» Inhaltsübersicht
Review-Artikel
8 Min.

Unterstützung der Diagnostik in der Dermatologie mittels Deep Learning

Rund 30 bis 70 Prozent der Menschen sind von Hauterkrankungen betroffen, verteilt über alle Regionen weltweit und Altersgruppen hinweg (1). Bei mehr als einem Viertel der Deutschen besteht dermatologischer Handlungsbedarf, beispielsweise aufgrund von Leberflecken oder allergischen Ekzemen (2). Gleichzeitig gibt es immer weniger Hautärzte, insbesondere in ländlichen Gebieten (3), sodass die Diagnostik zunehmend schwieriger wird. Dies hat wiederum einen negativen Effekt auf die Behandlung, weil beispielsweise Hautkrankheiten nicht richtig diagnostiziert und anschließend nicht optimal behandelt werden (4). Wie können Deep LearningDeep Learning ist ein Teilbereich des maschinellen Lernens, der neuronale Netzwerke zur Analyse verschiedener Faktoren mit einer Struktur verwendet, die dem menschlichen neuronalen System ähnlich ist. Der Vorteil von künstlichen neuronalen Netzen ist die tiefgehende Abstraktion von Zusammenhängen zwischen Eingabe-Daten und zwischen den abstrahierte…zum Glossar Algorithmen genutzt werden, um die dermatologische Diagnostik zu unterstützten?

Fachkräftemangel und Landflucht verringern Diagnosegenauigkeit

Aufgrund des Nachwuchskräftemangels in der dermatologischen Fachdisziplin (5) wird die Diagnose dermatologischer Befunde (zukünftig) zumindest teilweise durch fachfremde Mediziner, beispielsweise Hausärzte durchgeführt (6). Aufgrund der begrenzten Kenntnisse und Ausbildung in einem Fachgebiet mit Hunderten von Erkrankungen liegt die Diagnosegenauigkeit von Nicht-Fachärzten deutlich niedriger (4, 7). Eine geringe diagnostische Genauigkeit kann zu negativen Behandlungsergebnissen führen, z. B. aufgrund einer verzögerten oder falschen Behandlung (4). Neben Maßnahmen wie einem vereinfachten Zugang zur ärztlichen Ausbildung oder der Integration von Fachkräften aus dem Ausland, könnten technologische Systeme die Diagnostik in der ambulanten Versorgung unterstützen (4).

Diagnostik mittels Deep LearningDeep Learning ist ein Teilbereich des maschinellen Lernens, der neuronale Netzwerke zur Analyse verschiedener Faktoren mit einer Struktur verwendet, die dem menschlichen neuronalen System ähnlich ist. Der Vorteil von künstlichen neuronalen Netzen ist die tiefgehende Abstraktion von Zusammenhängen zwischen Eingabe-Daten und zwischen den abstrahierte…zum Glossar

