Artikel
Dient künstliche Intelligenz in der Medizin den Patient:innen? Ein systematisches Review zu patient:innenrelevanten Nutzen und Schaden von algorithmischer Entscheidungsfindung
Suche in Medline nach
Autoren
-
Christoph Wilhelm
- Harding-Zentrum für Risikokompetenz, Fakultät für Gesundheitswissenschaften, Universität Potsdam, Potsdam, Deutschland; Max-Planck-Institut für Bildungsforschung, Deutschland
-
Anke Steckelberg
- Martin-Luther-Universität Halle-Wittenberg, Medizinische Fakultät, Institut für Gesundheits- und Pflegewissenschaft, Halle, Deutschland
-
Felix G. Rebitschek
- Harding-Zentrum für Risikokompetenz, Fakultät für Gesundheitswissenschaften, Universität Potsdam, Potsdam, Deutschland; Max-Planck-Institut für Bildungsforschung, Deutschland
| Veröffentlicht: | 12. März 2024 |
|---|
Gliederung
Text
Hintergrund/Fragestellung: Algorithmische Entscheidungsfindung (ADM) verwendet Algorithmen, um Daten zu sammeln, zu verarbeiten und Modelle zu entwickeln, damit Entscheidungen getroffen oder unterstützt werden können. Fortschritte in der Künstlichen Intelligenz haben zur Entwicklung von Unterstützungssystemen geführt, die medizinischem Fachpersonal ohne KI-Unterstützung bei bestimmten Aufgaben überlegen sein können. Ob jedoch Patient:innen davon profitieren können, bleibt unklar. Ziel dieses systematischen Reviews ist es, die aktuelle Evidenz zu patient:innenrelevantem Nutzen und Schaden zu erheben, wenn medizinisches Fachpersonal ADM-Systeme verwendet (die mit Hilfe von KI entwickelt wurden oder damit arbeiten), im Vergleich zu medizinischen Fachpersonal ohne KI-basierte ADM (Standardversorgung) – unabhängig von den klinischen Fragestellungen.
Methoden: Ein Systematisches Review entsprechend der Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) sowie den Standards der Methodological Expectations of Cochrane Intervention Reviews (MECIR) wird durchgeführt. Es werden relevante Studien in den Datenbanken MEDLINE, PubMed+, EMBASE und dem Cochrane Central Register of Controlled Trials (CENTRAL) identifiziert, die in den letzten 10 Jahren auf Deutsch oder Englisch veröffentlicht wurden. Patient:innen-relevante Endpunkte werden gemäß dem IQWiG-Methodenpapier (2022) definiert. Reine Effizienzstudien (z.B. Accuracy-Studien) werden ausgeschlossen, da diese den klinischen Patient:innennutzen nicht abbilden. Ausgeschlossen werden ferner Studien, die KI-Systeme außerhalb des Untersuchungsfokus der Entscheidungsunterstützung verwendet haben (z.B. automatische Steuerung in der Robotik). Das vollständige Studienprotokoll wurde auf PROSPERO eingereicht und soll in einer Fachzeitschrift erscheinen.
Vorläufige/erwartete Ergebnisse, Ausblick: Es wird erwartetet, dass es einen substanziellen Mangel an geeigneten Studien gibt, die medizinische Fachkräfte mit und ohne ADM-Systeme hinsichtlich Patient:innen-relevanter Endpunkte vergleichen. Dies wäre auf die Priorisierung technischer Gütekriterien und teils klinischer Parameter anstatt Patient:innen-relevanter Endpunkte bei der Entwicklung von Studiendesigns zurückzuführen. Weiterhin wird erwartet, dass ein großer Teil der zu identifizierenden Studien eine eher schlechte methodische Qualität aufweist und nur wenig generalisierbare Ergebnisse liefert.
Schlussfolgerung: Es wird erwartet, dass es bei ADM-Systemen mit Blick auf Patient:innen-relevante Endpunkte in der medizinischen Praxis – vor allem im Kontext substanzloser Diskussionen um die KI-Potenziale eines digitalen Gesundheitssystems – im März 2024 noch erhebliche Unsicherheiten sowie Forschungsbedarf gibt.
Interessenkonflikte: Die Autor:innen erklären, dass keine finanziellen Interessenkonflikte vorliegen.
