Kategorie: Gesundheit

Heise.de fasst in einem längeren Artikel das Ende des Hypes um IBM’s AI „Watson“ zusammen.  Vor einigen Jahren hatte das System mit einem Sieg beim Spiel „Jeopardy“ beeindruckt und wurde von IBM seitdem als Wunderwaffe, unter anderem in der Krebstherapie, vermarktet. Wie so oft kann die Realität mit dem Hype nicht mithalten und viele Krankenhäuser haben entweder die Pilotphasen nicht verlängert oder sind später ausgestiegen als sich gezeigt hat, dass die Vorschläge nicht besser waren als die humanoider Kollegen.

Auch scheint die Datenlage ein Problem zu sein. Einerseits scheint die Datenbasis einen Bias zu haben:

Deutsche Krebsmediziner verweisen auf das zusätzliche Problem, dass das System jahrelang mit Daten aus einem US-amerikanischen Krankenhaus für Wohlhabende trainiert worden sei und darauf zugeschnittene Lösungen vorschlage, die nicht immer für den Rest der Welt passten.

Andererseits ist auch die kontinuierliche Pflege der KI mit einem Aufwand verbunden und „die menschlichen Trainer der KI kämen häufig gar nicht nach, die sich rasch ändernden Behandlungsmethoden einzuspeisen.“

Während Watson damit auf’s Abstellgleis gerät zeigt ein Blick in die Heise Meldungen der letzten Wochen, dass die Nutzung von KI in der Diagnose und Therapie noch lange nicht an ihre ende gekommen ist.

15.06.2018: KI: Spricht bald ein Pflege-Avatar mit pflegebedürftigen Menschen?
12.07.2017: Neuronales Netz erkennt Herzinfarkte so gut wie erfahrene Kardiologen
14.08.2018: Deepmind: Künstliche Intelligenz erkennt Augenkrankheiten

Die Berichte sind allerdings wesentlich differenzierter und die Anwendungsgebiete wesentlich spezieller als was für Watson versprochen wurde.

In einem ausführlichen Artikel widmete sich Ende Mai David Brown dem Nutzen der tatsächlich angewendeten Epedemievorhersagen, wie sie im vergangenen Jahr während der Ebole-Krise genutzt wurden.

In aller Kürze kann man festhalten, dass insbesondere die Modelle zur Vorhersage der Ausbreitung von Ebola falsch lagen, und alles viel zu schwarz gesehen haben. Da will man natürlich draus gelernt und in Zukunft – vor allem mit noch mehr Daten – besser werden. Es wird, also nicht die eine Datenquelle sein, wie die hier besprochenen CDR, sein, die die Berechnungen leitet, sondern, eher im Sinne der sehr komplexen Klimamodellrechnungen, wird versucht möglichst viele Faktoren mit einzuberechnen.

“It really set off alarm bells.”
(Richard Hattchet von der Biomedical Advanced Research and Development Authority, zitiert nach David Brown )

Trotzdem wird der Einsatz der Modelle von einigen Beteiligten als Positiv gewertet. Interessanterweise aber eben weil sie dramatische Zahlen lieferten. Deren Effekt war dann nicht unbedingt bessere Planbarkeit, sondern dass die Notwendigkeit überhaupt zu Handeln, stieg.

 

Kleiner Linknachtrag zum letzten Beitrag: Bei Dradio Wissen lief ein Beitrag über einen Testversuch mit einer Gesundheitsapp in Deutschland bei der AOK-Nordost bereits im Mai.  Im August gab es dann noch ein gutes Interview mit Thilo Weichert dazu. Vor einigen Tagen wurde es auch nochmal besprochen, ich finde den Beitrag aber nicht mehr wieder. Grundtenor war, dass u.a. die niedrigen Zinsen am Finanzmarkt die Krankenkassen dazu bewegen sich neue Geschäftsfelder zu erschließen, was zu Investitionen in Projekte wie die Gesundheitsapps führt. Neben dem Hippnessfaktor Quantified Self ist die ökonomische Perspektive hier also eine weitere Antriebskraft, die zur „ursprünglichen“ Idee der Prävention hinzukommt.

Predict your depression? Nicht wirklich

StudentLife heißt eine App die in Artikel wie „ Ihr Handy weiß, wenn es ihnen schlecht geht“ (technologoy review) oder „App Can Tell When Students Are Stressed out“ (huffingtonpost) besprochen wird. Anlass ist eine Studie mit eben jener App, die in ihrem Ergebnis behauptet nicht nur vom Smartphone auf die Stimmung sondern auch auf die Abschlussnote schließen zu können. Dabei ist die Studie alles andere als aussagekräftig und im Design sogar eher fragwürdig.

Weiterlesen

Das Wallstreet Journal berichtet über ein Update des Google Flu Trend Algorithmus. Der ist, wie hier beschrieben, als Big Data Paradebeispiel etwas in Verruf geraten, ein Update soll es nun richten. Leider will Google keine Details bekannt geben – Forscher_innen wüssten gerne auf welchen Suchbegriffen sich die Analysen stütze . Google will sich aber jetzt stärker auf die Daten der Gesundheitsbehörde beziehen und außerdem dem Overfitting entgegenwirken indem stärker zwischen Suchen aus reinem Interesse und solchen mit tatsächlichen Symptomen unterscheiden.

Wahrscheinlich wird bei denen die die Sprachsuche benutzen mitgezählt wie oft sie während des Suchvorgangs niesen oder so.

 

Predictive Modeling von Ebola

Die Ebola Epidemie in Westafrika ist eine krasse Sache. Neben medizinischen Problemen der Behandlung, Impfung und so weiter ist ein weitere wichtige Aufgabe bei so einer Epidemie die Eingrenzung und letztendlich der Stopp der weitere Ausbreitung. So werden u.a. von der WHO Zukunftszenarien entworfen, um die Ressourcenverteilung zu optimieren. Für mich interessant waren darüber hinaus gehende Berichte darüber, wie – Big Data sei Dank – die Ausbreitung dieser und anderer Epedemie vorhergesagt und weitere  Ausbrüche frühzeitig erkannt werden können.

Weiterlesen

Copyright © 2024 Anekdoten aus der berechneten Zukunft

Theme von Anders Norén↑ ↑