Datenqualität und Datenintegration im Zeitalter der Künstlichen Intelligenz

In seinem Vortrag betonte Prof. Tobias Schaeffter (PTB), dass künstliche Intelligenz (KI) in der Medizin grundlegend von der Qualität der Daten abhängt, die für Training und Validierung verwendet werden. Die Präsentation verdeutlichte, dass vertrauenswürdige KI nicht nur leistungsfähige Algorithmen, sondern auch zuverlässige, repräsentative und sorgfältig annotierte Datensätze erfordert. Das METRIC-Framework wurde als strukturierter Ansatz zur Bewertung der Datenqualität anhand von 15 Dimensionen vorgestellt, darunter Repräsentativität, Präzision, Genauigkeit und Relevanz. Am Beispiel des PTB-XL-EKG-Datensatzes wurde gezeigt, wie standardisierte Benchmark-Datensätze und Qualitätsmetriken die Entwicklung, Bewertung und Erklärbarkeit von KI-Modellen verbessern. Darüber hinaus wurde hervorgehoben, dass die Datenqualität eine zentrale Voraussetzung für die Einhaltung des EU AI Act ist, der für medizinische KI-Systeme mit hohem Risiko Robustheit, Genauigkeit, Transparenz und Nachvollziehbarkeit fordert.

Der Vortrag von Dr. Altuna Akalin (MDC) befasste sich mit der Frage, wie KI molekulare, klinische und bildgebende Daten integrieren kann, um Diagnostik, Therapieauswahl und Präzisionsmedizin zu verbessern. Durch die Kombination von annotierten und nicht annotierten Multi-Omics-Datensätzen können Deep-Learning-Modelle verborgene biologische Muster identifizieren, die die Biomarkerentdeckung fördern und die Vorhersage des Therapieansprechens selbst in kleinen klinischen Studien deutlich verbessern. Dr. Akalin stellte zudem eigene Entwicklungen wie das KI-gestützte Tool Onconaut vor, das Ärztinnen und Ärzte bei der Zuordnung von Patientinnen und Patienten zu zielgerichteten Therapien, klinischen Studien, Leitlinien und relevanter Fachliteratur unterstützt. Langfristig zielt seine Forschung darauf ab, verschiedene Datenmodalitäten – darunter Genomik, EKGs, medizinische Bildgebung, Labordaten und klinische Texte – zu integrieren, um umfassende Patientenrepräsentationen zu erstellen und letztlich digitale Zwillinge für die personalisierte Medizin zu ermöglichen. Insgesamt unterstrich der Vortrag das Potenzial von KI, Diagnostik zu beschleunigen, Therapieentscheidungen zu optimieren und die Gesundheitsversorgung durch multimodale Datenintegration nachhaltig zu verbessern.

Claudius Baldauf (DHZC) hob in seinem Vortrag die zunehmende Bedeutung von KI bei der Analyse von Elektrokardiogrammen (EKG) und intrakardialen Elektrogrammen (EGM) zur Unterstützung der Diagnose und Behandlung von Herzrhythmusstörungen, insbesondere von Vorhofflimmern, hervor. KI-basierte prädiktive Algorithmen haben bereits eine hohe klinische Leistungsfähigkeit gezeigt und werden zunehmend in die klinische Routine integriert. Gleichzeitig wurde betont, dass eine breitere Implementierung automatisierte Datenerfassung sowie eine bessere Integration klinischer Informationen über verschiedene Gesundheitssysteme hinweg erfordert.