Die Zukunft von KI in der Neurologie

Künstliche Intelligenz (KI) hält zunehmend Einzug in den klinischen Alltag – auch in der Neurologie. Die eigentliche Herausforderung besteht jedoch nicht mehr in der Entwicklung neuer KI-Modelle, sondern darin, sie sicher, regulatorisch korrekt und sinnvoll in die Patientenversorgung zu integrieren. Darauf ging Prof. James Teo auf dem diesjährigen EAN-Kongress in Genf ein.

von Dr. Lena Johannes

Zu Beginn seines Vortrags zum Thema „Applying AI in clinical neurology“ unterschied der Neurologe zwischen KI-Modellen, Softwareprodukten und cloudbasierten Diensten („Software as a Service“). Diese Begriffe würden im öffentlichen Diskurs häufig synonym verwendet, bezeichneten jedoch unterschiedliche Ebenen einer KI-Anwendung. Ein Sprachmodell wie GPT sei zunächst lediglich das zugrunde liegende KI-Modell. Erst durch die Einbettung in ein Softwareprodukt mit weiteren Funktionen entstehe eine Anwendung, die tatsächlich genutzt werden könne.

Auch innerhalb der KI müsse differenziert werden. Neben klassischen Machine Learning Models, die auf definierte Fragestellungen trainiert werden, gewinnen sogenannte Foundation Models zunehmend an Bedeutung. Sie werden anhand sehr großer und heterogener Datensätze trainiert und anschließend für spezifische Anwendungen angepasst. Große Sprachmodelle wie GPT seien ein bekanntes Beispiel für diesen Ansatz.

Nicht jede KI ist ein Medizinprodukt

Nach Einschätzung des Neurologen hängt die Regulierung maßgeblich davon ab, welche Aufgabe eine KI übernimmt. Anwendungen, die unmittelbar diagnostische oder therapeutische Entscheidungen unterstützen, unterliegen strengen regulatorischen Anforderungen und müssten als Medizinprodukte validiert werden. Entsprechend langsam verlaufe ihre Einführung in den klinischen Alltag.

Deutlich schneller verbreiteten sich dagegen KI-Anwendungen für organisatorische oder administrative Aufgaben. Hierzu zählen etwa die Zusammenfassung von Arztbriefen, die Dokumentation von Gesprächen, die Verwaltung von E-Mails oder das Auffinden relevanter Informationen in umfangreichen Datensätzen. Obwohl diese Anwendungen den klinischen Alltag erleichtern könnten, seien sie rechtlich anders einzuordnen als diagnostische Systeme.

Zwischen beiden Bereichen liege eine Grauzone, etwa bei der automatischen Dokumentation von Arzt-Patienten-Gesprächen oder der Priorisierung von Patienten auf Wartelisten. Für solche Anwendungen entwickelten sich die regulatorischen Rahmenbedingungen derzeit noch.

Die größte Herausforderung beginnt nach der Entwicklung

Ein zentrales Anliegen des Vortrags war die Unterscheidung zwischen der Entwicklung eines KI-Modells und dessen erfolgreicher Implementierung. „Der nächste Schritt besteht nicht darin, noch mehr KI zu entwickeln. Der nächste Schritt besteht darin, die bereits vorhandenen Systeme sinnvoll zu skalieren“, so Teo. Die eigentliche Forschungsarbeit ende nicht mit der Publikation eines Modells. Erst danach folgten die externe Validierung, Integration in bestehende Softwaresysteme, regulatorische Zulassung sowie die kontinuierliche Überwachung der Anwendung im klinischen Betrieb.

Als Beispiel nannte Teo KI-Systeme zur automatisierten EEG-Auswertung. Nach der Entwicklung und externen Validierung eines KI-Modells werde dieser von Industriepartnern in bestehende Softwareplattformen integriert und anschließend als Medizinprodukt bereitgestellt. Die ursprünglichen Wissenschaftler seien an diesem Prozess häufig kaum noch beteiligt.

Viele Kliniken verfügten mittlerweile über zahlreiche Pilotprojekte. Nun gehe es weniger darum, weitere KI-Anwendungen zu entwickeln, sondern erfolgreiche Systeme in größerem Maßstab auszurollen und dauerhaft in die klinischen Abläufe einzubinden.

