Im Interview spricht die Nachwuchswissenschaftlerin Antje Wulff darüber, wie die Medizininformatik die Versorgung der Patientinnen und Patienten verbessern wird – und welche Rolle die Künstliche Intelligenz dabei spielen kann.
Wie sind Sie Medizininformatikerin geworden?
Antje Wulff: Zunächst habe ich Wirtschaftsinformatik studiert. Den ersten Kontakt mit der Medizin hatte ich bereits im Bachelor-Studium während meiner Arbeit bei der IBM im Bereich „Healthcare and Life Sciences“. Das hat mir so gut gefallen, dass ich bei der Medizin geblieben bin. Es ist mir wichtig, die Informatik zu nutzen, um den Menschen zu helfen. Meinen Master machte ich dann am PLRI, dem Peter L. Reichertz Institut für Medizinische Informatik der TU Braunschweig und der Medizinischen Hochschule Hannover. Dort bin ich jetzt wissenschaftliche Mitarbeiterin.
Zur Person
Antje Wulff
privat
Antje Wulff ist wissenschaftliche Mitarbeiterin am Peter L. Reichertz Institut für Medizinische Informatik (PLRI). Als Teil der TU Braunschweig und der Medizinischen Hochschule Hannover (MHH) ist das PLRI Partner im Medizininformatik-Konsortium HiGHmed. Für den Aufbau eines medizinischen Datenintegrationszentrums an der MHH koordiniert Antje Wulff die institutionsübergreifende Modellierung von Daten. Zudem unterstützt sie die technische Umsetzung des HiGHmed-Anwendungsfalls zur Infektionskontrolle in Krankenhäusern. In weiteren Projekten entwickelt sie klinische Entscheidungsunterstützungssysteme für die pädiatrische Intensivmedizin.
Was sind die Ziele der Medizininformatik?
Wir organisieren und analysieren medizinische Daten mit Werkzeugen der Informatik – unter strenger Beachtung des Datenschutzes. Wir wollen beispielsweise neue Zusammenhänge und Erkenntnisse aufspüren, um die Diagnostik zu verbessern. Und wir entwickeln IT-Lösungen, die große Datenmengen analysieren und vorhersagen, welche Therapie für eine bestimmte Person die beste ist. Die Medizininformatik ist also ein Wegbereiter der personalisierten Medizin.
Dann profitieren Sie ja von der „Datenexplosion“ in der Gesundheitsversorgung.
An „Rohstoff“ mangelt es im Prinzip nicht. Jede Klinik füllt ihre Informationssysteme tagtäglich mit unterschiedlichsten Daten aus der Versorgungsroutine – Laborwerte, Röntgenbilder, Arztbriefe. Doch dieses Material ist sehr heterogen. Selbst vermeintlich einfach strukturierte Blutdruckwerte werden in einer Klink oft unterschiedlich dokumentiert. Die „Datensilos“ der Kliniken sind für uns wertvoll, müssen aber harmonisiert und computerlesbar gemacht werden, um sie nutzenbringend mit IT-Werkzeugen analysieren zu können.
Wie verbessern Datenanalysen die Versorgung der Menschen konkret?
Die Möglichkeiten sind vielfältig. Ich selber arbeite aktuell an einem Frühwarnsystem, das bei Häufungen von Erregern im Krankenhaus Alarm schlägt. Wir führen die Informationen über die Aufenthaltsorte der Patientinnen und Patienten mit ihren mikrobiologischen Befunden zusammen: „Wer war wann auf welcher Station und wurde wann wohin verlegt?“, und „Welche Erreger wurden wann bei welcher Person nachgewiesen?“. Die Analyse dieser Daten soll helfen, Infektionsherde und Übertragungswege in Krankenhäusern früher zu erkennen und mögliche Ausbreitungen gefährlicher Erreger schneller zu stoppen.
Ein digitales Frühwarnsystem kann helfen, gefährliche Krankenhausinfektionen schneller zu stoppen. Es soll mögliche Infektionsquellen und Übertragungswege aufspüren.
auremar/Adobe Stock
Sind solche Innovationen dann künftig deutschlandweit einsetzbar?
