Grosse Datenmengen richtig interpretieren wird auch im Gesundheits-Bereich immer wichtiger. Deep-Tech-Startups wollen Mediziner dabei unterstützen.
Das Drama kündigt sich an, fast 30 Minuten lang. Doch niemand nimmt davon Notiz, weil die Messgeräte erst Alarm schlagen, als es zu spät ist: Urplötzlich, scheinbar aus dem Nichts, bricht der Kreislauf der Patientin zusammen, Ärzte eilen herbei, um sie zu reanimieren.
«Als wir die Patientin seinerzeit stabilisiert hatten, hiess es von allen: Es kam völlig überraschend», erinnert sich Alexander Meyer, Professor am Deutschen Herzzentrum Berlin, der am Abend des Vorfalls 2017 Dienst hatte. Doch ein Blick auf die gespeicherten Messinformationen zeigte, dass es eigentlich genügend Anzeichen für den drohenden Kollaps des Körpers gab – sie wurden nur nicht erkannt.
«Aktuell arbeiten wir auf der Intensivstation reaktiv», kritisiert Meyer. Erst wenn der Körper in höchster Not ist, «dann reagieren die klassischen Alarme. Dann ist es aber auch schon zu spät. Dann hat es massive Folgen für den Patienten.»
Die Lösung liegt für den 37-jährigen Mediziner, der zusätzlich einen Abschluss in Informatik besitzt, in künstlicher Intelligenz: Mitlernende Algorithmen können darauf trainiert werden, Muster in Messwerten zu erkennen, um auf kleinste Abweichungen zu reagieren; Abweichungen, die früh signalisieren, dass wichtige Körperfunktionen beeinträchtigt sind, dass womöglich ein Kollaps droht.
Als Arzt, der sich beim Dienst um 20 Intensivpatienten gleichzeitig kümmern musste, hatte Meyer sich ein solches Frühwarnsystem immer gewünscht. Eines, «das alle Datenwerte abtastet und mir in Echtzeit eine Priorisierung gibt: Schau jetzt mal nach dem Patienten, da entsteht gerade eine Komplikation.»
Vor wenigen Jahren war das noch ein Traum. Nun hat er dieses System selbst entwickelt. x-cardiac heisst das Startup, mit dem Meyer Leben retten und zugleich Personal entlasten will. Zur Vorhersage von Nachblutungen bei Herzoperationen hat seine KI bereits die Zulassung erhalten. «Es ist ein tägliches Problem, nach der Lösung sehnen sich tatsächlich alle», erklärt Meyer. Im ersten Schritt wird das System in verschiedenen Kliniken in Deutschland getestet. Läuft alles nach Plan, könnte es bald in ganz Europa verfügbar sein. «Auch eine Zulassung in den USA prüfen wir schon», sagt Meyer.
Das Fürstenhaus Liechtenstein als Eigentümerin der LGT ist seit Jahrhunderten erfolgreich unternehmerisch tätig. Unternehmerisches Denken und Handeln ist fest in der DNA der LGT verankert.
Weltweit wecken Startups wie x-cardiac Hoffnungen, dass lernfähige Computersysteme die medizinische Versorgung von Milliarden Menschen entscheidend verbessern können. Das Spektrum möglicher Anwendungen reicht von automatisierter Bildanalyse zur Tumor-Erkennung über Medikamenten-Entwicklung und KI-gestützte Telemedizin bis hin zum Optimieren von Abläufen in Kliniken.
«Mit künstlicher Intelligenz bietet sich die Chance, die Versorgung von Patienten, die Früherkennung von Krankheiten und die Effizienz in Hospitälern dramatisch zu verbessern», sagt Mariam Kremer, Partnerin bei Global Founders Capital mit Schwerpunkt künstliche Intelligenz.
Investoren lockt vor allem das Potenzial in der medizinischen Bildverarbeitung und Arzneimittelentwicklung. Mehr als 13 Milliarden Dollar an Startkapital flossen bisher in diese beiden Sektoren, so der Marktforscher Signify Research. Der Löwenanteil von 10,7 Milliarden Dollar ging dabei an Startups, die sich auf Lösungen für die Pharma-Industrie spezialisiert haben – Firmen wie Relay Therapeutics, BenevolentAI und Berkeley Lights.
Auch wenn jede von ihnen eigene Ansätze verfolgt, geht es im Kern meist um das Ziel, neue Wirkstoffe zu identifizieren und effektivere Medikamente zu entwickeln. Weit schneller, als es bisher möglich war. «Die immer höhere Leistungsfähigkeit von künstlicher Intelligenz hilft bei der Suche nach Molekularverbindungen, die für Arzneimittel essentiell sind», erklärt Mariam Kremer.
Der Schlüssel dazu liegt im grössten Talent aktueller Systeme: Mustererkennung. Je mehr Informationen im jeweiligen Gebiet vorliegen, um so präziser lassen sich die Algorithmen darauf trainieren, Zusammenhänge zu entdecken, die Menschen leicht übersehen – schon gar, wenn es um Millionen von medizinischen Studien und Terabytes an Daten geht. Hinzu kommt die Möglichkeit, chemische Reaktionen im Rechner zu simulieren, um die spätere Herstellung der Medikamente zu erleichtern.
