nach oben

Erschienen in:

16.02.2024 | Künstliche Intelligenz | Leitthema

Künstliche Intelligenz in der Entscheidungsunterstützung und medikamentösen Tumortherapie

verfasst von: Dr. Alexander Oeser, Nora Grieb, Jan Gaebel, Stefan Franke, Anne Sophie Kubasch, Maximilian Merz, Uwe Platzbecker, Thomas Neumuth

Erschienen in: Die Onkologie | Ausgabe 5/2024

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Aufgrund des stetigen Informationszuwachs in der Medizin müssen in der Entscheidungsfindung immer mehr Faktoren gleichzeitig berücksichtigt werden. Zum Ausgleich der damit verbundenen höheren Belastung bei Ärztinnen und Ärzten werden zunehmend computergestützte Lösungen entwickelt und evaluiert.

Ziel der Arbeit

Die Kombination intelligenter Anwendungen mit einem evidenzbasierten Anspruch erfordert spezifische Systemarchitekturen. Diese werden im vorliegenden Artikel näher vorgestellt und erläutert.

Material und Methoden

Durch die strukturierte Aufarbeitung von medizinischen Informationen sowie deren Bündelung in krankheitsspezifischen Wissensbasen können vielseitige Werkzeuge für die klinische Entscheidungsunterstützung generiert werden. Ein wichtiger methodischer Ansatz ist hierbei die Simulation von Therapieergebnissen basierend auf retrospektiven Daten. Verfahren der künstlichen Intelligenz (KI) spielen hierbei eine elementare Rolle, um die Prozesse skalierbar und effizient zu gestalten.

Ergebnisse

Die Kombination von KI-gestützten Lösungen zur Informationsextraktion, -formalisierung und -integration ermöglicht die Erstellung von Plattformen, welche die Informationsverarbeitung im klinischen Alltag weitreichend unterstützen können. Die Integration zusätzlicher Datenquellen im Patientenmonitoring kann den bestehenden Status Quo durch schnellere Detektion von Risiken nachhaltig verbessern.

Schlussfolgerung

Um effektive Ende-zu-Ende-Lösungen in der evidenzbasierten klinischen Entscheidungsunterstützung entwickeln zu können, müssen holistische Konzepte erarbeitet und umgesetzt werden. Dies umfasst vor allem ein rigoroses Testmanagement, aber auch die schnelle Reaktion auf aktuelle Entwicklungen und Erkenntnisse im jeweiligen Anwendungsfeld.

Bensing J (2000) Bridging the gap. The separate worlds of evidence-based medicine and patient-centered medicine. Patient Educ Couns 39(1):17–25. https://doi.org/10.1016/S0738-3991(99)00087-7CrossRefPubMed

Gaebel J, Keller J, Schneider D, Lindenmeyer A, Neumuth T, Franke S (2021) The digital twin: modular model-based approach to personalized medicine. Curr Dir Biomed Eng 7(2):223–226CrossRef

- (2000) To Err Is Human: Building a Safer Health System. National Academies Press https://doi.org/10.17226/9728 (9728)CrossRef

Bi WL, Hosny A, Schabath MB et al (2019) Artificial intelligence in cancer imaging: clinical challenges and applications. CA A Cancer J Clinicians 69(2):127–157. https://doi.org/10.3322/caac.21552CrossRef

Al-Antari MA (2023) Artificial intelligence for medical diagnostics—existing and future aI technology! Diagnostics 13(4):688. https://doi.org/10.3390/diagnostics13040688CrossRefPubMedPubMedCentral

Rajkomar A, Dean J, Kohane I (2019) Machine learning in medicine. N Engl J Med 380(14):1347–1358. https://doi.org/10.1056/NEJMra1814259CrossRefPubMed

Saripalle R, Runyan C, Russell M (2019) Using HL7 FHIR to achieve interoperability in patient health record. J Biomed Inform 94:103188. https://doi.org/10.1016/j.jbi.2019.103188CrossRefPubMed

