Wie smarte Workflows den Diagnoseprozess optimieren
Der DeepUnity AI Cube ermöglicht eine einfache Integration verschiedener KI-Lösungen
Die Radiologie ist ein Paradebeispiel für die Transformation durch Künstliche Intelligenz (KI). Wachsende Datenmengen, steigende Fallzahlen und ein zunehmender Fachkräftemangel stellen Krankenhäuser und Praxen vor immer größere Herausforderungen. Gleichzeitig hat KI das Potenzial, Arbeitsabläufe effizienter zu gestalten und eine präzisere Diagnostik zu ermöglichen. Doch wie genau funktioniert die Integration von KI in den radiologischen Alltag? Welche Herausforderungen sind dabei zu bewältigen?
Mehr Daten, mehr Erkenntnisse, mehr Belastung
Die Menge medizinischer Daten wächst exponentiell. Eine Studie zeigt, dass die durchschnittliche jährliche Wachstumsrate im Gesundheitswesen seit 2018 bei rund 36 Prozent liegt. Einerseits erhöht das die Qualität der Diagnostik, da mehr Informationen zur Verfügung stehen, andererseits kann die schiere Menge an Daten die Wahrnehmung der Radiologen auch überfordern.
Verschärft wird die Situation durch strukturelle Probleme: Der Fachkräftemangel ist allgegenwärtig, und durch die steigende Zahl an Erkrankungen, beispielweise Krebs, steigt auch die Arbeitsbelastung. „Unser Ziel ist es, bestehende Workflows für den Radiologen zu vereinfachen und relevante Informationen genau dort bereitzustellen, wo sie benötigt werden“, erklärt Michaela Schreiter, Teamlead Product Management, Business Unit Diagnostic Imaging IT (DIIT).
KI als Gamechanger
Seit Jahren schon ist die Radiologie Vorreiter in der Anwendung Künstlicher Intelligenz. Spezialisierte Algorithmen analysieren beispielsweise riesige Datensätze, extrahieren aussagekräftige Muster und unterstützen so eine schnellere und präzisere Diagnostik. Das ist akzeptiert und recht breit im radiologischen Alltag angekommen. Heute rücken zunehmend effizientere Workflows in den Fokus. Auch hier kann KI helfen, indem sie etwa automatisch priorisiert, welche Befunde zuerst bearbeitet werden sollten. „Wenn eine KI Anzeichen für ein akutes Krankheitsbild erkennt, kann das System diese Untersuchung mit einem entsprechenden Hinweis oben in der Arbeitsliste anzeigen“, so Schreiter.
Ein weiterer wichtiger Punkt ist die Standardisierung. Daten sollten nicht mehr als separate PDF-Reports vorliegen, sondern als strukturierte Daten direkt in Befundungssysteme übertragen werden. Das bietet beispielweise die Möglichkeit, Messungen sofort anzuzeigen und in Befunde zu integrieren.
Vertrauen und Integration als Schlüsselfaktoren
Trotz der offensichtlichen Vorteile bleibt die größte Herausforderung, das Vertrauen der Mediziner in die KI-basierten Lösungen zu schaffen und zu stärken. „Etablierte Anbieter haben es hier leichter, aber bei jungen Akteuren ist die Skepsis noch groß“, weiß Schreiter. Besonders Large Language Models (LLMs) werden aktuell noch mit Zurückhaltung betrachtet, da sie wenig transparent und nachvollziehbar sind.
„Wenn man sie aber regelmäßig verwendet und zielgerichtet einsetzt, erkennt man ihre Stärken und weiß, worauf man achten muss. So verbessern sich dann auch die Modelle“, sagt die Produktmanagerin. Ein weiteres zentrales Thema ist die nahtlose Integration in bestehende Systeme wie Radiologie-Informations- (RIS) und Bilddatenmanagementsysteme (PACS). „Anwender haben einen stressigen Arbeitsalltag und keine Zeit für umständliche Zusatzschritte, etwa das Öffnen einer Applikation in einem separaten Fenster. KI muss sich nahtlos in bestehende Workflows einfügen, beispielsweise durch eine automatische Vermessung von Lungenrundherden nach vorher definierten Kriterien und das Zurückspielen der Ergebnisse“, erläutert Schreiter die Integration an einem Beispiel.
