Künstliche Intelligenz: eine Unterstützung in der Rheumatologie?

Künstliche Intelligenz bietet eine Vielzahl an Einsatzmöglichkeiten – auch in der Medizin. Hier erfahren Sie, wie sie die Zukunft der Rheumatologie ändern wird und welche Limitationen dabei bestehen.

Der Praxisalltag kann sehr fordernd sein – Ärzt:innen müssen wichtige Entscheidungen oft innerhalb kurzer Zeit treffen. Eine Hilfe bieten seit längerem computergestützte Entscheidungssysteme, die durch Analyse der Daten von Patient:innen zum Beispiel vor unerwünschten Medikamenteninteraktionen warnen. Diese Analysen nutzen regelbasierte Algorithmen.

Durch die komplexen mathematischen Algorithmen der künstlichen Intelligenz (KI) könnte die computergestützte Hilfe im Praxisalltag zukünftig ein ganz neues Level erreichen.¹ Vor allem in den USA sind bereits viele KI-basierte Medizinprodukte für unterschiedliche Fachrichtungen zugelassen.² Auch in der Rheumatologie bietet die KI verschiedene Einsatzmöglichkeiten.^1,2

Künstliche Intelligenz – ein Exkurs

Die KI umfasst verschiedene Teilbereiche, wobei maschinelles Lernen eines der bedeutsamsten ist. Hierbei lernt das KI-System von Erfahrungen, wodurch es sich eigenständig immer weiterentwickeln und verbessern kann. Ein Unterbereich des maschinellen Lernens ist das Deep Learning. Angelehnt an das menschliche Gehirn nutzt Deep Learning vielschichtige künstliche neuronale Netzwerke – Netzwerke aus komplexen mathematischen Algorithmen.^1,2

Bevor das KI-System genutzt werden kann, muss es zunächst mit bekannten Daten „trainieren“. Dabei bekommt es unterschiedliche Eingangsvariablen wie zum Beispiel Röntgenbilder mit und ohne Erosion. Beim Training lernt das KI-System die Erosionen auf den Röntgenbildern zu erkennen. Nach erfolgreichem Training erkennt das KI-System Erosionen auch auf zuvor unbekannten Röntgenbildern.¹ Jedoch kann diese Klassifizierung fehlerhaft sein. Denn die Qualität des trainierten KI-System ist abhängig von der Qualität und Quantität der Trainingsdaten. Allerdings geht das Lernen nach der Trainingsphase weiter: Während der Nutzung des KI-Systems lernt es durch die neuen Daten ständig hinzu.^1,2

Einsatzmöglichkeiten der KI in der Rheumatologie

Neben einfachen Klassifizierungen wie dem Erkennen von Erosionen auf einem Röntgenbild ermöglicht die KI einiges mehr. In der Rheumatologie haben zum Beispiel folgende Studien das Potenzial der KI bei Diagnose und Subklassifizierung von Erkrankungen gezeigt:

Cánovas et al. nutzten KI um Genomdaten von Patient:innen mit juveniler idiopathischer Arthritis (JIA) zu analysieren. Dabei konnten sie JIA-typische Genvarianten identifizieren, die den Autor:innen zufolge zukünftig als Risikoscore bei der Diagnose genutzt werden könnten.³
Bei der KI-basierten Analyse von Genomdaten von Patient:innen mit Psoriasis-Arthritis und Patient:innen mit reiner kutaner Psoriasis konnten Patrick et al. Unterschiede in der genetischen Architektur der Psoriasis Subtypen erkennen. Den Autor:innen nach lasse sich damit auch das Risiko einer Entwicklung von einer rein kutanen Psoriasis hin zu einer Psoriasis-Arthritis abschätzen.⁴

Demnach könnte die KI zukünftig bei der Diagnose von rheumatischen Erkrankungen nützlich sein, indem sie bisher unbekannte Zusammenhänge und Muster identifiziert und Subklassifizierungen von Erkrankungen erkennt.³ Außerdem kann die KI Vorhersagemodelle für Krankheitsverläufe und das Therapieansprechen entwerfen, wie beispielsweise folgende Studien zeigen:

Eine Studie aus den USA konnte die Krankheitsaktivität von Patient:innen mit rheumatoider Arthritis voraussagen, indem demografische, laborchemische und klinische Daten der Patient:innen anhand von KI analysiert wurden.²
Das Ansprechen von Patient:innen mit rheumatoider Arthritis auf eine Therapie mit TNF (Tumor-Nekrose-Faktor)-Hemmer konnte in einer niederländischen Studie mit einer Genauigkeit von 80–90 % vorhergesagt werden.¹
In einer weiteren Studie konnte die KI das Auftreten von Schüben bei rheumatoider Arthritis während des Ausschleichens einer biologischen DMARD (disease-modifying anti-rheumatic drug)-Therapie mit einer Genauigkeit von 80 % vorhersagen.¹

Das bedeutet: In der Rheumatologie könnten KI-generierte Vorhersagemodelle zukünftig auch bei Therapieplanung und -steuerung hilfreich sein.² Doch sind die Analyseergebnisse der KI auch im medizinischen Alltag nutzbar?

Die Rolle der KI in der medizinischen Praxis

In der Radiologie wird die KI bei der Diagnose von rheumatischen Erkrankungen durch automatisierte Bilderkennung bereits eingesetzt.¹

Auch bei Therapieentscheidungen könnte die KI zukünftig durch die Entwicklung von Vorhersagemodellen hilfreich sein. Dabei wird sie voraussichtlich vorerst nur eine unterstützende Rolle einnehmen. Denn aufgrund der komplexen mathematischen Algorithmen erscheint KI vielen als eine Art Blackbox: Es kann schwer sein, Ergebnisse nachzuvollziehen und deren Richtigkeit zu überprüfen. Bei der Anwendung der KI in der Medizin bringt das nicht zuletzt auch ethische Probleme mit sich.^1,2

Unterstützt wird das durch eine Übersichtsarbeit mit Querschnittserhebung, die besagt, dass Ärzt:innen und Medizinstudent:innen der KI in der Medizin teils skeptisch gegenüberstehen: Obwohl sie sich größtenteils positiv über KI in der Medizin äußerten, waren sie auch über mögliche falsche Ergebnisse besorgt.⁵ Und in der Tat können Ergebnisse von KI-basierten Analysen fehlerhaft sein.²

Das Bedürfnis nach Sicherheit und Transparenz scheint demnach groß zu sein, weswegen es auch erste Leitlinienentwürfe zur Anwendung der KI in der Medizin gibt.

Für den Praxisalltag bedeutet das, dass Mediziner zukünftig von der KI in einem hybriden System profitieren können. Wichtig dabei ist, dass Ärzt:innen die generierten Ergebnisse stets auf Plausibilität prüfen.^1,2

Fazit

KI kann Rheumatolog:innen zukünftig bei Diagnose sowie bei Therapieentscheidungen unterstützen. Da Fehler nie mit hundertprozentiger Sicherheit ausgeschlossen werden können, werden strenge Sicherheitsanforderungen vermutlich die Grundlage für die Nutzung von KI-Systemen in der Medizin sein.

Quellen

Hügle T & Kalweit M. Zeitschrift für Rheumatologie 2021;80:914–927.
Krusche M & Ruffer N. Kompendium Rheumatologie. Thieme 2022;63–67.
Cánovas R, et al. Ann Rheum Dis 2020;79:1572–1579.
Patrick MT, et al. Nat Commun 2018;9:4178.
Chen M, et al. Front Med 2022;9:990604.

PP-AU-DE-1445