In dem Buch „Wie gesund wollen wir sein“ befassen sich die Autoren Dr. Sven Jungmann und Thomas Lindemann mit der Fragestellung, wie wir aktuelle technologische Entwicklungen, wie Large Language Models (LLMs) wie chatGPT, Gemini oder Grok nutzen können, um das deutsche Gesundheitssystem zu verbessern. Neben Large Language Models spielen aber auch andere Technologien eine entscheidende Rolle.

Kapitel 1: Die Herausforderungen im Krankenhausalltag

Das Buch umfasst zehn Kapitel. Das erste Kapitel beschreibt die aktuelle Situation in Krankenhäusern, und wie viel Zeit Ärzte investieren müssen, um an wichtige Daten des Patienten zu gelangen, obwohl diese bereits in unterschiedlichster Form und an unterschiedlichsten Stellen vorliegen.

Kapitel 2: Die digitale Patientenakte

In dem zweiten Kapitel beschreiben die Autoren den aktuellen Stand der digitalen Patientenakte, und wie diese weiterentwickelt werden könnte, um einen größeren Mehrwert zu bieten und die im ersten Kapitel genannten Probleme zu bewältigen. Dabei erklären die Autoren, dass Informationen in der elektronischen Patientenakte (ePA) aktuell nicht strukturiert abgelegt werden. Alle Informationen werden einfach irgendwie und nicht standardisiert abgelegt. Die erste Verbesserung an der bestehenden ePA ist entsprechend einer Standardisierung und Kuration der Daten. Durch die vereinheitlichten Daten kann die ePA nun auch durchsucht werden, sodass Ärzte schneller die Informationen finden können, die sie suchen. Darauf aufbauend wünschen sich die Autoren zusätzlich persönliche Empfehlungen auf Basis dieser standardisierten Daten mithilfe von generativer KI. Die persönliche Empfehlung würde dem Arzt dabei helfen seine Behandlung des Patienten besser zu personalisieren. Im Idealfall würde die elektronische Patientenakte nun auch Informationen von Smartwatches, andere Wearables und digitalen Gesundheitsanwendungen (DIGA’s) abspeichern, sodass der Patient noch präziser diagnostiziert und behandelt werden kann.

Kapitel 3: Arbeitsverhältnisse im Krankenhaus und Leitlinien

Kapitel drei beleuchtet die Arbeitsverhältnisse im Krankenhaus. Die Autoren beschreiben die katastrophalen Bedingungen, unter welchen das Krankenhauspersonal tagtäglich arbeitet. Neben den technischen Herausforderungen gehen die Autoren hier auch auf kulturelle Probleme ein. Die technische Herausforderung liegt hier insbesondere in der Geschwindigkeit, mit welcher aus der Forschung neue Erkenntnisse zu Krankheiten und Behandlungen kommen. Ärzte handeln grundsätzlich auf der Grundlage sogenannter Leitlinien. Eine Leitlinie gibt gewissermaßen einen Best Practice zur Diagnose und Behandlung von Krankheiten vor. Leitlinien werden in der Regel alle fünf Jahre neu evaluiert. Die Forschung hat mittlerweile jedoch eine Geschwindigkeit aufgenommen, mit der es nicht mehr ausreicht, Leitlinien nur alle fünf Jahre erneut zu evaluieren. Neueste Technologien, wie Large Language Models und andere Methoden aus dem Natural Language Processing können Ärzte dabei unterstützen die Unmengen neuer Forschungserkenntnissen zu durchforsten und auf Basis dessen neue Leitlinien zu formulieren. In chatGPT ist es bereits jetzt (Stand: 18.08.2024) möglich custom GPT’s, wie Scholar GPT, große Mengen von Papers zusammenfassen zu lassen. Mit solchen Technologien ist es nun wieder möglich, sich auf den neuesten Stand der Wissenschaft zu bringen. Ohne diese Technologien würde es teilweise Jahrzehnte dauern, um sich auf den aktuellen Stand der Wissenschaft zu bringen, auch wenn es sich nur um sehr spezifische Bereiche handelt, wie die Forschung zu Cholesterin im menschlichen Körper.

Kapitel 4 und 5: Früherkennung und prädikative Medizin

Kapitel vier und fünf zeigen, wie künstliche Intelligenz dabei hilft Krankheiten frühzeitig zu erkennen oder zu prognostizieren. Dabei werden nicht nur Convolutional Neural Networks zur Auswertung von CT‘s, MRT’s und co eingesetzt und der Arzt mit der Auswertung unterstützt. Darüber hinaus können Informationen über die Genetik des Patienten oder Laborergebnisse von Blutentnahmen herangezogen werden, um Krankheiten vorherzusagen, lange bevor sie auftreten. Hierbei spricht man von prädikativer Medizin.

