Auf der konstitutionierenden Sitzung der Arbeitsgruppe "Künstliche Intelligenz" des
bvitg, wurden in den letzten beiden Tagen zahlreiche Problemfelder für die Nutzung von KI-Algorithmen im Deutschen Gesundheitswesen identifiziert. Gleichzeitig wurde jedoch immer wieder deutlich, dass FHIR an vielen Stellen technische Lösungen bieten kann. Daher wollen wir hier einige Aspekte des neuen HL7-Standards mit Relevanz für KI-Systeme aufführen:
1. Datenvalidierung
Gleichförmige, valide und strukturierte Daten bilden die Basis für die Entwicklung von KI-Systemen. Mit Hilfe des
Conformance-Frameworks in FHIR und den
umfangreichen Möglichkeiten der Profilierung, können die Mindest-Anforderungen an die gelieferten Daten und die Regeln zur Validierung sehr präzise formuliert und mittels der
Validatoren zur Laufzeit auf die Instanzen angewendet werden.
(
zur Community)
2. Terminologie-Framework
Um Daten aus verschiedenen Quellen vergleichen zu können, müssen Konzepte codiert werden. Medizinische
Terminologien und CodeSysteme, wie z.B. ICD-10, LOINC oder SNOMED sind jedoch enorm umfangreich und komplex in der Handhabung. FHIR bieten Entwicklern die Möglichkeit diese Komplexitäten sowie das
Mapping zwischen verschiedenen Terminologien von der eigenen Applikation fernzuhalten und in spezialisierte Terminologie-Server zu verlagern. Mittels der
Terminologie-API ist eine einfache und standardisierte Anbindung der Systeme möglich.
(
zur Community)
3. Einbindung in Primärsysteme als Clinical Decision Support Dienst
KI-Dienste werden häufig in Form von Entscheidungsunterstützungssystemen eingesetzt (z.B. zur Bewertung von Radiologischen Bildern, Auswertung von EKGs oder unterstützender Labordiagnostik). Um solche Dienste über eine standardisierte Schnittstelle in Klinische Primärsysteme integrieren zu können, liefert
"CDS-Hooks" ein FHIR-basiertes Framework, das die Triggerung von CDS-Diensten sowie den Datenaustausch zwischen Primärsystem und CDS beschreibt und das Format für die Rückgabe von Hinweisen an den Anwender vereinheitlicht.
(
zur Community)
4. "Datenspenden" von Patienten
Die Aquise von Daten für das Trainieren von Algorithmen ist aufgrund der hohen Datenschutzanforderungen im Gesundheitswesen eine besondere Herausforderung.
Für die
"All of Us"-Studie wurde in den USA ein Framework entwickelt, mit dem Patienten aktiv entscheiden können, ihre Daten in pseudonymisierter Form zu "spenden". "
Sync4Science" ist eine Kooperation US-amerikanischer EHR-Hersteller, des National Institutes of Health (NIH), des Office of the National Coordinator for Health IT (ONC) und der Abteilung für Biomedizinische Informatik an der Harvard Medical School.
5. Synthetische Massendaten
Ein weiterer Weg zu mehr Daten kann die Erzeugung synthetischer Patientendaten sein.
Synthea ist eine OpenSource verfügbares Framework, das realistische, aber synthetische Massendaten im FHIR-Format erzeugt. Eine Übertragung des Modells auf deutsche Gegebenheiten ist technisch möglich.
6. Nachvollziehbarkeit
Die von KI-Systemen erzeugten Entscheidungen, Hinweise oder Daten müssen auf transparente und nachvollziehbare Weise für den Anwender als solche zu erkennen sein.
Mit Hilfe der
Provenance-Ressource bietet FHIR eine Möglichkeit, die Herkunft von Daten detailliert festzuhalten. Ein Best-Practice-Ansatz für die Darstellung von Konfidenz und den präzisen Verweis auf relevante Datenfelder oder -Bereiche, wird derzeit im
FHIR-Chat diskutiert.
7. Einheitliches Datenmodell
Warum FHIR nicht nur zum Datenaustausch zwischen klinischem Primärsystem und KI-Service dienen kann, sondern direkt zum Datenmodell für Maschinelles Lernen taugt, kann Google am besten erklären: https://ai.googleblog.com/2018/03/making-healthcare-data-work-better-with.html