Das ist unser Ziel. Doch um medizininformatische Werkzeuge standortübergreifend nutzen zu können, müssen wir sehr viele Datensilos harmonisieren. Das ist eine Mammut-Aufgabe für ein Mammut-Projekt – die Medizininformatik-Initiative des Bundesministeriums für Bildung und Forschung. Viele der Unikliniken, die sich daran beteiligen, bauen Datenintegrationszentren auf. Sie führen Patientendaten aus verschiedenen Klinikbereichen zusammen und machen sie maschinenlesbar. Auch das PLRI ist Teil dieser Initiative. Als Partner in HiGHmed, einem der vier vom BMBF geförderten Medizininformatik-Konsortien, unterstützen wir den Aufbau eines medizinischen Datenintegrationszentrums an der Medizinischen Hochschule Hannover.
Ärztinnen und Ärzte sollen die von diesen Zentren bereitgestellten Informationen künftig standortübergreifend abfragen können, um beispielsweise Krankheits- und Therapieverläufe besser zu überschauen. Zugleich werden wir die neuen Datenplattformen nutzen, um verschiedene klinische Forschungs- und Anwendungssysteme zu entwickeln.
Diese Anwendungen widmen sich dann unterschiedlichen Krankheitsbildern?
Ja, und nicht nur das – sie demonstrieren das vielfältige Einsatzspektrum der Medizininformatik. Das zeigen die drei Anwendungsfälle, an denen wir im HiGHmed-Konsortium arbeiten. Den ersten Anwendungsfall hatte ich schon skizziert – es ist das Frühwarnsystem, das die Ausbreitung von Infektionen in Krankenhäusern verhindern soll.
Im zweiten Anwendungsfall entsteht ein virtuelles Tumorboard: Es führt alle relevanten Daten einer Krebspatientin oder eines -patienten zusammen und bereitet sie anschaulich auf. Mit seiner Hilfe sollen auch ähnliche Krankheitsverläufe an anderen Standorten gefunden und miteinander verglichen werden können. Dieses Werkzeug hilft Ärztinnen und Ärzten, eine Erkrankung ganzheitlich zu erfassen und Therapieentscheidungen schnell und zielsicher zu treffen.
Der dritte HiGHmed-Anwendungsfall widmet sich Menschen mit Herzinsuffizienz. Tragbare Geräte, etwa Smartwatches, sollen die Vitaldaten der Patientinnen und Patienten auch nach ihrer Entlassung aus der Klinik an Ärztinnen und Ärzte übermitteln. Sobald die Daten eine Verschlechterung des Gesundheitszustandes andeuten, könnten die Medizinerinnen und Mediziner präventiv tätig werden – anstatt die Betroffenen wie bisher erst dann zu behandeln, wenn sie mit akuten Beschwerden in die Klinik kommen.
Setzen Sie dabei auch auf Künstliche Intelligenz (KI)?
Jein, KI ist nicht einfach zu definieren. Wissensbasierte Modelle analysieren Daten mit einem klar definierten Regelwerk. Datenbasierte Modelle sind dagegen selbstlernende Programme. Wenn man sie beispielsweise mit radiologischen Bildern und dazugehörigen Befunden trainiert, lernen sie solche Bilder eigenständig zu bewerten. Sie liefern hervorragende diagnostische Ergebnisse – schneller und zuverlässiger als ein Mensch das schafft. Dabei sind häufig vielschichtige künstliche neuronale Netze am Werk – im Fachjargon spricht man auch von „Deep Learning“. Diese Systeme sind aber oft eine Black Box: Vorne kommen Daten hinein, hinten ein Ergebnis heraus. Was dazwischen passiert, das weiß man nicht immer so genau.
Die Entscheidungswege dieser lernenden Systeme sind also nicht transparent?
Das kann passieren. Deshalb plädiere ich für hybride Lösungen, die auf wissens- und auf datengetriebenen Algorithmen basieren. Solche Modelle wollen wir auch in unserem Frühwarnsystem zur Vermeidung von Krankenhausinfektionen einsetzen.