Kapitel 6: Eigenverantwortung und Prävention

Kapitel sechs geht auf den korrekten Umgang mit der Digitalisierung im Gesundheitssystem ein. So ist es wichtig dem Patienten wieder das Ruder in die Hand zu geben. Manche Menschen fühlen sich für ihre Gesundheit nicht selbst verantwortlich. Wenn sie dann gesundheitliche Probleme haben, dann erwarten sie von dem Arzt, dass er ihn wieder gesund macht. Doch bei vielen modernen Krankheiten, wie Diabetes oder Demenz, ist es bereits zu spät, wenn sich die ersten Symptome äußern. Es wäre notwendig gewesen schon viel früher einzugreifen und die Gesundheit des Menschen zu verbessern, bevor er zum Patienten wird. Durch bessere Aufklärung soll dem Menschen geholfen werden, das Gefühl zu bekommen einen Einfluss auf seine Gesundheit nehmen zu können und sich schon früh um seine Gesundheit zu kümmern.

Kapitel 7: Telemedizin – Mehr als nur Videosprechstunden

Kapitel sieben betrachtet die Telemedizin. Hier erklären die Autoren, dass Telemedizin aus weit mehr besteht als Videosprechstunden. Sogar Schwangerschaftstests sind eine Form von Telemedizin. Denn, bevor es handelsübliche Schwangerschaftstests gab, war ein Gang zum Arzt notwendig, um in einem frühen Stadium festzustellen, ob eine Frau schwanger ist oder nicht. Mit heutigen Schwangerschaftstest ist ein Gang zum Arzt nicht mehr nötig. Der Test kann bequem von zuhause durchgeführt werden. Und da der Gang zum Arzt nicht mehr nötig ist, zählt auch der Schwangerschaftstest zur Telemedizin. Weiterhin stellen die Autoren die Integrated Practice Unit (IPU) aus Großbritannien vor. Diese ist für Menschen der zentrale Ansprechpartner in Gesundheitsfragen. Die IPU informiert Menschen, plant Behandlungen für sie und koordiniert die Gesundheitsversorgung für den Patienten.

Kapitel 8: Personalisierte Gesundheitsversorgung

In Kapitel acht geht es um die Personalisierung der Gesundheitsversorgung. Es sollen Gen-Daten und Mikrobiom-Auswertungen dazu verwendet werden, um dem Menschen eine maßgeschneiderte gesunde Ernährung zu konzipieren. Anhand der Gen-Daten sollen auch Prädispositionen für bestimmte Krankheiten erkannt werden. Gesundheitsdaten der Eltern und Verwandten sollen ebenfalls herangezogen werden, um die Behandlung der Patienten besser zu personalisieren. Auch Medikamente sollen direkt auf die betroffene Person abgestimmt werden. Denn wie gut und ob ein Medikament wirkt, ist abhängig von vielen Faktoren. Manche Lebensmittel können einen Einfluss auf Medikamente haben, aber auch der Stoffwechsel des Patienten.

Kapitel 9: Multimodale Datenauswertung

Kapitel neun erklärt die Vorteile einer multimodalen Auswertung von Gesundheitsdaten. Eine Modalität ist eine bestimmte Form von Daten über einen Patienten. Beispiele für Modalitäten sind EKG’s, Laborwerte des Blutes, CT-Bilder, die Körpertemperatur und viele weitere. Multimodal bedeutet also, dass für eine Diagnose eine Vielzahl von Modalitäten herangezogen werden. Durch die immensen Kapazitäten von KI können große Datenmengen von multimodalen Datensätzen ausgewertet werden. So kann die KI lernen anhand dieser Daten Krankheiten zu prognostizieren, auf eine Art und Weise die Ärzten schlichtweg nicht möglich ist, da sie die Vielzahl von Daten nicht so nachvollziehen können wie ein KI-Modell. Hier ist es auch möglich weitere Modalitäten zu entwickeln, welche Ärzten so nicht zur Verfügung stehen. Ein Beispiel hierfür ist die Entwicklung von Exhalat-Analysen, also Analysen der Atemluft. Anhand der Atemluft ist es möglich manche Krankheiten der Atemwege zu diagnostizieren.

Kapitel 10: Datenschutz und Federated Learning

Das zehnte und damit letzte Kapitel des Buches behandelt das Thema Datenschutz. Denn wenn eine große Menge von Gesundheitsdaten ausgewertet werden sollen, dann spielt Datenschutz eine ganz besondere Rolle. Die Autoren sprechen insbesondere von Federated Learning, um die Privatsphäre von Patienten aufrechtzuerhalten, und trotzdem Daten für das Training von KI-Modellen sammeln zu können. Beim Federated Learning wird das KI-Modell auf den lokalen Geräten trainiert und nicht zentral an einer Stelle. Die rohen Patientendaten werden nun nicht an einen Server übermittelt, sondern lediglich die Ergebnisse des Trainings. So bleiben die Patientendaten geheim, aber die Auswertung der Daten kann dennoch genutzt werden. Ähnlich wie eine Organspende könnten Menschen darüber hinaus die Möglichkeit erhalten einer Datenspende nach ihrem Tod zuzustimmen.

Zusammenfassung

Zusammenfassend betrachtet das Buch viele verschiedenen Facetten der Digitalisierung des Gesundheitssystem und bietet dem Leser einen guten Einblick in die visionärsten Ideen in diesem Bereich. Das Buch liefert einen guten ersten Überblick darüber, wohin es bei der Digitalisierung des Gesundheitssystems grob mit der Reise hingeht.