KI-Komposition

Für die Integration von KI-Algorithmen steht bei GE Healthcare die effiziente Organisation des Workflows und die so genannte User-Experience im Vordergrund.

Für Jan Beger, Senior Director, Digital Ecosystem Europe bei GE Healthcare sind digitale Marktplätze und Systeme für die Workflowoptimierung nicht unbedingt dasselbe. Einmal geht es darum, sich über unterschiedliche Angebote zu informieren oder Produkte zu kaufen, das andere Mal steht die Optimierung von Arbeitsabläufen im Vordergrund. GE Healthcare nennt das Orchestrierung.

„Es ist nicht ganz leicht, den Marktplatz mit dem B2B-Geschäft im Gesundheitswesen zusammenzubringen. Denn wenn ich als Kliniker oder Radiologe auf so einen Marktplatz gehe, bin ich am Ende nicht der Entscheider oder Geldgeber“, sagt Jan Beger. Seiner Meinung nach sind KI-Marktplätze hervorragende Tools, die den Radiolog:innen oder Entscheider:innen helfen, fundierte Entscheidungen zu treffen.

30_GE - Jan_Beger
„Der eigentliche Mehrwert von KI-Lösungen ­besteht darin, dass das System über die Zeit
mit den eingepflegten Daten besser wird.“
Jan Beger,
Senior Director, Digital Ecosystem Europe
bei GE Healthcare
Ko

Weniger No-Shows dank KI

„Laut unterschiedlicher Webseiten, die über KI-Algorithmen informieren, bieten derzeit etwa 100 Unternehmen zirka 200 Algorithmen für die radiologische ­Diagnostik an“, so Beger. Der KI-Spezialist ist der Meinung, dass genau da für den Kund:innen die Schwierigkeiten beginnen. Denn welche Interessent;innen in der Lage sind, aus einer derart großen Vielfalt an kommerziell erhältlichen Lösungen, den richtigen Partner zu finden?

„Um den Workflow systemübergreifend zu optimieren, ist mehr als ein Stück Software nötig. Dazu braucht es eine tiefe Integration der KI-Algorithmen mit RIS und PACS“, sagt Jan Beger. Genau genommen geht es für ihn noch weit darüber hinaus und er hat mit dem Workflow-Orchestrator von GE den gesamten Pfad der Patient:innen durch die Radiologie im Auge: Von der Terminvereinbarung bis hin zur Befundkommunikation mit Kliniker:innen und Zuweiser:innen. Beger geht es um die Reduzierung von No-shows ebenso wie um die automatisierte und Strukturierte Befundung inklusive der Rückkopplung von Messwerten zum RIS.

Was Jan Beger mit der KI-optimierten Verringerung der kurzfristigen Terminabsagen meint, erklärt er anhand eines Kundenbeispiels. Im Institut für Radiologie eines Schweizer Krankenhauses korreliert ein KI-Algorithmus die Wahrscheinlichkeit von Terminabsagen mit dem Wetterbericht und der Tageszeit. Was ein wenig abgehoben klingt, führt jedoch bereits zu einer besseren Auslastung der Modalitäten.

30_GE - 030_05 GE
Die Herausforderung der modernen Radiologie lautet: mehr Effizienz, mehr Qualität, mehr Produktivität, mehr Patient Outcome. 

Hier wurde eine Strategie erprobt, bei der ein Algorithmus mit Daten aus der Vergangenheit trainiert wurde, wobei mehrere Prädiktoren wie Wochentage, Tageszeit, Wettervorhersage, demographische Patientendaten und Vorgeschichte einfließen. Dieser Algorithmus kann auf Grundlage der Patientenprofile Empfehlungen generieren, wie beispielsweise „die Terminvergabe an Patient:innen zwischen 20 und 30 Jahren am frühen Morgen sollte vermieden werden“ oder „Patient:innen, die mehr als 20 km entfernt wohnen, sollten nicht während der Stoßzeiten eingeplant werden“. Zudem kann die KI dem Personal eine Liste von Patient:innen mit „hohem Risiko des Nichterscheinens” für die nächsten fünf Tage zur Verfügung stellen, die sie erneut kontaktieren können, um den Termin zu bestätigen.

Vertrauen aufbauen

Mit einer relativ losen KI-Integration kann Beger nicht viel anfangen. Eine zu geringe Integrationstiefe würde eher zu einer zusätzlichen Arbeitsbelastung führen. Im Fokus sollten vielmehr die Priorisierung von Findings und eine entsprechende zeitnahe Benachrichtigung an den Radiolog:innen stehen – sowie die Einbindung der Ergebnisse in den klinischen Workflow. Sein Ziel ist es, die User-Experience für die Radiolog:innen zu verbessern. „Die Radiolog:innen sollen am besten gar nicht merken, dass im Hintergrund zahlreiche Applikationen unterschiedlicher Hersteller arbeiten“, wünscht sich Jan Beger. Doch auf dem Weg dahin sind für ihn noch einige Hürden zu nehmen.

Bisher sind die Classifier für viele Anwender noch „Black Boxes“. Es fehlt das Vertrauen in die Algorithmen und in die Anbieter. „Um die Akzeptanz der Lösungen zu steigern, muss dieses Vertrauen erst aufgebaut werden. Von den Herstellern ist noch viel Aufklärungsarbeit zu leisten. Sie müssen den Radiologinnen und Radiologen erklären, wie und weshalb der Algorithmus zu seinem Befundvorschlag kommt“, beschreibt Beger die aktuelle Situation.

Mit dem Edison Open AI Orchestrator wird GE Healthcare sehr schnell einen Katalog an zertifizierten und überprüften Algorithmen aufbauen, um den Kund:innen die Sicherheit zu geben, dass alle über GE bezogenen Algorithmen nicht nur zuverlässig funktionieren, sondern sich auch nahtlos in die vorhandene Infrastruktur integrieren. Akademische Häuser oder private Institutionen ­werden in diesem Kontext zudem die Möglichkeit bekommen, eigene KI-Algorithmen zu entwickeln und einzubinden.

Den Edison Orchestrator beschreibt Jan Beger als Middleware: Er agiert als konfigurierbare Komponente, die im Hintergrund zwischen Modalitäten, RIS, PACS, KI und Befundsoftware zu finden ist, um KI-basierte Lösungen zu komponieren und den Workflow intelligent zu orchestrieren.