An wichtigen Punkten sollten die Entscheidungswege des Computers transparent sein. Ärztinnen und Ärzte können dem System dadurch auch ein Feedback geben: „Nein, diese Entscheidung ist falsch, weil …“. So lernt das Modell nicht nur von Daten, sondern auch von Erfahrungen der Ärztinnen und Ärzte. Ist das dann noch KI? Für mich ja, für andere vielleicht nicht – aber das ist eine akademische Frage. Uns geht es darum, die Menschen bestmöglich zu behandeln.
Wird KI den medizinischen Alltag erreichen?
Vitaldaten von Menschen mit Herzinsuffizienz sollen nach der stationären Therapie per Smartwatch in die Klinik übertragen werden. Deutet sich eine Verschlechterung der Daten an, können Ärztinnen und Ärzte präventiv tätig werden.
alexey_boldin/Adobe Stock
Das wird so sein. Wenn wir harmonisierte Daten erst einmal standortübergreifend analysieren können, ergeben sich großartige Einsatzmöglichkeiten für KI. Ich bin mir sicher, dass Ärztinnen und Ärzte zukünftig KI-basierte entscheidungsunterstützende Systeme nutzen werden, um Diagnose- und Therapieentscheidungen zu treffen oder durch eine „zweite Meinung“ abzusichern.
Was werden Ärztinnen und Ärzte dann noch besser können als die lernenden Maschinen?
Durch den persönlichen Kontakt können sie wichtige Faktoren berücksichtigen, die ein Computer nicht kennt. Dazu zählen beispielsweise die Lebensumstände der Patientinnen und Patienten sowie deren persönliche Wünsche und Erwartungen. Sie spielen bei Diagnose- und Therapieentscheidungen oft eine wichtige Rolle.
Das Gespräch von Mensch zu Mensch bleibt also unersetzbar.
Ja, und die Digitalisierung wird seine Bedeutung sogar noch stärken: Patientinnen und Patienten werden sich immer besser informieren. Die Medizininformatik-Initiative fördert dies, indem sie ihnen Einblick in ihre medizinischen Datenbestände ermöglichen wird. Wir wollen auch dazu beitragen, dass Patientinnen und Patienten künftig qualitativ hochwertige Informationsquellen nutzen – nicht das erste Ergebnis, das ihnen eine Suchmaschine liefert. Gut informiert können sie dann gemeinsam mit ihrer Ärztin oder ihrem Arzt die individuell bestmögliche Therapie finden.
Sind Ärztinnen und Ärzte auf die Digitalisierung ihres beruflichen Alltags vorbereitet?
Es ist wie bei jedem Wandel: Viele Ärztinnen und Ärzte sehen ihrer neuen Rolle positiv entgegen, andere eher kritisch. Um die Akteure im Gesundheitswesen auf den Einzug der Medizininformatik vorzubereiten, entwickeln wir vielfältige Aus- und Fortbildungsmodule.
Wie sieht es mit der Nachwuchsförderung in der Medizininformatik aus?
Dem widmet sich die Medizininformatik-Initiative mit großem Engagement. Die Konsortien entwickeln neue Lehrkonzepte und Curricula der Medizininformatik, die deutschlandweit in Studienangebote implementiert werden. Die Studierenden lernen das klassische Handwerkszeug der Programmierung, aber auch, sich im Gespräch mit Ärztinnen und Ärzten schnell in neue medizinische Fragestellungen einzuarbeiten.
Sie nannten die Medizininformatik-Initiative ein Mammut-Projekt. Gibt es bereits erste Erfolge?
Der Aufbau der Datenintegrationszentren startete 2018 – natürlich müssen wir uns noch etwas gedulden, bis die Versorgung der Menschen im Alltag durch die Medizininformatik-Projekte messbar verbessert wird. Die Initiative hat aber schon jetzt viel bewegt: Alle deutschen Universitätskliniken haben sich ihr angeschlossen. In ganz Deutschland entwickeln Expertinnen und Experten zurzeit gemeinsame Standards für Datenformate oder arbeiten an einheitlichen Datenschutz- und Datennutzungskonzepten – das ist bereits ein großer Erfolg. Auch unsere Anwendungsfälle machen auf der technischen Ebene deutliche Fortschritte. Wir sind also auf einem sehr guten Weg.
