Mithilfe von KI lassen sich in der Radiologie zahlreiche Potenziale erschließen, daran besteht kein Zweifel mehr. Nexus / Chili setzt zukünftig auf die KI-Plattform von deepc, um selbstlernende Algorithmen tief in RIS und PACS zu integrieren, denn die gelebte Interoperabilität beider Unternehmen bildet die Grundlage für eine erfolgreiche KI-Integration.
Bei allen Vorteilen, die automatisiert ablaufende, intelligente Workflows bieten, ist deren Einführung mit einem ganzen Stapel an neuen Pflichten für die Betreiber:innen verbunden. Zuallererst gilt es, sich mit den eigenen Prozessabläufen und Abteilungsstrukturen auseinanderzusetzen, um für bestehende Probleme passgenaue Lösungen zu finden. Für jeden einzelnen KI-Algorithmus, der zum Einsatz kommen soll, muss nicht nur ein Kaufvertrag geschlossen werden.
Es geht auch darum, ein Datenschutzkonzept auszuarbeiten und einen Vertrag für die Auftragsdatenverarbeitung zu schließen. „Neben der DatenschutzGrundverordnung (DSGVO) sind ISONormen wie beispielsweise die 13485 und das Medizinprodukte-Gesetz (MPG) beziehungsweise die Medical Device Regulation (MDR) einzuhalten“, bestätigt Dr. Uwe Engelmann, Geschäftsführer von Nexus / Chili.
Ein System – viele KI-Algorithmen
Um den Kund:innen den Umgang mit all diesen Regulatorien zu ersparen, sind das Radiologie-IT Unternehmen Nexus / Chili und das MedTech-Unternehmen deepc eine Kooperation eingegangen, deren Ziel es ist, eine integrierte Radiologie-IT-Lösung anzubieten und für die Kund:innen sämtliche Betreiberpflichten bereits im Vorfeld abzufangen. Während sich deepc mit seiner digitalen Softwareplattform darum kümmert, unterschiedlichste ausgewählte und geprüfte Algorithmen zusammenzuführen, bringt Nexus / Chili durch die Ko operation mit deepc die Vorteile der Algorithmen zu den Anwender:innen vor Ort.
Dr. Uwe Engelmann: „Die Kooperation mit deepc versetzt uns in die Lage, unseren Kunden mit einer einzigen Integrationsschnittstelle zahlreiche unterschiedlichste KI-Algorithmen anbieten und anbinden zu können. Mit geringem Aufwand für die Radiologie-IT vor Ort ermöglichen wir so eine MPG-zertifizierte Workflowintegration.“ Mit nur einer einzigen Integrationsschnittstelle – von Nexus / Chili zu deepc – stehen sämtliche von deepc validierten Classifier zur Verfügung. Und das sind aktuell bereits annähernd 40 Anwendungen für unterschiedliche Körperregionen.
Einer der wichtigsten Punkte, die Radiolog:innen von einem KI-Algorithmus erwarten, ist die Priorisierung von Befunden. So erklärt Dr. med. Torsten Möller, Vorstandsvorsitzender der reif & möller diagnostic network AG: „Gerade bei zeitsensitiven Untersuchungen, wie beispielsweise der Schlaganfall- oder Herzinfarktdiagnostik, spielt die Dauer bis zur Diagnose eine besondere Rolle. In beiden Fällen stehen Therapien zur Verfügung, die besonders gut greifen, wenn frühzeitig gehandelt wird.“ In der radiologischen Notfalldiagnostik ist hier insbesondere der Schlaganfall mit Gefäßverschluss wichtig.
Für erfahrene Radiolog:innen liegt der Schlüssel zu höherer Schnelligkeit und Produktivität in einem integrierten Workflow. Der Arbeitsablauf muss aus einem Guss sein, sodass sich die Ärzt:innen fokussiert um die Notfälle kümmern können. Das gilt insbesondere auch für die Teleradiologie.
Priorisierung von Befunden
Diesen Zusammenhang kann Dr. Franz Pfister nur bestätigen. Seiner Meinung nach muss der Algorithmus „Alarm schlagen“, sobald ein Fall die Aufmerksamkeit beziehungsweise den Eingriff von Radiolog:innen erfordert. „Wichtige diagnostische Merkmale, wie Messwerte oder Wahrscheinlichkeiten, können Anhaltspunkte dafür sein, ob es sich um einen Fall handelt, der die dringende Aufmerksamkeit erfordert. Mithilfe der Lösung von deepc werden diese Informationen unmittelbar ins RIS bzw. PACS gespiegelt“, erläutert der Mitbegründer und CEO von deepc den Vorteil der Kooperation mit Nexus / Chili. Zwischen Wichtigem und Dringendem kann so schnell und klar differenziert werden.
