Im Gesundheitswesen gibt es aktuell einen großen Hype um das Potenzial für maschinelles Lernen (ML) und Künstliche Intelligenz (KI/AI). Die Fortschritte bezüglich der Dinge, die „möglich“ sind, sind immens, doch alles steht und fällt mit der Infrastruktur. Um aus den Möglichkeiten tatsächliche Realität zu machen sieht #Pure-Storage die Notwendigkeit für effizienteres Datenmanagement.

Derzeit sind weltweit, auch in Deutschland, viele Startup-Unternehmen im Bereich der künstlichen Intelligenz aktiv. Interessant dabei: 21 Prozent der am meisten geförderten AI-Startups in den USA konzentrieren sich ausschließlich auf die Gesundheitswesen. „Healthcare“ ist damit bei weitem der führende vertikale Fokus für diese AI-Startups, gefolgt von Business-Intelligence mit 12 Prozent, sowie Cybersicherheit und Marketing, beide mit 9 Prozent.

Ein Beispiel für eine sehr intelligente Anwendung von maschinellem Lernen im Gesundheitswesen ist Ayasdi. Das Unternehmen hat zuletzt mit dem Gesundheitsdienstleister Mercy Healthcare zusammengearbeitet, um klinische Workflows zu optimieren. Mit Hilfe von Ayasdi konnte Mercy erkennen, dass die Verabreichung eines spezifischen Analgetikums nach arthroskopisch-chirurgischen Eingriffen zum Einbau künstlicher Kniegelenke mit niedrigeren Kosten und kürzeren Krankenhausaufenthalten korrelierte. Durch immer mehr Anwendungen dieser Art eröffnet sich eine Vielzahl von Möglichkeiten für Organisationen im Gesundheitswesen.

Vor dem Hintergrund der fortgesetzten Digitalisierung in den Bereichen Bildverarbeitung und Rich-Media, gibt es auch in diesem Umfeld Beispiele für AI-Anwendungen. Radiomics etwa, wandelt Bildern in höherdimensionale Daten um zum anschließenden Data-Mining für eine verbesserte Entscheidungsunterstützung. Das Unternehmen hat bereits spannende Anwendungen für verschiedene Krankheitsbilder demonstriert, weit über die anfängliche Anwendung in der Onkologie hinaus. Ein weiteres großartiges Beispiel ist Watson Health, eine Initiative für medizinische Bildverarbeitung von IBM. Dabei geht es darum, dass führende Gesundheitsdienstleister und Anbieter von Imaging-Software zusammenzuarbeiten, um „tiefgehende Bildanalyse mit Bildquantifizierung, Segmentierung, Klassifizierung, Mustererkennung und Charakterisierung verwenden, um statistisch signifikante Leitlinien vorzuschlagen, was die wahrscheinlichsten Diagnosen sein würden. Dies erfolgt basierend auf Vergleichen mit einer großen Kohorte von anderen Patientenbildern und zugehörigen Berichten.“ 

„Das sind spannende Zeiten! Die Anwendung von künstlicher Intelligenz wird künftig helfen, Krankheiten schneller zu erkennen und diagnostizieren, die Behandlungszeiten zu verkürzen, Kosten zu senken, einer besseren Patientenversorgung und besseren Ergebnissen“, berichtet Markus Wolf, Manager Systems Engineering DACH bei Pure Storage.

Notwendigkeit für strategisches Dateninfrastrukturmanagement

Das Gesundheitswesen (#Healt-Care) steht derzeit jedoch vor der schwierigen Aufgabe der Digitalisierung von Gesundheitsakten. Die Realität ist, dass die meisten Organisationen glauben, dass die elektronischen Patientenakten zwar unentbehrlich sind, sich betriebswirtschaftlich aber noch nicht ausgezahlt haben, angesichts der massiven Ausgaben für die Umsetzung. In vielen Fällen haben medizinische Einrichtung damit zu kämpfen, eine vernünftige Amortisationszeit zu ermitteln, wenn dies überhaupt gelingt. Darüber hinaus haben Fortschritte in der wissenschaftlichen Nutzung von Rechenressourcen und in der Analytik zu einer ungebremsten Datenexplosion im Gesundheitswesen geführt. Verantwortlich hierfür sind Innovationen wie elektronische Patientenakten der nächsten Generation EHR, Genomik, Präzisionsmedizin, prädiktive Analytik, maschinelles Lernen und Trending, Managed-Care, Bildverarbeitung, Radiomics, das Erforschen von unstrukturierten Daten und so weiter.

Das Gesundheitswesen ist an einem Wendepunkt angelangt: So gilt es künftig alle digitalen Gesundheitsdaten zu nutzen, um Wert aus den Investitionen in die Digitalisierung zu generieren. Es gilt die Amortisationszeit verkürzen, indem wir die Dinge besser, billiger, sicherer und schneller machen. Der Schlüssel liegt darin, die Bedeutung dieser massiven Datenmenge zu entschlüsseln, indem Mathematik, Statistiken und Analysen angewendet werden. Dies ist heute bereits ein äußerst datenintensives Unterfangen und es werden noch mehr Daten generiert werden.

Deswegen muss sich das aktuelle Modell des Dateninfrastrukturmanagements einer grundlegenden Transformation unterziehen: von einem taktischen Modell, analog zur Beschaffung von medizinischem Material, hin zu einem mehr strategischen Rahmen.

„Dabei wird die Dateninfrastruktur in den Hintergrund gestellt, so dass sich die Gesundheitsdienstleister auf Innovationen und die Wertschöpfung aus Daten konzentrieren können. Dies erfordert es, von einem bisher wartungsintensiven Dateninfrastrukturmanagement überzugehen zu einem „Set-it-and-forget-it“-Modell. So sieht zukunftsorientiertes strategisches Dateninfrastrukturmanagement aus“, fasst Markus Wolf von Pure Storage abschließend zusammen.