Besser als Menschen: Künstliche Intelligenz in der Intensivmedizin

Eine künstliche Intelligenz, entwickelt an der TU Wien, kann bei Blutvergiftungen passende Behandlungsschritte vorschlagen. Der Computer übertrifft dabei bereits den Menschen.

Künstliche Intelligenz wird in der Medizin in Zukunft eine wichtige Rolle spielen. Besonders erfolgreiche Tests gibt es bereits in der Diagnostik: Der Computer kann zum Beispiel lernen, mit großer Treffsicherheit Bilder danach zu kategorisieren, ob sie krankhafte Veränderungen zeigen oder nicht. Schwieriger ist es allerdings, eine künstliche Intelligenz darauf zu trainieren, den zeitlich veränderlichen Zustand von Menschen zu untersuchen und Behandlungsvorschläge zu berechnen – genau das gelang nun an der TU Wien in Zusammenarbeit mit der Medizinischen Universität Wien.

Mit Hilfe umfangreicher Daten aus Intensivstationen unterschiedlicher Krankenhäuser wurde eine künstliche Intelligenz entwickelt, die Vorschläge für die Behandlung von Menschen liefert, die wegen einer Sepsis intensivmedizinische Betreuung brauchen. Analysen zeigen, dass die künstliche Intelligenz die Qualität menschlicher Entscheidungen bereits übertrifft. Wichtig ist nun aber auch eine Diskussion über die rechtlichen Aspekte solcher Methoden.

Vorhandene Daten optimal nutzen

„Auf einer Intensivstation werden rund um die Uhr viele verschiedene Daten erhoben. Die Patientinnen und Patienten werden laufend medizinisch überwacht. Wir wollten untersuchen, ob sich diese Daten vielleicht noch besser nutzen lassen als bisher“, sagt Prof. Clemens Heitzinger vom Institut für Analysis und Scientific Computing der TU Wien. Er ist außerdem Co-Direktor des fakultätsübergreifenden „Center for Artificial Intelligence and Machine Learning“ (CAIML) der TU Wien.

Das ärztliche Personal trifft seine Entscheidungen auf Basis gut begründeter Regeln. Meistens weiß man sehr genau, welche Parameter man beachten muss, um die beste Krankenversorgung zu gewährleisten. Der Computer kann aber problemlos auch noch viele andere Parameter berücksichtigen, die ein Mensch vielleicht ignorieren würde – und genau das kann in manchen Fällen zu noch besseren Entscheidungen führen.

Der Computer als planender Agent

„Wir setzten in unserem Projekt eine Form von maschinellem Lernen ein, die man als Reinforcement Learning oder bestärkendes Lernen bezeichnet“, sagt Clemens Heitzinger. „Dabei geht es nicht nur um einfache Kategorisierung – etwa die Einteilung von Bildern in solche, die einen Tumor zeigen und solche, die keinen Tumor zeigen – sondern um einen zeitlich variablen Verlauf, um die Entwicklung, die eine ganz bestimmte Person im Krankenbett voraussichtlich durchmachen wird. Das ist mathematisch etwas ganz Anderes. Dazu gab es bisher im medizinischen Bereich wenig Forschung.“

Der Computer wird hier zum Agenten, der selbst Entscheidungen trifft: Geht es der Patientin oder dem Patienten gut, dann wird der Computer belohnt. Verschlechtert sich der Zustand oder kommt es zum Tod, wird der Computer bestraft. Das Computerprogramm hat die Aufgabe, seine virtuelle „Belohnung“ mit allen Mitteln zu maximieren. So lässt sich aus umfangreichen Krankenhausdaten automatisch eine Strategie ermitteln, mit der man eine besonders hohe Erfolgswahrscheinlichkeit erzielt.

Bereits besser als ein Mensch

„Sepsis ist eine der häufigsten Todesursachen in der Intensivmedizin und stellt eine enorme Herausforderung für Ärzte und Krankenhäuser dar, da die frühzeitige Erkennung und Behandlung entscheidend für das Überleben der Patienten ist.“, sagt Oliver Kimberger von der Universitätsklinik für Anästhesie, Allgemeine Intensivmedizin und Schmerztherapie der Medizinischen Universität Wien. „Bislang gab es in diesem Bereich wenige medizinische Durchbrüche, was die Suche nach neuen Behandlungsmethoden und Ansätzen umso dringlicher macht. Aus diesem Grund ist es besonders interessant zu untersuchen, inwieweit künstliche Intelligenz hier einen Beitrag zur besseren medizinischen Betreuung leisten kann. Durch den Einsatz von Machine-Learning-Modellen und anderen AI-Technologien besteht die Möglichkeit, die Diagnose und Behandlung von Sepsis zu verbessern und so letztendlich die Überlebenschancen der Patienten zu erhöhen.“

Analysen zeigen, dass die Fähigkeiten der künstlichen Intelligenz den Menschen bereits übertreffen: „Die Heilungsquote ist mit der Strategie der künstlichen Intelligenz mittlerweile höher als mit rein menschlichen Entscheidungen. In einer unserer Untersuchungen konnte die Heilungsquote in Bezug auf die 90-Tage-Mortalität um ca. 3% auf ca. 88% gesteigert werden“, sagt Clemens Heitzinger.

Das heißt natürlich nicht, dass man dem Computer die medizinischen Entscheidungen auf einer Intensivstation alleine überlassen sollte. Aber man kann die künstliche Intelligenz als Zusatzgerät am Krankenbett mitlaufen lassen – und das medizinische Personal kann sich auf diese Weise beraten lassen oder die eigene Einschätzung mit den Vorschlägen der künstlichen Intelligenz vergleichen. Auch in der Ausbildung kann eine solche künstliche Intelligenz höchst nützlich sein.

Diskussion über juristische Fragen ist nötig

„Das wirft allerdings wichtige Fragen auf, besonders juristische“, sagt Clemens Heitzinger. „Man denkt da zuallererst wohl an die Diskussion, wer für eventuelle Fehler der künstlichen Intelligenz haftbar gemacht wird. Aber das Problem stellt sich auch umgekehrt: Was ist, wenn die künstliche Intelligenz die richtige Entscheidung getroffen hätte, der Mensch sich aber für eine andere Option entschieden hat, und der Patient deshalb Schaden erleidet?“ Setzt sich der Arzt oder die Ärztin dann dem Vorwurf aus, man hätte doch der künstlichen Intelligenz besser vertrauen sollen, weil sie einen riesigen Erfahrungsschatz mitbringt? Oder muss es zu jedem Zeitpunkt das Recht des Menschen sein, die Ratschläge des Computers zu ignorieren?

„Das Forschungsprojekt zeigt: Bereits mit heutigem Stand der Technik lässt sich künstliche Intelligenz mit Erfolg in der klinischen Praxis einsetzen – doch eine gesellschaftliche Diskussion über die Rahmenbedingungen dafür und klare juristische Regeln sind noch dringend nötig“, ist Clemens Heitzinger überzeugt.

Originalpublikation:

M. Böck, et al. Superhuman performance on sepsis MIMIC-III data by distributional reinforcement learning. PLOS ONE, 17(11):e0275358/1–18, 2022. Impact factor of PLOS ONE: 3.752.
http://dx.doi.org/10.1371/journal.pone.0275358

R. Bologheanu et al. Development of a reinforcement learning algorithm to optimize corticosteroid therapy in critically ill patients with sepsis. Journal of Clinical Medicine, 12(4):1513/1–13, 2023. Impact factor of Journal of Clinicial Medicine: 4.964.
http://dx.doi.org/10.3390/jcm12041513