Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
32 Digitalisierung Elektronik medical Digitale Biomarker Wenn der Algorithmus die Diagnose stellt Niereninsuffizienz oder Leberkrebs? Bei »stillen Leiden« mussten Patienten bisher vom Hausarzt zum Facharzt zur Spezialambulanz Julian Müller von Roche Diagnostics Deutschland erläutert wie CEzertifizierte Algorithmen eine schnelle präzise Diagnose liefern – und die gesamte Versorgungskette verändern Von Ute Häußler Roche Diagnostics hat 2023 den ersten »digitalen Biomarker« vorgestellt Wie hat sich die Algorithm Suite entwickelt? Vor zwei Jahren mit nur einem Algorithmus war die Idee eines Medical App Stores für CEzertifizierte Algorithmen schwer zu erklären es glich mit dem GAAD-Score für Leberkrebs eher einem Feldversuch Nun füllt sich die Plattform Zum einen mit selbstentwickelten Algorithmen unserer Roche-Reagenzien und zum anderen scouten wir CEzertifizierte Algorithmen von Startups für unsere Plattform Für die Kliniken und Labore hat dieses Vorgehen den Vorteil dass sie nicht mit jedem Anbieter selbst in Vertragsverhandlungen und die Integration gehen müssen Wir sind meist bereits eingebunden und der Kunde bekommt so aus einer Hand – quasi iPhoneartig – Zugriff auf eine große Bandbreite an medizinischen Algorithmen Welche Abrechnungsmodelle gibt es? Die sogenannten »High-Medical-Value«- Algorithmen die einem Durchbruch gleich völlig neue Sichtweisen in der Diagnose erlauben rechnet Roche »Payper-Use« ab also pro Berechnung Auf der anderen Seite stehen die »Commodity«-Algorithmen – simple Berechnungen die bereits heute in jedem Labor in jeder Klinik per Hand durchgeführt werden und die von uns CEzertifiziert wurden Diese sind nun immer zu 100 Prozent korrekt und werden als Commodities im Abo-Modell angeboten Wie viele Algorithmen sind aktuell verfügbar und welche davon mit High-Medical-Value? Wir liegen – Stand Q4 – bei zehn Algorithmen Drei davon mit »High-Medical-Value« einer ist unser erster mit KI trainierter Algorithmus »Klinrisk« der Niereninsuffizienz prognostizieren kann Dieser Machine-Learning-Algorithmus wurde mit riesigen Datensätzen trainiert und hat anhand einer Palette an Parametern herausgefunden die Nieren welcher Patienten voraussichtlich in die Unterfunktion gehen werden Das ist komplett neu Niereninsuffizienz hat anfangs keine spezifischen Symptome und wird dadurch oft erst in Stadium drei oder vier diagnostiziert Der neue Algorithmus kann dies bereits sehr früh also wenn noch überhaupt keine Symptome vorliegen und der Patient noch keine Diagnose gestellt bekommen hat 1 Dh Sie setzen auf zwei unterschiedliche Ansätze in der Algorithmenentwicklung? Korrekt Der erste Ansatz basiert auf der statistischen Analyse von großen Datenmengen aus denen ein Algorithmus abgeleitet wird Das Modell ist eine klare offengelegte mathematische Formel bei der genau nachvollziehbar ist wie das Ergebnis berechnet wird Dieser »White-Box«-Ansatz schafft Vertrauen und ermöglicht es Ärzten 1 Kidney Klinrisk Algorithm · Software version 1 0 · User Guide · Publication version 1 0 die Logik hinter der Vorhersage zu verstehen Mit dieser Transparenz und umfassenden Validierungen ist der Ansatz ideal für standardisierte Risikobewertungen Der zweite Ansatz basiert auf dem im Machine Learning üblichen »Random Survival Forest-Prinzip« RSF Die Maschine bekommt einen riesigen Datensatz und findet selbst die Lösung ohne dass wir danach fragen Der Algorithmus trifft basierend auf tausenden Entscheidungsbäumen eine präzise Vorhersage RSF ist der menschlichen und statistischen Analyse meist überlegen da es komplexe Interaktionen zwischen Variablen erkennt und auch mit fehlenden Daten – wie in Patientenakten – umgehen kann Allerdings ist dieser »Black-Box«- Prozess für den Menschen nicht nachvollziehbar Der Mangel an Transparenz ist das größte Hindernis für die klinische Akzeptanz Ärzte tragen die Verantwortung für die Diagnose können aber die Entscheidung der KI nicht komplett nachvollziehen Zudem benötigen diese Modelle große qualitativ hochwertige Datensätze die in vielen Krankenhäusern noch nicht zentral verfügbar sind Daher legen wir großen Wert darauf diesen Ansatz stets im Rahmen von Studien klinisch zu validieren