Ayaz M, Pasha MF, Alzahrani MY, Budiarto R, Stiawan D (2021) The Fast Health Interoperability Resources (FHIR) standard: systematic literature review of implementations, applications, challenges and opportunities. JMIR Med Inform 9(7):e21929. https://doi.org/10.2196/21929CrossRefPubMedPubMedCentral

Ärzteblatt DÄG Redaktion Deutsches (2023) Gesundheitsdaten: Eine Sprache für Europa. Deutsches Ärzteblatt. Published April 21. https://www.aerzteblatt.de/archiv/230797/Gesundheitsdaten-Eine-Sprache-fuer-Europa. Zugegriffen: 27. Okt. 2023

10.

Sackett DL, Rosenberg WMC, Gray JAM, Haynes RB, Richardson WS (1996) Evidence based medicine: what it is and what it isn’t. BMJ 312(7023):71–72. https://doi.org/10.1136/bmj.312.7023.71CrossRefPubMedPubMedCentral

11.

Cserni G, Chmielik E, Cserni B, Tot T (2018) The new TNM-based staging of breast cancer. Virchows Arch 472(5):697–703. https://doi.org/10.1007/s00428-018-2301-9CrossRefPubMed

12.

Raptis CA, Robb CL, Bhalla S (2018) Tumor staging of lung cancer. Radiol Clin North Am 56(3):391–398. https://doi.org/10.1016/j.rcl.2018.01.006CrossRefPubMed

13.

Chen H, Luo J, Guo J (2020) Development and validation of a five-immune gene prognostic risk model in colon cancer. BMC Cancer 20(1):395. https://doi.org/10.1186/s12885-020-06799-0CrossRefPubMedPubMedCentral

14.

D’Agostino M, Cairns DA, Lahuerta JJ et al (2022) Second Revision of the International Staging System (R2-ISS) for overall Survival in Multiple Myeloma: a European Myeloma Network (EMN) report within the HARMONY project. J Clin Oncol 40(29):3406–3418. https://doi.org/10.1200/JCO.21.02614CrossRefPubMed

15.

Weissler EH, Naumann T, Andersson T et al (2021) The role of machine learning in clinical research: transforming the future of evidence generation. Trials 22(1):537. https://doi.org/10.1186/s13063-021-05489-xCrossRefPubMedPubMedCentral

16.

Ngiam KY, Khor IW (2019) Big data and machine learning algorithms for health-care delivery. Lancet Oncol 20(5):e262–e273. https://doi.org/10.1016/S1470-2045(19)30149-4CrossRefPubMed

17.

Lee N, Jeong S, Park MJ, Song W (2022) Deep learning application of the discrimination of bone marrow aspiration cells in patients with myelodysplastic syndromes. Sci Rep 12(1):18677. https://doi.org/10.1038/s41598-022-21887-wCrossRefPubMedPubMedCentral

18.

Amirahmadi A, Ohlsson M, Etminani K (2023) Deep learning prediction models based on EHR trajectories: a systematic review. J Biomed Inform 144:104430. https://doi.org/10.1016/j.jbi.2023.104430CrossRefPubMed

19.

Sharplin K, Proudman W, Chhetri R et al (2023) A personalized risk model for azacitidine outcome in myelodysplastic syndrome and other myeloid neoplasms identified by machine learning model utilizing real-world data. Cancers 15(16):4019. https://doi.org/10.3390/cancers15164019CrossRefPubMedPubMedCentral

20.

Glasser SP (2008) Bias, Confounding, and Effect Modification. In: Glasser SP (Hrsg) Essentials of Clinical Research. Springer, Netherlands, S 295–302 https://doi.org/10.1007/978-1-4020-8486-7_17CrossRef

21.

