EconPapers    
Economics at your fingertips  
 

Diagnoseunterstützung durch künstliche Intelligenz für Labordaten

Florian Stumpe () and Jan Kirchhoff ()

Chapter Kapitel 23 in Künstliche Intelligenz im Gesundheitswesen, 2022, pp 505-519 from Springer

Abstract: Zusammenfassung Labordaten sind zugleich wertvoll und komplex – mithilfe von künstlicher Intelligenz können Ärzte in der Probenanforderung und Auswertung unterstützt werden, um so Krankheiten gezielter und früher zu erkennen. Dieser Beitrag gibt einen Überblick über das Potenzial der Anwendung von künstlicher Intelligenz im Bereich der Labordaten. Die Autoren sind die Gründer eines Unternehmens, welches sich auf dieses Themenfeld spezialisiert hat. Entscheidend für die Adoption im Klinikum sind sowohl die Einbindung in die Klinikabläufe, eine Oberfläche, die Freude in der Bedienung macht, und zudem eine Nachvollziehbarkeit in den Machine-Learning-Vorhersagen. In diesem Beitrag wird die Technologie beschrieben, welche bestehende Diagnosen so mit einem Knowledge-Graphen kombiniert, um medizinisch nachvollziehbare Vorschläge und Hinweise für Ärzte zu liefern. Durch eine zentrale und dezentrale Architektur können die Anforderungen an eine Anonymisierung von Patientendaten mit den Chancen eines einrichtungsübergreifenden Wissenstransfers in Einklang gebracht werden. Während die technischen Herausforderungen – auch durch Nutzung gängiger und vielfach erprobter IT-Standards – gelöst werden können, erfordert die inhaltliche Harmonisierung (Kontext/medizinische Schemata) noch viel Zeit und Bemühungen. Die Adoption internationaler Standards, aber auch die praxisnahe IT-Entwicklung – darunter beispielsweise die Verbreitung von Open-Source-Konnektoren – sind zu begrüßen. Nur mit dem entsprechenden Kontext innerhalb der Datensätze und einer intelligenten Verknüpfung der Systeme können das stetig wachsende Forschungswissen, aber auch „Big Data“ als echte Hilfe für die praktische Arbeit der Ärzte im täglichen Klinikalltag dienen. Für die Herstellung dieses Kontexts – innerhalb des weiten Lösungsspektrums der künstlichen Intelligenz – bietet die Graph-Technologie interessante Möglichkeiten, die ebenso im Rahmen des Beitrags beschrieben werden.

Date: 2022
References: Add references at CitEc
Citations:

There are no downloads for this item, see the EconPapers FAQ for hints about obtaining it.

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:spr:sprchp:978-3-658-33597-7_23

Ordering information: This item can be ordered from
http://www.springer.com/9783658335977

DOI: 10.1007/978-3-658-33597-7_23

Access Statistics for this chapter

More chapters in Springer Books from Springer
Bibliographic data for series maintained by Sonal Shukla () and Springer Nature Abstracting and Indexing ().

 
Page updated 2025-04-02
Handle: RePEc:spr:sprchp:978-3-658-33597-7_23