Getrieben durch die Digitalisierung der Gesundheitsversorgung und insbesondere durch digitale Patientenakten ergeben sich neue Möglichkeiten in der Diagnostik. Beispielsweise kann das System die Expertise des diagnostizierenden Arztes ergänzen, und so gegebenenfalls für eine höhere Diagnosgenauigkeit sorgen. Dazu können Deep LearningDeep Learning ist ein Teilbereich des maschinellen Lernens, der neuronale Netzwerke zur Analyse verschiedener Faktoren mit einer Struktur verwendet, die dem menschlichen neuronalen System ähnlich ist. Der Vorteil von künstlichen neuronalen Netzen ist die tiefgehende Abstraktion von Zusammenhängen zwischen Eingabe-Daten und zwischen den abstrahierte…zum Glossar (DL)Deep Learning ist ein Teilbereich des maschinellen Lernens, der neuronale Netzwerke zur Analyse verschiedener Faktoren mit einer Struktur verwendet, die dem menschlichen neuronalen System ähnlich ist. Der Vorteil von künstlichen neuronalen Netzen ist die tiefgehende Abstraktion von Zusammenhängen zwischen Eingabe-Daten und zwischen den abstrahierte…zum Glossar Systeme mit Patientendaten trainiert und später in der Diagnostik im Versorgungsalltag zur Ableitung von Diagnosen eingesetzt werden. Beispielsweise entwickelten Liu et al.  (4) einen DL-Algorithmus, der dermatologische Differenzialdiagnosen ermöglicht. Das zugrundliegende Datenset beinhaltet MetadatenMetadaten sind strukturierte Informationen, die andere Daten beschreiben und ein Datenmanagement gewährleisten. Durch sie können gezielt Dokumente in einer großen Datenmenge gefunden werden. Beispiele für Metadaten sind im wissenschaftlichen Kontext Angaben zum Autor; weiterhin kann das Erstellungsdatum einer Datei als Metainformation dabei helfen,…zum Glossar in Form von 45 Variablen und bis zu sechs Bildern pro Beispielfall sowie die entsprechende Differenzialdiagnose. Der AlgorithmusEin Algorithmus ist ein Lösungsverfahren in Form einer systematischen Regel oder Vorgehensweise. Mithilfe einer definierten Abfolge von Verfahrensschritten wird ein Problem gelöst. In der Informatik bilden Algorithmen eine Grundlage der Programmierung. Beispiele für Algorithmen sind die Berechnung des Body-Mass-Index (BMI), Gebrauchsanweisungen ode…zum Glossar unterscheidet zwischen 26 häufigen Hautkrankheiten, die 80 Prozent der in der Primärversorgung auftretenden Fälle ausmachen (4). In 963 Validierungsfällen, bei denen drei zertifizierte Dermatologen den Referenzstandard definierten, war der AlgorithmusEin Algorithmus ist ein Lösungsverfahren in Form einer systematischen Regel oder Vorgehensweise. Mithilfe einer definierten Abfolge von Verfahrensschritten wird ein Problem gelöst. In der Informatik bilden Algorithmen eine Grundlage der Programmierung. Beispiele für Algorithmen sind die Berechnung des Body-Mass-Index (BMI), Gebrauchsanweisungen ode…zum Glossar sechs Ärzten für Allgemeinmedizin und sechs Krankenpflegern hinsichtlich der Überschneidung der gestellten Differenzialdiagnose mit dem Referenzstandard überlegen (4). Gleichzeitig war die Diagnosegenauigkeit nicht schlechter als eine Gruppe von Dermatologen (4). Solche Algorithmen, die in anwenderfreundliche Systeme integriert werden müssten, könnten perspektivisch von Ärzten genutzt werden, um insbesondere die Diagnostik von fach-fremden Indikationen zu unterstützten.

Voraussetzungen für den Einsatz in der Grund- und Regelversorgung

Diese Ergebnisse unterstreichen das Potenzial von Algorithmen, Nicht-Fachärzte bei der Diagnose von Hautkrankheiten zu unterstützen. Gleichzeitig sind diese Technologien an unterschiedlichste Voraussetzungen geknüpft, die für einen Einsatz in der Breite notwendig sind. Dazu gehören unter anderem eine Nutzung von digitalen Patientenakten und eine Verfügbarkeit repräsentativer Daten zum Trainieren des Algorithmus. Darüber hinaus müssen entsprechende Anwendungen einfach in den Praxisalltag integriert werden, beispielsweise als Cloud Lösung bei gleichzeitiger InteroperabilitätUnter dem Begriff Interoperabilität versteht sich die Fähigkeit von technischen Systemen und Geräten, miteinander zu kommunizieren. Hierbei geht es um den einwandfreien Austausch von Informationen, ohne die Daten und ihre Inhalte zu verändern – unabhängig davon, ob die Hersteller der Geräte oder Software gleich oder unterschiedlich sind.zum Glossar mit verbreiteten Arztinformationssystemen, sodass Ärzte entsprechende Systeme zur Behandlung von Patienten nutzen können. Gleichzeitig sollte die Anschaffung und Anwendung nicht zu signifikanten Mehrkosten führen, weil diese Systeme vor allem der Behandlungsqualität und weniger der Prozesseffizienz des einzelnen Arztes zugutekommen, solang der Arzt selbst für Diagnosen verantwortlich ist. Darüber müssten solche Systeme als MedizinproduktMedizinprodukte sind Produkte, die eine medizinische Zweckbestimmung aufweisen und beim Menschen angewandt werden. Sie wirken – anders als Arzneimittel – hauptsächlich auf physikalischem Wege. Medizinprodukte umfassen eine breite Palette an unterschiedlichen Produktarten wie Verbandsstoffe, Implantate, Röntgengeräte und medizinische Software. Das I…zum Glossar zertifiziert werden.

