Regelbasierte Systeme im Klinikalltag

© metamorworks / AdobeStock

Wenn Ihre Klinik wüsste, was sie alles weiß, dann ließen sich viele Prozesse entschlacken, Entscheidungsprozesse verkürzen und die Behandlungsqualität verbessern. Doch menschliche Ressourcen sind begrenzt. Der eine Mitarbeiter kann nicht ohne weiteres auf das Erfahrungswissen des anderen zugreifen. Doch wer hilft bei unsicheren Diagnosen oder unklaren Befunden? Wie würden andere Experten in dieser Situation entscheiden? Im Krankenhausalltag sind Mediziner bei solchen Gedankengängen meistens auf sich allein gestellt. Zudem agieren sie in der Regel unter hohem Zeitdruck. Regelbasierte Systeme für den Klinikalltag können dabei helfen, Entscheidungen sicherer und auf Basis relevanter Daten oder vergleichbarer Fälle zu treffen.

Regelbasierte Systeme im Klinikalltag

Ärzte treffen ihre Diagnosen anhand von Symptomen oder dem Fehlen entsprechender Symptome. Dabei stützen sie sich auf die Angaben des Patienten und auf die Untersuchungsergebnisse. Zusammen mit ihrem Fachwissen und ihren Erfahrungswerten führen sie ein Ergebnis herbei. Dieser Prozess enthält jedoch zahlreiche Variablen und Unsicherheiten. Regelbasierte Systeme unterstützen diesen Prozess. Damit fungieren sie als doppelter Boden und dienen der Qualitätskontrolle. Das ermöglicht einen deutlichen Anstieg der diagnostischen Qualität.

Neu sind solche Systeme nicht. Bereits in den 1970er Jahren wurde ein entsprechendes regelbasiertes System für den Klinikalltag entwickelt. Basierend auf simplen Wenn-Dann-Beziehungen identifizierte es – unter dem Namen MYCIN – mit überraschend hoher Trefferquote bakterielle Infektionskrankheiten. Zu dieser Zeit fehlte der Medizin jedoch das Vertrauen in die Fähigkeiten der Technik. MYCIN gibt es in abgewandelter Form bis heute, allerdings hat es seither andere Branchen revolutioniert. In Zeiten von Digitalisierung und Big Data geraten intelligente Expertensysteme wieder vermehrt in den Fokus der medizinischen Forscher. Gelingt es, das globale Wissen in solchen Wissensdatenbanken zu vereinen und intelligent zu verknüpfen, ließen sich anhand von verschiedenen Indikatoren blitzschnell Diagnosen erstellen. Vor allem für die Telemedizin und im Kampf gegen den Fachkräftemangel ist das eine lohnende Entwicklung.

Selbstlernende Systeme zeigen Behandlungswege auf

Das gilt übrigens auch für das fallbasierte Schließen, bekannt unter dem Fachbegriff Cased-Based Reasoning, kurz CBR. Es handelt sich dabei um eine Form des maschinellen Lernens. Das heißt: Das Expertensystem lernt eigenständig anhand von Cases. Das trifft sich gut, da ja in der Medizin mit jedem Patienten ein neuer Fall eröffnet wird. In so genannten CBR-Systemen lassen sich diese Fälle sammeln – in Form von Best Practices oder Fallbeschreibungen. Ist erstmal ein Grundstock solcher Fälle vorhanden, können Ärzte sie als Grundlage für die Behandlung neuer Patienten mit ähnlichen Krankheitsmustern nutzen. Beispielsweise geben sie eine Diagnose oder die Symptome ein und das System vergleicht die eingegebenen Informationen mit den bereits bekannten Fällen. Die Mediziner werden darüber informiert, wie andere Ärzte in ähnlichen Fällen gehandelt haben. Damit steht quasi das globale Behandlungswissen zur Verfügung. Dieser medizinische Erfahrungsschatz lässt sich ausbauen und immer weiter verfeinern.

Damit das gelingt, benötigt das System von den Ärzten eine Rückmeldung zu ihrem aktuellen Fall. Wie haben sie gehandelt? Und warum? Das Expertensystem verarbeitet diese Informationen und stellt sie bei der nächsten relevanten Anfrage mit zur Verfügung. Da es sich um ein selbstlernendes Programm handelt, werden die Vorschläge immer detaillierter und genauer.

Technisch ist es längst umsetzbar. Die Medizin braucht Zeit, um eine entsprechende Datengrundlage zu erstellen und entsprechendes Vertrauen in die Möglichkeiten der künstlichen Intelligenz.

 

nl/KWM

Bildquelle: © metamorworks / Adobe.Stock.com

 

Hinterlassen Sie einen Kommentar