Der Gesundheitssektor ist voll von komplexen Daten, die sich ständig weiterentwickeln, und macht ihn damit zu einem idealen Ziel für Künstliche Intelligenz und maschinelles Lernen. Quantencomputer könnten eine entscheidende Rolle dabei spielen, diese Technologien im Gesundheitswesen voranzutreiben und die Patientenversorgung zu verbessern.
Der Gesundheitsbereich ist voll von komplexen Daten, die an vielen verschiedenen Orten gespeichert und täglich weiterentwickelt werden. Das macht ihn zu einem hervorragenden Ziel für künstliche Intelligenz und maschinelles Lernen. Maschinelles Lernen hat sich in den letzten Jahren bereits als nützlich bei der Diagnose erwiesen und kann auch die Effizienz der medizinischen Kodierung verbessern. Es gibt jedoch noch viele andere Bereiche, in denen maschinelles Lernen hilfreich sein könnte, aber bisher noch keine Fortschritte gemacht hat. Warum ist das so?
Laut Harshith Ramesh, Co-CEO von Episource, einem Anbieter von Risikoadjustierungsdiensten und -software für medizinische Gruppen und Gesundheitspläne, und Experte für maschinelles Lernen, ist das Gesundheitswesen aufgrund des exponentiellen Anstiegs des Datenvolumens in den letzten zwei Jahrzehnten besonders geeignet für maschinelles Lernen. Heutzutage werden rund 30% der weltweiten Daten von der Gesundheitsbranche generiert. Dies ist zum Teil auf die weit verbreitete Nutzung von elektronischen Patientenakten zurückzuführen, die erstmals in den 1990er Jahren an Bedeutung gewannen. Die Digitalisierung von Patienteninformationen hat nicht nur die Menge der vorhandenen Daten erhöht, sondern sie auch für maschinelles Lernen leicht zugänglich gemacht.
Neben elektronischen Patientenakten werden Gesundheitsdaten auch von einer wachsenden Anzahl von Quellen generiert, wie z.B. medizinischen Geräten, tragbaren Geräten, Daten-Clearingstellen, Labors und Arztpraxen. Diese Fülle an Daten ist entscheidend, damit maschinelle Lernmodelle immer genauer bei der Vorhersage von Patientenergebnissen werden. Dies kann dazu beitragen, dass Anbieterorganisationen im Laufe der Zeit ein umfassenderes Bild der Gesundheit eines Patienten entwickeln. Gesundheitsdaten sind außerdem objektiver als Daten aus anderen Branchen, was sie besonders kompatibel mit maschinellem Lernen macht. Das liegt an standardisierten Verfahren, automatisierten Systemen, medizinischen Kodierern und Fachärzten, die alle dazu beitragen, so viel Subjektivität wie möglich aus den Daten zu entfernen.