Wie mächtig dieser Ansatz sein kann, zeigt sich beim «Covid Moonshot»-Projekt, das zum Ziel hat, im Eiltempo eine «Pille gegen Covid» zu entwickeln. Im März 2020 rief das Startup PostEra Pharmakologen in aller Welt auf, Vorschläge für mögliche Wirkstoffkombinationen einzureichen, um von der KI erfolgversprechende Kandidaten ermitteln zu lassen. Hunderte Wissenschaftler, aber auch Universitäten und Pharmakonzerne beteiligen sich heute an dem «Open Source»-Projekt: Alle Ergebnisse sollen der Allgemeinheit zur Verfügung gestellt werden.
«Wir haben diese Initiative gestartet, um ein antivirales Medikament zu entwickeln – ohne Patente, ohne geistiges Eigentum, ohne Gewinn», sagt PostEra-CEO Aaron Morris. Gerade hat das «Covid Moonshot»-Projekt von der Stiftung Wellcome Trust knapp zehn Millionen Euro erhalten, um 2022 mit klinischen Studien zu beginnen. Geht alles glatt, würde «zum ersten Mal in der Geschichte ein Medikament an Menschen erprobt, das durch Crowdsourcing entstanden ist», freut sich Morris.
Die KI half dabei gleich doppelt: Sie beschleunigte das Identifizieren vielversprechender chemischer Verbindungen, und sie unterstützte die Forscher bei der Herstellung der gewünschten Moleküle. Die Suche nach der passenden Rezeptur verkürzte sich dank KI von mehreren Wochen auf wenige Stunden. Gerade der zweite Punkt sei essentiell, erklärt Morris: «Natürlich ist das Design sehr wichtig. Aber man muss die Moleküle dann ja auch durch Synthese produzieren und testen – das ist die eigentliche Herausforderung.»
Mit seinem KI-System zielt PostEra darauf ab, diesen schwierigen Schritt zu automatisieren, um die Arzneimittel-Entwicklung ganz buchstäblich besser berechenbar zu machen. Denn bisher ist das Risiko für Pharma-Konzerne enorm: Etwa 90 Prozent aller Projekte scheitern, oft nach jahrelanger Forschung und gigantischen Investitionen – im Durchschnitt kostet die Entwicklung eines neuen Medikaments, vom Labor bis zur Markteinführung, 1,3 Milliarden Dollar.
Entsprechend hoch ist das Interesse etablierter Unternehmen, mit KI-Startups zu kooperieren. Immer neue Partnerschaften werden bekanntgegeben, und die Coronakrise hat den Trend noch beschleunigt. «Für die meisten Fachleute steht das Thema Arzneimittelentwicklung im Vordergrund bei der Bekämpfung der Pandemie», erklärt Signify-Research-Analystin Imogen Fitt. Sie warnt aber auch vor überzogenen Hoffnungen: «Es gibt bisher kein Medikament, das von einer KI entwickelt wurde und eine Zulassung der US-Gesundheitsbehörde FDA erhalten hat. Der Markt steht noch ganz am Anfang.» Es gebe zwar «eine Reihe von vielversprechenden Projekten», sagt Fitt, «aber wir sollten aufpassen, nicht zu viel zu erwarten».
Näher an der Praxis sind KI-Systeme, die Radiologen etwa bei der Auswertung von MRT-Scans oder Röntgenbildern unterstützen. Auch hier können die Algorithmen ihre grosse Stärke der Mustererkennung ausspielen: Auf Basis von Millionen an Beispiel-Bildern sind so genannte «neuronale Netze» etwa in der Lage, Lungenkrebs im Frühstadium zu erkennen – mitunter verlässlicher als menschliche Experten, weil Computer nie müde werden und auch den tausendsten Scan genauso gründlich untersuchen wie den ersten.
«In der Radiologie sehen wir bereits, dass künstliche Intelligenz in der Medizin echten Nutzen bringen kann», sagt Sanjay Parekh, bei Signify Research Experte für KI in bildgebenden Verfahren. Vor allem als digitale Assistenten, die den Menschen unterstützen und produktiver machen, hätten sich die Systeme bewährt. «Der Wert der künstlichen Intelligenz liegt derzeit darin, zeitraubende Prozesse zu automatisieren und den Ärzten dabei zu helfen, schneller zu einer Diagnose zu kommen.»
Dass die KI bald allein Doktor spielen, den Menschen womöglich ersetzen könnte, bezweifelt Parekh. «Medizin ist zu komplex, um die endgültige Diagnose einem Computer zu überlassen», argumentiert er. Zumal sich immer wieder zeigt, wie anfällig heutige Systeme für Unregelmässigkeiten in ihren Trainingsdaten sind. Schon kleine Veränderungen genügen, um die Algorithmen aus dem Tritt zu bringen und Fehldiagnosen zu produzieren.
Es kostet viel Zeit, Gesundheitsdaten maschinenlesbar zu machen.