Neuer Ansatz für die KI-Integration
Mit dem DeepUnity AI Cube erfüllt Dedalus HealthCare genau diese Anforderungen. Die Plattform ermöglicht eine einfache Anbindung definierter KI-Lösungen an bestehende Systeme. „Bekannte Plattformen binden sich an den Cube an, und wir stellen unseren Kunden die dort verfügbaren KI-Lösungen integriert zur Verfügung. Die Anwender bekommen alles aus einer Hand und haben damit nur einen Ansprechpartner“, so Schreiter.
Das Konzept nennt sich Embedded Intelligence. KI wird direkt in bestehende Anwendungen integriert, sodass sich Radiologen nicht mit separaten Systemen befassen müssen. Sollte ein Kunde eine spezifische KI-Lösung benötigen, die nicht in den angebundenen Marktplätzen verfügbar ist, könnten diese auch direkt eingebunden werden. „Das wird aber die Ausnahme sein“, betont die Teamleiterin.
Smarte Workflows durch Priorisierung und Visualisierung
Wie sieht die KI-Einbindung in den Workflow aus und wie nimmt der Anwender sie wahr? Neue Bilddaten werden basierend auf definierten Regeln automatisch im Hintergrund an spezialisierte Algorithmen weitergeleitet. Sobald der Radiologe die Befundung startet, liegen die analysierten Daten bereits vor. Erkennt ein Algorithmus ein auffälliges Muster, erhöht das hinterlegte Regelwerk automatisch die Priorität der Untersuchung zur Befundung. Dabei kann der Radiologe immer entscheiden, ob er die Ergebnisse des Algorithmus direkt einsehen oder erst eine unvoreingenommene Befundung durchführen möchte. Ebenso kann der Befunder individuell entscheiden, ob er die Messungen oder Vorschläge der KI akzeptiert oder ablehnt. Zukünftig sollen Befunde auch KI-gestützt und teilautomatisiert erstellt werden können. Das würde wertvolle Zeit beim Diktieren sparen.
Large Language Models als Unterstützung
Neben der Bildanalyse haben LLMs das Potenzial, Sprache und Text zu optimieren. Sie können Patientenhistorien zusammenfassen, klinische Befunde formulieren und sogar Befunde in Laiensprache übersetzen.
Ein Beispiel dafür liefert Dedalus HealthCare mit Synopsis. „Gerade bei chronisch kranken Patienten gibt es riesige Datenmengen aus jahrelanger Behandlung. Ein Arzt hat im stressigen Alltag keine Zeit, sich durch unzählige Dokumente zu kämpfen. Synopsis fasst alle relevanten Informationen strukturiert zusammen und stellt sie übersichtlich dar“, erläutert Schreiter die Lösung. Darüber hinaus können LLMs für ICD-10-Kodierungen, Scan-Protokoll-Optimierungen oder als Chatbots für medizinische Wissensdatenbanken genutzt werden.
Mehr Effizienz, mehr Entlastung
KI kann Radiologen entlasten, Diagnosen präzisieren und Arbeitsabläufe beschleunigen. Besonders wichtig sind dabei eine nahtlose Integration und intuitive Workflows. „Radiologen stehen der KI-Integration grundsätzlich positiv gegenüber, wenn sie erkennen, dass sich ihre Arbeitsprozesse dadurch vereinfachen“, fasst Michaela Schreiter ihre Beobachtungen zusammen.
Die Zukunft der Diagnostik liegt in der Nutzung Künstlicher Intelligenz. Sie wird helfen, Zeit zu sparen und die Ergebnisqualität merklich zu optimieren – indem Radiologen sie als Assistenzsystem nutzen, das sie effizienter arbeiten lässt. Entscheidend bleibt die Frage, wie gut diese Systeme wirklich funktionieren und wie einfach sie in den Alltag integriert werden können. Denn: je reibungsloser die Anwendung, desto besser das Ergebnis und desto höher die Akzeptanz.