Baumfeld Andre E, Reynolds R, Caubel P, Azoulay L, Dreyer NA (2020) Trial designs using real-world data: the changing landscape of the regulatory approval process. Pharmacoepidemiol Drug Saf 29(10):1201–1212. https://doi.org/10.1002/pds.4932CrossRefPubMed

22.

Rosenbaum PR, Rubin DB (1983) The central role of the propensity score in observational studies for causal effects. Biometrika 70(1):41–55. https://doi.org/10.1093/biomet/70.1.41CrossRef

23.

Wang J (2021) To use or not to use propensity score matching? Pharm Stat 20(1):15–24. https://doi.org/10.1002/pst.2051CrossRefPubMed

24.

Dash S, Shakyawar SK, Sharma M, Kaushik S (2019) Big data in healthcare: management, analysis and future prospects. J Big Data 6(1):54. https://doi.org/10.1186/s40537-019-0217-0CrossRef

25.

Kong HJ (2019) Managing unstructured big data in healthcare system. Healthc Inform Res 25(1):1. https://doi.org/10.4258/hir.2019.25.1.1CrossRefPubMedPubMedCentral

26.

Casey A, Davidson E, Poon M et al (2021) A systematic review of natural language processing applied to radiology reports. BMC Med Inform Decis Mak 21(1):179. https://doi.org/10.1186/s12911-021-01533-7CrossRefPubMedPubMedCentral

27.

Nenoff K, Grieb N, Oeser A, Neumuth T, Platzbecker U, Kubasch AS (2021) Künstliche Intelligenz in der Hämatologie. InFo Hämatol Onkol 24(12):10–13. https://doi.org/10.1007/s15004-021-8909-yCrossRef

28.

Matsui D (2015) Ethics of studies of drugs in pregnancy. Paediatr Drugs 17(1):31–35. https://doi.org/10.1007/s40272-014-0104-2CrossRefPubMed

29.

Radakovich N, Sallman DA, Buckstein R et al (2022) A machine learning model of response to hypomethylating agents in myelodysplastic syndromes. iScience 25(10):104931. https://doi.org/10.1016/j.isci.2022.104931CrossRefPubMedPubMedCentral

30.

Kim T, Lee SJ, Jang TW (2022) Application of several machine learning algorithms for the prediction of afatinib treatment outcome in advanced-stage EGFR-mutated non-small-cell lung cancer. Thorac Cancer 13(23):3353–3361. https://doi.org/10.1111/1759-7714.14694CrossRefPubMedPubMedCentral

31.

Wang T, Ho MH, Tong MCF, Chow JCH, Voss JG, Lin CC (2023) Effects of patient-reported outcome tracking and health information provision via remote patient monitoring software on patient outcomes in oncology care: a systematic review and meta-analysis. Semin Oncol Nurs. https://doi.org/10.1016/j.soncn.2023.151473CrossRefPubMed

32.

Liu JH, Shih CY, Huang HL et al (2023) Evaluating the potential of machine learning and wearable devices in end-of-life care in predicting 7‑day death events among patients with terminal cancer: cohort study. J Med Internet Res 25:e47366. https://doi.org/10.2196/47366CrossRefPubMedPubMedCentral

Titel: Künstliche Intelligenz in der Entscheidungsunterstützung und medikamentösen Tumortherapie
verfasst von: Dr. Alexander Oeser
Nora Grieb
Jan Gaebel
Stefan Franke
Anne Sophie Kubasch
Maximilian Merz
Uwe Platzbecker
Thomas Neumuth
Publikationsdatum: 16.02.2024
Verlag: Springer Medizin
Schlagwort: Künstliche Intelligenz
Erschienen in: Die Onkologie / Ausgabe 5/2024
Print ISSN: 2731-7226
Elektronische ISSN: 2731-7234
DOI: https://doi.org/10.1007/s00761-024-01487-1

Die Highlights vom Kongress des American College of Cardiology 2024

Springer Medizin

Künstliche Intelligenz in der Entscheidungsunterstützung und medikamentösen Tumortherapie