Imogen Fitt, Research-Analystin (Signify)
Dazu kommt, dass auf vielen Gebieten keine verlässlichen Daten verfügbar sind, um die digitalen Helfer anzulernen. Jenseits der Radiologie, die reichlich Bildmaterial produziert, tun sich Entwickler schwer, Informationen zusammenzutragen und sie computertauglich aufzubereiten. «Gesundheitsdaten liegen heute oft nur unstrukturiert vor», erklärt Imogen Fitt. «Sie sind unordentlich, man kommt nur schwer an sie heran, und es kostet viel Zeit, die Daten maschinenlesbar zu machen.»
Viele solcher Details legen sich Forschern in den Weg, die versuchen, Lösungen aus dem Labor in die Praxis zu übertragen. Erfolg verlangt neben Kapital und Fachwissen auch viel Geduld. Denn anders als bei E-Commerce, Lieferdiensten oder sozialen Medien muss jedes Produkt von Behörden zertifiziert werden. Schliesslich soll die Technik Menschenleben retten, nicht gefährden.
Kilian Koepsell hat kein Problem damit, sich peu à peu, Studie für Studie, an den Markt heranzutasten. Jahrelang forschte der gebürtige Deutsche an der Universität Berkeley über neuronale Netzwerke, ehe er 2014 seine heutige Firma Caption Health gründete. Das Ziel: Ultraschall-Untersuchungen mithilfe von künstlicher Intelligenz alltäglich machen, um eine Vielzahl an Krankheiten schon im Ansatz zu erkennen.
«Ultraschall ist eine grossartige Technologie», schwärmt Koepsell. «Man kann in den Körper hineinsehen, praktisch jedes Organ untersuchen und sehen, ob etwas schief läuft, lange bevor sich Symptome zeigen.»
Allerdings verlangt das Verfahren viel Expertenwissen. Das Ultraschallgerät muss präzise geführt und dabei im richtigen Winkel gehalten werden, um aussagekräftige Bilder zu liefern – die es anschliessend zu interpretieren gilt.
Bei jedem dieser Schritte kommt die KI von Caption Health ins Spiel. Interaktiv führt die Software ihre Anwender durch die Untersuchung; zeigt, wo der Ultraschallkopf aufgesetzt werden muss, und gleicht die Bildqualität mit Vergleichsdaten ab, um dem Menschen Feedback zu geben. Entspricht alles den Erwartungen, wird automatisch die Aufnahme gestartet und am Ende der Untersuchung ausgewertet.
«Unser Ziel ist es, dass alle, die eine medizinische Ausbildung haben, das Gerät nutzen können», sagt Koepsell. Schon jetzt hat Caption Health in den USA die Zulassung für eine spezielle Herzuntersuchung erhalten, und in einer Studie zeigte die KI, dass sie auch Assistenzkräfte, die keine Erfahrung mit Ultraschall-Untersuchungen besassen, zum Erfolg führen konnte. Im nächsten Jahr soll eine Studie in Uganda zur Rheumatischen Herzkrankheit starten, die vor allem Kinder in Entwicklungsländern schwer trifft.
Wir wollen zeigen, dass es möglich ist, Millionen von Menschenleben zu retten.
Kilian Koepsell (Caption Health)
«Wir wollen zeigen, dass es möglich ist, Millionen von Menschenleben zu retten, wenn es gelingt, die ersten Anzeichen dieser Krankheit zu entdecken», erklärt Koepsell. Für den 49-jährigen Familienvater ist das Projekt das perfekte Beispiel dafür, wie Medizin sich wandeln sollte: weg vom Arztbesuch, wenn etwas weh tut, hin zur ständigen, vorausschauenden Beobachtung des Körpers.
«Unser Gesundheitswesen ist heute viel zu reaktiv aufgestellt», kritisiert er. «Es gibt viele schwere Erkrankungen, die sich eigentlich verhindern liessen und auch unnötige Kosten verursachen.» Warum, fragt Koepsell, sollte es nicht möglich sein, den Körper besser zu schützen – so wie beim Auto? «Da warten wir doch auch nicht, bis etwas anfängt zu scheppern, sondern wir lassen regelmässig alles überprüfen.»
Die Logik ist ähnlich wie bei der KI des Berliner Herzspezialisten Alexander Meyer: Früher hinschauen, immer wieder messen und automatisch jede Abweichung von der Norm erkennen, um Schlimmeres zu verhindern.
Auch Fitnesstracker geben vielen Menschen die Hoffnung, ihnen durch Datensammeln und die digitale Überwachung des eigenes Körpers ein gesünderes Leben zu ermöglichen. Doch so einfach ist es nicht: Bei vielen Daten, die im Alltag erfasst werden, «wissen wir schlichtweg nicht: Ist das krankhaft oder nicht?», erklärt Meyer. «Da muss noch mehr Wissen generiert werden. Es ist ein junges Feld, und wir wollen ja nicht schaden, sondern heilen und helfen.»
Beruhigend immerhin, dass der Mensch die Jahrtausende alte Aufgabe, den Körper gesund zu halten, nicht länger allein bewältigen muss.
Executive Briefing von McKinsey & Company
Transforming healthcare with AI: The impact on the workforce and organizations
