Künstliche Intelligenz in der Hepatologie Logo of esanum https://www.esanum.de

Künstliche Intelligenz in der Hepatologie: echtes Versprechen oder bloßer Hype?

Künstliche Intelligenz (KI) revolutioniert viele Bereiche der Medizin, darunter auch die Hepatologie. Auf dem EASL-Kongress 2024 wurde ihre klinische Anwendung diskutiert, wobei der Schwerpunkt auf dem personalisierten Patientenmanagement lag.

KI kann große Datenmengen verarbeiten. Aber welche Daten eigentlich?

Künstliche Intelligenz (KI) ist ein zunehmend diskutiertes Thema in der Medizin, und der EASL 2024 widmete sich ihrer Anwendung in der Hepatologie. Die zentrale Frage war, ob KI ein echtes Versprechen darstellt oder ob es jenseits des Hypes wenig echte Substanz gibt.

Die Einführung von KI in Gesundheitssystemen stößt auf mehrere Herausforderungen. Eines der Haupthindernisse ist das Fehlen geeigneter elektronischer Patientenakten in vielen Krankenhäusern. Obwohl die Patienten bereit zu sein scheinen, KI zu nutzen und sie täglich durch Fitnesstracker und andere Technologien in ihr Leben zu integrieren, müssen sich die Gesundheitssysteme erst noch vollständig auf diese Innovation einstellen.

KI benötigt hochwertige und umfassende Daten, um effektiv arbeiten zu können. Die derzeitigen Datensätze sind jedoch begrenzt und enthalten nicht alle Datenpunkte, die für genaue Vorhersagemodelle erforderlich sind. Obwohl die vorläufigen Ergebnisse vielversprechend sind, stellt das Fehlen einiger wichtiger Datenpunkte eine große Herausforderung dar.

Künstliche Intelligenz in der Hepatologie

Prof. Schattenberg identifiziert 3 Bereiche, in denen künstliche Intelligenz in der Hepatologie eingesetzt werden könnte:

  1. Datenanalyse: Text Mining, Cluster Analysen, Datenvisualisierung, maschinelles Lernen (überwacht und unüberwacht), Deep Learning (Lernalgorithmen und Interpretation);
  2. Datenabgleich: Vergleich der elektronischen Krankenakten, Bildgebung, Labor- und Histologiedaten mit Patientenkohorten aus klinischen Studien zur Krankheitsprognose;
  3. Basisebene: Cloud Computing (Verfügbarkeit von Plattformen und Software im Gesundheitswesen), “Internet of Medical Things (IoMT)” (Zugang über mobile Endgeräte).

KI in der hepatologischen Praxis

Eine wichtige Anwendung von künstlicher Intelligenz ist die Risikostratifizierung. Während des Vortrags berichtete Prof. Schattenberg über verschiedene Erfahrungen mit dem Einsatz von KI-Modellen zur frühzeitigen Identifizierung von Menschen mit dem Risiko einer Lebererkrankung.1-3

Es gibt leistungsstarke Modelle, die eine Risikostratifizierung ermöglichen könnten, wie das von Docherty et al. vorgeschlagene Modell zur Vorhersage von MASH. Das NASHmap-Modell hat eine hohe Leistung, Sensitivität und Genauigkeit bei der Erkennung von MASH erreicht. Die klinische Anwendung solcher Modelle erfordert jedoch die Verfügbarkeit der identifizierten Marker, die nicht immer untersucht werden können.

Außerdem kann KI die diagnostische Genauigkeit durch die Analyse der Bildgebung verbessern. So können KI-Algorithmen beispielsweise Ultraschallbilder analysieren, um eine Lebersteatose mit hoher Genauigkeit zu erkennen. Die Qualität der Ergebnisse hängt jedoch von der Standardisierung der Bilder ab, die dem Algorithmus zur Verfügung gestellt werden.

KI kann auch die Patientenaufklärung und die Personalisierung der Behandlung verbessern. In einer italienischen Studie4 wurden beispielsweise die Antworten von ChatGPT auf Fragen von Patienten zu Lebererkrankungen ausgewertet, mit allgemein positiven Ergebnissen. Dies verdeutlicht das Potenzial der KI als Aufklärungs- und Entscheidungshilfe für Patienten.

KI wird die klinische Praxis verändern — und es gibt viel zu tun

KI hat das Potenzial, die Hepatologie durch die Verbesserung von Diagnose, Management und Patientenaufklärung zu verändern. Es gibt jedoch noch viele Herausforderungen zu bewältigen, darunter Datenqualität, Transparenz der Algorithmen und Integration in bestehende Gesundheitssysteme. Um die Vorteile der KI voll ausschöpfen zu können, ist ein gemeinsamer Ansatz erforderlich, an dem Kliniker, Forschende und Patienten beteiligt sind.5

Im Detail:

  1. Gesundheitssystem:
    • Daten harmonisieren;
    • Einführung von Datensicherheitsstandards;
    • Kostenerstattung für Aufwand sicherstellen;
  2. Forschung:
    • Open Source Codes und offene Daten (für transparente Algorithmen);
    • klinische Relevanz + Vermeidung von Überinterpretationen (endlose Rechenleistung und riesige Datensätze);
    • Qualität der Daten und des Inputs garantieren;
  3. Ärzte:
  4. Patienten:
    • Aufrechterhaltung eines Vertrauensverhältnisses (Mensch vs. Maschine);
    • Aufklärung und Empowerment.
Referenzen:

  1.  Noureddin M, Ntanios F, Malhotra D, Hoover K, Emir B, McLeod E, Alkhouri N. Predicting NAFLD prevalence in the United States using National Health and Nutrition Examination Survey 2017-2018 transient elastography data and application of machine learning. Hepatol Commun. 2022 Jul;6(7):1537-1548. doi: 10.1002/hep4.1935. Epub 2022 Apr 1. PMID: 35365931; PMCID: PMC9234676.

  2. Schattenberg JM, Balp MM, Reinhart B, Tietz A, Regnier SA, Capkun G, Ye Q, Loeffler J, Pedrosa MC, Docherty M. NASHmap: clinical utility of a machine learning model to identify patients at risk of NASH in real-world settings. Sci Rep. 2023 Apr 5;13(1):5573. doi: 10.1038/s41598-023-32551-2. PMID: 37019931; PMCID: PMC10076319.

  3. Docherty M, Regnier SA, Capkun G, Balp MM, Ye Q, Janssens N, Tietz A, Löffler J, Cai J, Pedrosa MC, Schattenberg JM. Development of a novel machine learning model to predict presence of nonalcoholic steatohepatitis. J Am Med Inform Assoc. 2021 Jun 12;28(6):1235-1241. doi: 10.1093/jamia/ocab003. PMID: 33684933; PMCID: PMC8200272.

  4. Pugliese N, Polverini D, Lombardi R, Pennisi G, Ravaioli F, Armandi A, Buzzetti E, Dalbeni A, Liguori A, Mantovani A, et al. Evaluation of ChatGPT as a Counselling Tool for Italian-Speaking MASLD Patients: Assessment of Accuracy, Completeness and Comprehensibility. Journal of Personalized Medicine. 2024; 14(6):568. https://doi.org/10.3390/jpm14060568

  5. Schattenberg JM. Use of AI in MASLD – promise or hype?. EASL 2024. Thursday, 6 Jun, 08:30 - 09:45 CEST