines einrichtungsübergreifenden Wissenstransfers in Einklang gebracht werden. Während die technischen Herausforderungen – auch durch Nutzung gängiger und vielfach erprobter IT-Standards – gelöst werden können, erfordert die inhaltliche Harmonisierung (Kontext/medizinische Schemata) noch viel Zeit und Bemühungen. Die Adoption internationaler Standards, aber auch die praxisnahe IT-Entwicklung – darunter beispielsweise die Verbreitung von Open-Source-Konnektoren – sind zu begrüßen. Nur mit dem entsprechenden Kontext innerhalb der Datensätze und einer intelligenten Verknüpfung der Systeme können das stetig wachsende Forschungswissen, aber auch „Big Data“ als echte Hilfe für die praktische Arbeit der Ärzte im täglichen Klinikalltag dienen. Für die Herstellung dieses Kontexts – innerhalb des weiten Lösungsspektrums der künstlichen Intelligenz – bietet die Graph-Technologie interessante Möglichkeiten, die ebenso im Rahmen des Beitrags beschrieben werden.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning (S. 1–15). MIT Press.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Stumpe, F., Kirchhoff, J. (2022). Diagnoseunterstützung durch künstliche Intelligenz für Labordaten. In: Pfannstiel, M.A. (eds) Künstliche Intelligenz im Gesundheitswesen. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-33597-7_23
Download citation
DOI: https://doi.org/10.1007/978-3-658-33597-7_23
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-33596-0
Online ISBN: 978-3-658-33597-7
eBook Packages: Business and Economics (German Language)