Skip to main content

22.01.2025 | Anästhesie

Big Data und künstliche Intelligenz in der Anästhesie

verfasst von: Dr. Julia Sander, Philipp Simon, Christian Hinske

Erschienen in: Wiener klinisches Magazin

Einloggen, um Zugang zu erhalten

Zusammenfassung

Big Data und künstliche Intelligenz (KI) – Schlagworte, die in aller Munde sind und der Szenerie doch immer einen Hauch von Science Fiction verleihen. Doch wo stehen wir mit diesen Themen in der Anästhesie? Rollen bereits erste Roboter über die Gänge, und sitzen Ärzt:Innen gelangweilt in der Ecke, da alle Arbeit verrichtet und der Patient versorgt ist? Achtung Spoiler-Alarm! Wir sind noch weit davon entfernt. Zunächst streben Papierkurve und analoge Notizen einer umfassenden Digitalisierung entgegen. Quellsysteme müssen zusammengeführt und Daten standardisiert, harmonisiert und validiert werden. Der freundliche Android, der in unseren Gedanken winkend mit einem Kaffee auf uns zusteuert, muss also noch warten. Doch – ein Hauch von Zukunft weht bereits in vereinzelten Kliniken und erste erfolgversprechende Entwicklungen zeigen schon heute, was morgen Standard sein könnte. Lernende Algorithmen können beispielsweise die Verweildauer individuell für jeden Patienten auf der Intensivstation berechnen oder negative Folgen wie Wiederaufnahme und Sterblichkeit reduzieren. Auch auf dem Gebiet der Ultraschalltechnologie für Lokalanästhesien und Closed-Loop-Anästhesiesysteme demonstriert sich der Nutzen KI-gestützter Technologien in der Praxis. Die Bestrebungen sind vielfältig und ambitioniert, kollidieren jedoch immer wieder mit den Herausforderungen des Datenschutzes und signifikanten Investitionsaufwänden, was in einem ohnehin finanziell stark belasteten Gesundheitssystem schwer wiegt. Aber, wer dem medizinischen Personal genau zuhört, der weiß, dass Roboter nicht das sind, was man erwartet, und die Worte Big Data und künstliche Intelligenz möglicherweise gar nicht so viel Science Fiction beinhalten, wie im ersten Moment gedacht.
Literatur
11.
Zurück zum Zitat Müller T, Padmanabhan P, Richter L, Silberzahn T (2022) E‑Health Monitor 2022. MWV Medizinisch Wissenschaftliche Verlagsgesellschaft Müller T, Padmanabhan P, Richter L, Silberzahn T (2022) E‑Health Monitor 2022. MWV Medizinisch Wissenschaftliche Verlagsgesellschaft
17.
Zurück zum Zitat Plattform Lernende Systeme (PLS) (2022) Verteiltes maschinelles Lernen – Besserer Datenschutz für KI-Anwendungen? (KI Kompakt) Plattform Lernende Systeme (PLS) (2022) Verteiltes maschinelles Lernen – Besserer Datenschutz für KI-Anwendungen? (KI Kompakt)
19.
Zurück zum Zitat Ammenwerth E, Duftschmid G, Al-Hamdan Z, Bawadi H, Cheung NT, Cho KH, Goldfarb G, Gülkesen KH, Harel N, Kimura M, Kırca Ö, Kondoh H, Koch S, Lewy H, Mize D, Palojoki S, Park HA, Pearce C, de Quirós FGB, Saranto K, Seidel C, Vimarlund V, Were MC, Westbrook J, Wong CP, Haux R, Lehmann CU (2020) International comparison of six basic ehealth indicators across 14 countries: an ehealth benchmarking study. Methods Inf Med 59(2):e46–e63. https://doi.org/10.1055/s-0040-1715796CrossRefPubMedPubMedCentral Ammenwerth E, Duftschmid G, Al-Hamdan Z, Bawadi H, Cheung NT, Cho KH, Goldfarb G, Gülkesen KH, Harel N, Kimura M, Kırca Ö, Kondoh H, Koch S, Lewy H, Mize D, Palojoki S, Park HA, Pearce C, de Quirós FGB, Saranto K, Seidel C, Vimarlund V, Were MC, Westbrook J, Wong CP, Haux R, Lehmann CU (2020) International comparison of six basic ehealth indicators across 14 countries: an ehealth benchmarking study. Methods Inf Med 59(2):e46–e63. https://​doi.​org/​10.​1055/​s-0040-1715796CrossRefPubMedPubMedCentral
20.
Zurück zum Zitat Kelber U, Lerch MM (2022) Pro & Kontra: Datenschutz als Risiko für die Gesundheit. Dtsch Ärztebl 119(21):A-960–B-798 Kelber U, Lerch MM (2022) Pro & Kontra: Datenschutz als Risiko für die Gesundheit. Dtsch Ärztebl 119(21):A-960–B-798
27.
Zurück zum Zitat Thoral PJ, Fornasa M, de Bruin DP, Tonutti M, Hovenkamp H, Driessen RH, Girbes ARJ, Hoogendoorn M, Elbers PWG (2021) Explainable machine learning on AmsterdamUMCdb for ICU discharge decision support: uniting Intensivists and data scientists. Crit Care 3(9):e529. https://doi.org/10.1097/CCE.0000000000000529CrossRef Thoral PJ, Fornasa M, de Bruin DP, Tonutti M, Hovenkamp H, Driessen RH, Girbes ARJ, Hoogendoorn M, Elbers PWG (2021) Explainable machine learning on AmsterdamUMCdb for ICU discharge decision support: uniting Intensivists and data scientists. Crit Care 3(9):e529. https://​doi.​org/​10.​1097/​CCE.​0000000000000529​CrossRef
31.
Zurück zum Zitat Davies SJ, Vistisen ST, Jian Z, Hatib F, Scheeren TWL (2020) Ability of an arterial waveform analysis—derived hypotension prediction index to predict future hypotensive events in surgical patients. Anesth Analg 130:352–359CrossRefPubMed Davies SJ, Vistisen ST, Jian Z, Hatib F, Scheeren TWL (2020) Ability of an arterial waveform analysis—derived hypotension prediction index to predict future hypotensive events in surgical patients. Anesth Analg 130:352–359CrossRefPubMed
Metadaten
Titel
Big Data und künstliche Intelligenz in der Anästhesie
verfasst von
Dr. Julia Sander
Philipp Simon
Christian Hinske
Publikationsdatum
22.01.2025
Verlag
Springer Vienna
Erschienen in
Wiener klinisches Magazin
Print ISSN: 1869-1757
Elektronische ISSN: 1613-7817
DOI
https://doi.org/10.1007/s00740-024-00546-y