Der Standardweg der Integration von KI in den Befundworkflow wird per DICOM realisiert. Bezüglich des Einsatzes von KI stößt DICOM jedoch schnell an Grenzen. Der ansonsten in der Radiologie bewährte Standard zeigt die KI-Ergebnisse lediglich in einem Bildformat als Secondary-Capture, als Overlay oder als enkapsuliertes PDF an. Dadurch sind diese Informationen gleichsam im DICOM-Format gefangen und es gibt keine Möglichkeit, andere Funktionalitäten und Mehrwert zu schaffen“, erklärt Dr. Franz Pfister.
Das Team von deepc hat sich genau dieses Problems angenommen. Das Unternehmen entwickelt gemeinsam mit KI-Herstellern Lösungen, neben den DICOM-Bildern zusätzliche relevante Informationen an PACS und RIS zu übertragen und beispielsweise in der Befundoberfläche von Nexus / Chili anzuzeigen: angefangen vom Processing-Status der Studie bis hin zu detaillierten Informationen wie Urgency-Labels oder auch diagnostischen Informationen. „Ein Gateway vor Ort sorgt dafür, dass sämtliche Informationen ihre Empfänger:innen vom PACS über das RIS bis hin zum KIS erreichen“, so Dr. Uwe Engelmann.
Technisch realisieren die Unternehmen die Datenübertragung mittels HL/7 und FHIR (Fast Healthcare Interoperability Resources. (Anmerkung der Redaktion: wird ausgesprochen wie engl. fire). Nexus / Chili ist damit oder als enkapsuliertes PDF an. Dadurch sind diese Informationen gleichsam im DICOM-Format gefangen und es gibt keine Möglichkeit, andere Funktionalitäten und Mehrwert zu schaffen“, erklärt Dr. Franz Pfister.
Das Team von deepc hat sich genau dieses Problems angenommen. Das Unternehmen entwickelt gemeinsam mit KI-Herstellern Lösungen, neben den DICOM-Bildern zusätzliche relevante Informationen an PACS und RIS zu übertragen und beispielsweise in der Befundoberfläche von Nexus / Chili anzuzeigen: angefangen vom Processing-Status der Studie bis hin zu detaillierten Informationen wie Urgency-Labels oder auch diagnostischen Informationen.
„Ein Gateway vor Ort sorgt dafür, dass sämtliche Informationen ihre Empfänger:innen vom PACS über das RIS bis hin zum KIS erreichen“, so Dr. Uwe Engelmann. Technisch realisieren die Unternehmen die Datenübertragung mittels HL/7 und FHIR (Fast Healthcare Interoperability Resources. (Anmerkung der Redaktion: wird ausgesprochen wie engl. fire). Nexus / Chili ist damit in der Lage, nicht nur die interne einrichtungsübergreifende Kommunikation abzubilden, sondern auch Patienten- und Überweiserportale zu bespielen.
Feedback-Loops steigern Genauigkeit
Dr. Engelmann sieht einen weiteren Nutzen einer tiefen KI-Integration und gelebter Interoperabilität darin, Radiolog:innen in die Lage zu versetzen, die Diagnosevorschläge der KI zu überschreiben und so einen Feedback-Loop zu schaffen. Dazu bedarf es jedoch einer weiteren Harmonisierung beziehungsweise Normalisierung der Daten und es müssen Dinge wie Datenschutz und Data-Ownership berücksichtigt werden. Aktuell sind für Feedback-Loops noch keine zufriedenstellenden Lösungen verfügbar. Obwohl dieses Feature nicht nur „Nice-to-have“ wäre, sondern die neue Medical Device Regulatory von den Herstellern sogar viel mehr eine regelmäßige Market-Surveillance, also eine systematische Überwachung der installierten Systeme, voraussetzt.
Eine derartige Überwachung von KILösungen ist aus Sicht der Datenwissenschaften nur dann möglich, wenn der Hersteller von den Anwender:innen eine Rückmeldung über den Erfolg der Classif ier bekommt. Dr. Franz Pfister: „Wir sind mit zahlreichen Herstellern bereits in einem engen Austausch, führen Stichproben durch und bekommen von Partnerkliniken Bilder, die bisher allerdings hausintern von drei Radiolog:innen kontrolliert werden.“ Dieser extreme Einsatz von Ressourcen ist notwendig, da Stand heute keine anderen technologischen Möglichkeiten vorhanden sind.
In Bezug auf Feedback-Loops ist es eben falls wichtig zu wissen, dass diese nach geltenden Regularien nicht in Echtzeit stattfinden könnten. Im Einsatz vor Ort sind ausschließlich zugelassene Algorithmen möglich. Ein Feedback könnte frühestens mit dem nächsten Update beim Kunden vor Ort aufgespielt werden, um die KI-Ergebnisse zu verbessern. Continuous Learning ist nach derzeitiger Rechtslage bei Diagnostiksystemen nicht abbildbar und eventuell auch gar nicht förderlich.