Vielen Dank für das Gespräch!
Ansprechpartnerin:
Antje Wulff
Peter L. Reichertz Institut für Medizinische Informatik der Technischen Universität Braunschweig und der Medizinischen Hochschule Hannover
38106 Braunschweig
antje.wulff@plri.de
sind programmierte Anweisungen, mit deren Hilfe Computer Aufgaben lösen. Navigationsgeräte berechnen mit Algorithmen beispielswiese den kürzesten Weg von A nach B. In der Diagnostik helfen Algorithmen, Röntgen- oder MRT-Bilder zu analysieren und bösartige Veränderungen aufzuspüren.
ist eine von der Hirnforschung inspirierte Methode des Maschinellen Lernens. Sie gilt als die am weitesten entwickelte Form der Künstlichen Intelligenz. Deep-Learning-Systeme basieren auf künstlichen neuronalen Netzen. Sie können aus vielen Millionen Neuronen bestehen und ahmen die Mechanismen des natürlichen Lernens nach.
sind Softwaresysteme, die medizinische Informationen zusammentragen, analysieren, aufbereiten und präsentieren. Sie unterstützen Ärztinnen und Ärzte dabei, die Krankheitsverläufe von Patientinnen und Patienten einzuschätzen und die jeweils passende Therapie zu wählen.
bezeichnet im allgemeinen Sprachgebrauch technische Systeme, deren Leistungen den kognitiven Fähigkeiten eines Menschen ähneln. KI ist demnach, wenn Computer mithilfe programmierter oder erlernter Zusammenhänge Daten analysieren und Aufgaben selbstständig lösen. Eine verbindliche wissenschaftliche Definition von KI gibt es jedoch nicht. Maschinelles Lernen ist eine grundlegende Methode der KI, das Deep Learning wiederum ein Verfahren des Maschinellen Lernens.
bestehen aus mehreren Schichten miteinander verbundener künstlicher Neuronen. Sie lernen – wie ihre natürlichen Vorbilder –, indem sie jene Verbindungen stärken, die wiederholt zur erfolgreichen Lösung einer Aufgabe beitragen. Je größer die Zahl der Schichten, die Zahl der Neuronen pro Schicht und der Verbindungen zwischen den Neuronen, desto komplexere Aufgaben kann ein solches Netz lösen. In der Krebsforschung werden KNN beispielsweise mit Gewebebildern und genetischen Daten darauf trainiert, gutartige von bösartigen Tumoren zu unterscheiden.
ist eine Methode der Künstlichen Intelligenz: Maschinen und Computer lösen vorgegebene Aufgaben automatisiert und ohne komplett vorgegebene Lösungswege. Mit ausgeklügelten Algorithmen erkennen sie in komplexen Daten versteckte Muster und Gesetzmäßigkeiten. Ihre Ergebnisse und „Erfahrungen“ lassen die lernenden Maschinen in die Analyse neuer Daten einfließen. Maschinelles Lernen wird heute beispielsweise in der Diagnostik eingesetzt, etwa bei der Analyse von Mammografien. Das Deep Learning ist eine Methode des Maschinellen Lernens.
ist die Wissenschaft der systematischen Erschließung, Verwaltung, Aufbewahrung, Verarbeitung und Bereitstellung von Daten, Informationen und Wissen in der Medizin und im Gesundheitswesen. Die wissenschaftliche Analyse der vernetzten Daten aus Klinik und Forschung soll helfen, Krankheiten besser zu verstehen, sie gezielter zu behandeln und ihnen wirkungsvoller vorzubeugen. Um das Potenzial der Digitalisierung des Gesundheitswesens zu nutzen, hat die Medizininformatik eine hohe Bedeutung.