Fazit

Im Kontext des Fachkräftemangels, beispielsweise im Bereich der Dermatologie, können KI-basierte Entscheidungsunterstützungsysteme Nicht-Fachärzte bei der Diagnostik unterstützen. Die Systeme sind insbesondere sinnvoll, wenn Hausärzte als Gatekeeper im Gesundheitssystem agieren und somit Diagnosen in unterschiedlichsten Fachdisziplinen stellen müssen. Grundlage hierfür sind vielfältige Anforderungen, einerseits im Hinblick auf die technische Infrastruktur und andererseits hinsichtlich der Integration und Finanzierung entsprechender Systeme im Versorgungsalltag.

  1. Hay RJ, Johns NE, Williams HC, Bolliger IW, Dellavalle RP, Margolis DJ, et al. The global burden of skin disease in 2010: an analysis of the prevalence and impact of skin conditions. Journal of Investigative Dermatology. 2014;134(6):1527-34. zum Original
  2. Ärztezeitung. Ein Viertel der Deutschen ist hautkrank 2011. zum Original
  3. Elsner P, Fischer M, Schliemann S, Tittelbach J. TeledermatologieDer Begriff Teledermatologie setzt sich aus den beiden Begriffen Telemedizin und Dermatologie zusammen und beschreibt damit dermatologische Anwendungsbereiche der Telemedizin. Über räumliche Distanzen hinweg kann demnach eine Fernbehandlung oder -beratung bei Hauterkrankungen und -problemen erfolgen.zum Glossar und künstliche Intelligenz.Künstliche Intelligenz (KI) impliziert den Versuch menschliches Lernen und Denken dem Computer anzueignen. Problemstellungen sollen von Computersystemen mit Hilfe großer Datenbestände gelöst werden, für die ein Mensch seine Intelligenz benötigt. Im Bereich der Radiologie beispielsweise kann die künstliche Intelligenz Ärzte bei der Befundung unterst… Im Video erklärt.zum Glossar Trauma und Berufskrankheit. 2018;20(2):103-8. zum Original
  4. Liu Y, Jain A, Eng C, Way DH, Lee K, Bui P, et al. A deep learningDeep Learning ist ein Teilbereich des maschinellen Lernens, der neuronale Netzwerke zur Analyse verschiedener Faktoren mit einer Struktur verwendet, die dem menschlichen neuronalen System ähnlich ist. Der Vorteil von künstlichen neuronalen Netzen ist die tiefgehende Abstraktion von Zusammenhängen zwischen Eingabe-Daten und zwischen den abstrahierte…zum Glossar system for differential diagnosis of skin diseases. Nature medicine. 2020;26(6):900-8. zum Original
  5. Ärzteblatt. Dermatologen warnen vor Nachwuchsmangel 2022. zum Original
  6. Djalali S. Ein Tag Fortbildung in Dermatologie–was bleibt hängen? PrimaryCare. 2014;14(18):288. zum Original
  7. Moreno G, Tran H, Chia AL, Lim A, Shumack S. Prospective study to assess general practitioners‘ dermatological diagnostic skills in a referral setting. Australasian journal of dermatology. 2007;48(2):77-82. zum Original

Kontakt
Lehrstuhl für Management und
Innovation im Gesundheitswesen
Universität Witten/Herdecke
Alfred-Herrhausen-Straße 50
58448 Witten, Deutschland