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 Learning 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 Learning
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 Learning (DL) 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 Metadaten in Form von 45 Variablen und bis zu sechs Bildern pro Beispielfall sowie die entsprechende Differenzialdiagnose. Der Algorithmus 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 Algorithmus 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 Interoperabilität 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 Medizinprodukt 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.
Quelle
- 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
- Ärztezeitung. Ein Viertel der Deutschen ist hautkrank 2011. zum Original
- Elsner P, Fischer M, Schliemann S, Tittelbach J. Teledermatologie und künstliche Intelligenz. Trauma und Berufskrankheit. 2018;20(2):103-8. zum Original
- Liu Y, Jain A, Eng C, Way DH, Lee K, Bui P, et al. A deep learning system for differential diagnosis of skin diseases. Nature medicine. 2020;26(6):900-8. zum Original
- Ärzteblatt. Dermatologen warnen vor Nachwuchsmangel 2022. zum Original
- Djalali S. Ein Tag Fortbildung in Dermatologie–was bleibt hängen? PrimaryCare. 2014;14(18):288. zum Original
- 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