Verantwortung bleibt beim Arzt

Neben technischen und regulatorischen Fragen ging Teo auch auf die Akzeptanz durch Patientinnen und Patienten ein. Eine in Großbritannien durchgeführte Befragung zeigte, dass insbesondere jüngere Menschen KI zwar häufig nutzen, ihr im medizinischen Kontext jedoch vergleichsweise skeptisch gegenüberstehen.

Bemerkenswert sei zudem, wem Patienten die Verantwortung zuschreiben. Nicht Softwarehersteller, Krankenhäuser oder Behörden würden primär verantwortlich gemacht, sondern die behandelnden Ärztinnen und Ärzte – selbst dann, wenn diese auf die Auswahl der eingesetzten KI-Systeme kaum Einfluss hätten. Dies müsse bei der Einführung KI-gestützter Entscheidungsunterstützung berücksichtigt werden.

Mehr KI bedeutet nicht automatisch bessere Medizin

Teo warnte davor, den Nutzen künstlicher Intelligenz allein an der Menge erzeugter Inhalte zu messen. Bereits heute werde mehr als die Hälfte aller Inhalte im Internet durch KI erstellt oder maßgeblich beeinflusst. Eine höhere Produktivität bedeute jedoch nicht zwangsläufig eine höhere Qualität.

Dieses Prinzip lasse sich auch auf das Gesundheitswesen übertragen. KI könne künftig große Mengen an Dokumentation, Berichten oder Auswertungen generieren. Entscheidend sei jedoch, ob dadurch tatsächlich die Patientenversorgung verbessert werde.

Auch die häufig geäußerte Sorge, KI werde Ärztinnen und Ärzte ersetzen, teilte Teo nicht. Als Beispiel verwies er auf die Radiologie. Trotz früher Prognosen, Radiologen würden durch KI überflüssig werden, sei das Gegenteil eingetreten: Mit besseren Werkzeugen steige häufig auch die Nachfrage nach medizinischen Leistungen.

Welche Kompetenzen künftig gefragt sind

Vor diesem Hintergrund ging Teo auch auf die Frage ein, welche Fähigkeiten Ärztinnen und Ärzte künftig benötigen. Wer sich vor allem auf seine klinische Tätigkeit konzentrieren wolle, müsse nicht zwangsläufig programmieren lernen. Wichtiger sei es, die Stärken und Grenzen unterschiedlicher KI-Anwendungen zu kennen und deren Ergebnisse kritisch einordnen zu können.

Für Kolleginnen und Kollegen mit einem längeren Berufsweg vor sich werde darüber hinaus ein grundlegendes Verständnis von Daten, KI und deren Integration in klinische Abläufe zunehmend wichtiger. Programmierkenntnisse seien zwar keine zwingende Voraussetzung, könnten den Umgang mit KI-Systemen jedoch deutlich erleichtern. Unverzichtbar bleibe nach Einschätzung des Neurologen vor allem das kritische Denken: Ärztinnen und Ärzte müssten die Vorschläge von KI-Systemen hinterfragen und deren Ergebnisse fachlich bewerten können.

Der Blick in die Zukunft

Den Blick in die Zukunft richtete Teo auf prädiktive KI: „Wir sind bereits gut darin, Diagnosen zu stellen. Mich interessiert vielmehr die Vorhersage von Risiken.“ Langfristig sieht er das Potenzial daher weniger in einzelnen KI-Systemen für spezifische Erkrankungen als in sogenannten „Foundation Risk Prediction Models“. Solche Modelle könnten anhand großer populationsbasierter Datensätze Risiken für zahlreiche Erkrankungen gleichzeitig vorhersagen und im Anschluss für einzelne Krankheitsbilder angepasst werden.

An seinem eigenen Zentrum werde derzeit ein entsprechendes Modell auf Basis anonymisierter Daten von mehr als einer Million Patienten entwickelt. Perspektivisch könnten daraus digitale Patientenzwillinge entstehen, mit denen sich Krankheitsverläufe oder potenzielle Therapieeffekte simulieren lassen. Voraussetzung seien jedoch extrem große Datenmengen sowie eine kontinuierliche Anpassung an unterschiedliche Gesundheitssysteme und Populationen.