MRT und CT sind weit verbreitete Methoden, um eine Diagnose zu stellen. Das gilt sowohl bei Verletzungen als auch bei Krebs und Erkrankungen des Herzens, des zentralen Nervensystems und des Skelettsystems. Bildgebende Verfahren werden mehr denn je benötigt: Die stetig wachsende und alternde Bevölkerung sowie die veränderten Lebensgewohnheiten tragen zur Zunahme von chronischen Erkrankungen wie Herz-Kreislauferkrankungen und Krebs bei. Das wiederum lässt die Anzahl an bildgebenden Diagnoseverfahren steigen. Radiologen sehen sich einem immer größer werdenden Zeitdruck und Arbeitsaufwand ausgesetzt. Die künstliche Intelligenz (KI) kann die Radiologie dabei unterstützen, eine genaue und frühzeitige Diagnose für Patienten zu stellen.
KI hat das Potenzial, das Gesundheitswesen radikal zu verändern, insbesondere im Bereich der medizinischen Bildgebung. Was wäre, wenn KI Ärzte dabei unterstützen könnte, schnellere und bessere Entscheidungen zu treffen?
Weltweit werden schätzungsweise 286 Millionen kontrastmittelverstärkte Röntgen-/CT- und MRT-Verfahren pro Jahr vorgenommen, 1 und der Bedarf an medizinischer Bildgebung zur Erkennung von Krankheiten, Unterstützung von Therapieentscheidungen und Behandlung steigt weiter. Das erhöht den Druck auf Radiologen. Ein US-Institut kam beispielsweise in einer Studie zum Ergebnis, dass seine Radiologen bei der Auswertung von CR- oder MRT-Untersuchungen an einem achtstündigen Arbeitstag im Durchschnitt alle drei bis vier Sekunden ein Bild auswerten müssten, um das Arbeitsvolumen abzuarbeiten. 2 Zusätzlich besteht ein Mangel an qualifizierten radiologischen Fachärzten. 3 Diese Trends tragen zu der hohen Zahl von Burn-outs unter Radiologen4 bei. Zudem steigt unter Druck das Risiko für Fehler. Einer 2018 erschienenen Publikation zufolge kommt es weltweit jedes Jahr zu bis zu 40 Millionen Fehldiagnosen im Zusammenhang mit bildgebenden Verfahren5.
Um dem langfristig und wirksam entgegenzuwirken, müssen wir menschliche Intelligenz mit den Möglichkeiten der künstlichen Intelligenz kombinieren. Zu den wichtigsten Vorteilen der KI in der Radiologie gehören:
Genauigkeit und Effizienz: KI hat das Potenzial, Radiologen bei der genauen und schnellen Analyse medizinischer Bilder zu unterstützen, zeitaufwendige Aufgaben wie die Vermessung von Läsionen zu automatisieren und Hinweise, die auf eine Krankheit hindeuten könnten, automatisch zu kennzeichnen. Dies kann Arbeitsabläufe in der Radiologie verbessern und mehr Zeit für andere Aufgaben schaffen.
Geschwindigkeit: KI bietet die Möglichkeit, die wachsenden Datenmengen in kurzer Zeit in wertvolle Erkenntnisse umzuwandeln, was Radiologie-Experten dabei unterstützt, ihren Patienten zeitnah eine richtige Diagnose zu stellen.
Erkennung: KI in der Radiologie hat das Potenzial, selbst kleine Auffälligkeiten in medizinischen Bildern, die vom menschlichen Auge möglicherweise übersehen werden, zu erkennen und hervorzuheben. KI-gestützte Screening-Apps bieten das Potenzial, Prognosen zu verbessern und ein früheres Eingreifen zu ermöglichen.
Was bedeutet das in der Praxis, und welchen Nutzen hat KI in der Radiologie für die Patienten? Zum Beispiel unterstützt KI Ärzte dabei, Lungenknötchen bei asymptomatischen Patienten zu erkennen. Von künstlicher Intelligenz unterstützte Triage-Anwendungen können dabei helfen, potenzielle Fälle von besonderer Dringlichkeit zu erkennen und eine vorrangige Befundung zu empfehlen. Das ist sinnvoll bei Patienten, die eine dringende Diagnose und Therapie brauchen, zum Beispiel im Fall potenzieller interzerebraler Blutungen und Großgefäßverschlüsse, die im Zusammenhang mit Schlaganfällen auftreten können.
Bayer verfügt über umfassende Expertise in einer Vielzahl diagnostischer und therapeutischer Bereiche, etwa onkologische und Herz-Kreislauf-Erkrankungen. Wir setzen konsequent auf Innovation, die das Potenzial künstlicher Intelligenz ausschöpfen. Unser Ziel ist es, medizinische Fachkräfte in allen Phasen der Patientenbetreuung zu unterstützen, von der Diagnose bis hin zur Behandlung.
Quellen:
1 Quelle: Bayer estimates based on various data sources
2 McDonald RJ, Schwartz KM, Eckel LJ, Diehn FE, Hunt CH, Bartholmai BJ, Erickson BJ, Kallmes DF. The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload. Acad Radiol. 2015 Sep;22(9):1191-8. https://pubmed.ncbi.nlm.nih.gov/26210525/
4 Chetlen AL, Chan TL, Ballard DH, Frigini LA, Hildebrand A, Kim S, Brian JM, Krupinski EA, Ganeshan D. Addressing Burnout in Radiologists. Acad Radiol. 2019 Apr;26(4):526-533. https://pubmed.ncbi.nlm.nih.gov/30711406/; Physician Burnout in Radiology: Perspectives From the Field, Cheri L. Canon et al. (2022) https://pubmed.ncbi.nlm.nih.gov/34494444/