Unabhängige Validierung wünschenswert
Als deutlich wichtiger wird eine unabhängige Validierung von KI Algorithmen angesehen. Entsprechende Initiativen unteranderem von der EUSOMII (European Society of Medical Imaging and Information) beschäftigen sich gerade mit dem Aufbau eines unabhängigen Validierungssystems. Dr. Uwe Engelmann legt innerhalb der Kooperation der beiden Unternehmen Wert darauf, dass deepc viel Aufwand in die technische Bewertung von KI-Algorithmen steckt und in gewissem Umfang auch die Hersteller unter die Lupe nimmt, bevor sie Teil der digitalen Plattform werden. Schade, dass es bisher keine unabhängige Instanz gibt, die beispielsweise die Sensitivität und Spezifität unterschiedlicher Algorithmen validiert.
„Mit unserer eigenen Bewertung der unterschiedlichen Classifier haben wir schon einen gewissen Stellenwert erreicht. Aber mit einer unabhängigen benannten Stelle würde der gesamte Sachverhalt noch mal deutlich an Qualität gewinnen“, so Dr. Pfister. Oftmals wird erwartet, dass zugelassene Medizinprodukte auch valide Ergebnisse liefern. Doch im Sinne des Medizinprodukterechts zertifizieren die benannten Stellen lediglich, dass nach dokumentierten Qualitätskriterien produziert wurde. Im Teleradiologienetzwerk der reif & möller diagnostic-network ag läuft seit diesem Jahr bereits flächendeckend der 16 Einsatz von KI im Rahmen eines Systemtests.
Sobald auch das System von deepc produktiv geschaltet wird, haben sämtliche Standorte im Teleradiologienetzwerk Zugriff auf die von deepc akkreditierten und eingebundenen Classifier. Da Dr. Torsten Möller, Vorstand der reif & möller diagnostic-network ag, seit langem der Lösung von Nexus / Chili vertraut, wird die Anbindung vollkommen automatisiert und schnell von statten gehen. „Als einzige zusätzliche Komponente wird ein Gateway von deepc benötigt, das die Kommunikation mit dem KIS übernimmt, den digitalen Marktplatz ins PACS zu integrieren. Damit haben die Teleradiolog:innen an allen unterschiedlichen Standorten Zugriff auf die KI-Algorithmen“, so Dr. Möller.
KI und Teleradiologie
Da kein personalisierter Datensatz die lokale Netzwerkumgebung verlässt, ist der Datenschutz zu jeder Zeit gewährleistet. Doch der Charme einer zentral installierten KI, so wie von Nexus / Chili und deepc, besteht darin, dass die Installation beziehungsweise die Implementierung der KI-Algorithmen für die Teleradiologen sehr einfach von statten geht. Anstatt an jedem der 65 Standorte Software zu installieren, wird die Verbindung nur einmal hergestellt. Auch die Systemwartung mit den regelmäßigen Systemupdates geschieht über die zentrale Schnittstelle.
Für Dr. Torsten Möller steht und fällt der allgemeine flächendeckende Einsatz von KI-Lösungen für die radiologische Diagnostik mit Studien, die die Wirksamkeit von KI belegen. Der Nutzen für die Teleradiologie steht für ihn allerdings schon heute fest. „Wer nachts um drei Uhr Notfälle befunden muss, ist für jede Hilfe dankbar, die ihn unterstützt, sichere und zugleich auch schnelle Diagnosen zu erstellen.“ Der erfahrene Radiologe lässt sich sogar zur These hinreißen, dass in fünf Jahren radiologische Notfalldiagnostik ausschließlich KI-unterstützt stattfinden wird. Er ist sich ganz sicher, dass allein der Zeitgewinn durch Befundpriorisierung und daraus resultierend früherer Behandlung, bei bestimmten Erkrankungen zu einem besseren Patienten-Outcome führen wird. Seiner Meinung nach werden bis dahin auch zahlreiche Studienergebnisse vorliegen und sich KI-Algorithmen zum Gamechanger im Gesundheitswesen entwickeln.
Wenn bewiesen ist, dass der Zeitgewinn für die Patient:innen durch die Priorisierung beim Workflow, Spätschäden verhindern kann, können und dürfen Notfallpatienten nicht mehr ohne KI diagnostiziert werden. Voraussetzung dazu ist die tiefe Integration KI-basierter Bildanalysen von der Prozessoptimierung einschließlich Worklistpriorisierung über die interdisziplinäre Beurteilung von Notfallpatient:innen und der raschen Einleitung von Therapiemaßnahmen. Und dazu braucht es gelebte Interoperabilität.