KI in der KIM
Pressesprecher
Telefon: 0201 56 305 61
Veröffentlicht am
Integrative Medizin Komplementärmedizin
Die Leistungsfähigkeit und die Anwendungsbereiche Künstlicher Intelligenz (KI) nehmen stetig zu. Da liegt die Frage nahe, welches Potenzial der Einsatz von KI in der Komplementären und Integrativen Medizin (KIM) entfalten könnte?
Ein aktueller Artikel setzt sich mit neuen Möglichkeiten, denkbaren Anwendungsszenarien, aber auch potenziellen Problemen auseinander. (1)
KI ist bereits im Einsatz
Im Jahre 2024 wird in manchen Bereichen der Medizin durchaus bereits auf KI-Unterstützung zurückgegriffen. Zur Verbesserung der Diagnose kann KI Patientendaten, etwa Krankenakten oder tomographische Befunde, analysieren und damit dem Mediziner einen umfassenderen Blick bzw. eine genauere Einschätzung ermöglichen. (2-4) Dadurch wird die Erstellung eines individuellen Gesundheitsprofils ebenso erleichtert (4,5), wie das Antizipieren von Gesundheitsrisiken (6-8). Auch virtuelle Assistenten, die auf den Patienten zugeschnittene Informationen liefern, Fragen beantworten und sogar Handlungsvorschläge geben, sind KI-unterstützt. (9,10)
Raum für Eigensinn
Beiträge u.a. aus der Medizin, der qualitativen Sozialforschung, der Frauengesundheit und der Patientenberatung
Beiträge u.a. aus der Medizin, der qualitativen Sozialforschung, der Frauengesundheit und der Patientenberatung
Bettina Berger
ISBN: 978-3-86864-006-9
Erscheinungsjahr: 2011
19,80 EUR
Zum Shop »Weitergedacht: KIM-spezifische Anwendungen von KI
Bezogen auf die Besonderheiten der KIM sind – als eine Auswahl – folgende Anwendungsszenarien denkbar:
Bildgebung
Vor der Akupunktur wird teilweise Ultraschall verwendet, um tiefe Strukturen sichtbar zu machen. Mittels KI könnte in Echtzeit identifiziert werden, ob es sich bei diesen Strukturen um Muskeln, Nerven, Sehnen oder Blutgefäße handelt. (11)
Diagnose
In der Traditionellen Chinesischen Medizin gibt es manchmal Diskrepanzen zwischen der Zungen- und der Pulsdiagnose. KI könnte hier die Präzision erhöhen und das Auftauchen solcher Diskrepanzen minimieren. (12)
Behandlungspläne, Therapiewahl und -revision
Anstelle sich allein auf die Symptome des einzelnen Patienten zu beziehen, um einen passenden Behandlungsplan für ihn zu erstellen, könnte KI auf ganze Datensammlungen mehrerer Patienten (Wie waren die Symptome bei ihnen ausgeprägt? Welche Therapien waren erfolgreich?) sowie genetische Daten zurückgreifen. Dies käme dem Anspruch einer personalisierten Medizin in der KIM entgegen (13,14) und würde die Präzision in der Therapie erhöhen, etwa die Auswahl des geeigneten Phytopharmakons erleichtern (15-17).
In der Onkologie wäre es denkbar, dass KI das Ansprechen auf komplementäre Therapien wie Akupunktur oder Ernährungsumstellungen erfasst, sodass diese besser auf die konventionellen Maßnahmen abgestimmt werden können. (18-20)
Vorhersagemodelle
Eine Domäne der KIM ist die Behandlung von chronischen Erkrankungen durch Lebensstilmodifikationen. KI könnte das Fortschreiten einer solchen Erkrankung vorhersagen und entsprechend frühzeitige Interventionszeitpunkte identifizieren, um die Lebensqualität der Betroffenen zu erhalten oder zu erhöhen. (21-24)
Virtuelle Assistenz
In der KIM gibt es mehrere Verfahren, die eine Anleitung oder Erklärung nötig machen, darunter etwa Meditation, Yoga und Ernährungsempfehlungen. KI-basierte virtuelle Assistenten, z.B. in Form einer App, könnten hier eine kontinuierliche Begleitung für den Patienten sein und ihn in seiner Selbstwirksamkeit unterstützen. (25-27)
Herausforderungen und potenzielle Probleme
Diese und weitere Einsätze von KI in der KIM bergen allerdings nicht nur Potenzial im positiven Sinne. Folgende Probleme gilt es, zu berücksichtigen:
Datenknappheit und -qualität
Damit KI-Algorithmen im diagnostischen und therapeutischen Sinne „richtige“ Entscheidungen treffen bzw. vorschlagen können, muss die Grundlage dieser Entscheidungen, d.h. die Datenbasis, ausreichend sein. KIM umfasst allerdings eine große Zahl an Therapien unterschiedlichen Ursprungs. Einen allgemeingültigen Standard, der alle Aspekte von KIM berücksichtigt, gibt es (noch) ebensowenig, wie eine einheitliche Terminologie. (28) Das Erstellen standardisierter elektronischer Patientenakten wird dadurch erschwert.
Eine zusätzliche Herausforderung stellt die Qualität der Daten dar, die zum Training von KI-Algorithmen genutzt werden. Hier müsste auf bestmögliche Objektivität und homogene Verteilung geachtet werden, um einen (inhärenten) Bias zu vermeiden. (29,30)
Datensicherheit
Wie bei allen KI-Anwendungen muss die Datensicherheit eine hohe Priorität einnehmen. Im medizinischen Kontext gilt dies in besonderem Maße: Zum einen, weil hier hochsensible Daten erhoben werden, zum anderen aber auch, weil das Vertrauen des Patienten, sein Verhältnis zum Therapeuten und seine informierte Einwilligung in die Therapie, in der KIM ganz zentrale Rollen spielen. (31-34)
Rechtliche Sicherheit
Verknüpft mit dem vorangegangenen Aspekt ist derjenige der Rechtssicherheit. Der Datenschutz, insbesondere in der Gesundheitsversorgung, wird international unterschiedlich reguliert. In einer KI-unterstützten KIM müssten diese gesetzlichen Vorgaben Berücksichtigung finden. Außerdem muss geklärt sein, wie mit Fehlern der KI oder unerwünschten Therapieausgängen umgegangen wird. Die Zurechnungsfrage gestaltet sich hier bisweilen hochkomplex, es wären Richtlinien notwendig, nach welchen entsprechende Situationen bewertet werden könnten. (35,36)
Die menschliche Note
Gerade die KIM zeichnet sich durch eine menschliche Note, durch Einfühlsamkeit, in der Therapie aus. Wenn KI Einzug in die KIM erhält, ist es wichtig, die Bedeutung menschlicher Interaktion nicht zu verkennen. KI sollte das Wissen und das Vermögen des Therapeuten nicht untergraben oder obsolet machen, sondern stattdessen seine Arbeit unterstützen. Im Idealfall wird auf diese Weise dann sogar noch mehr Raum für Empathie frei. (37-39)
Zukünftige Forschungsfelder
Zum einen könnte KI dabei helfen, bislang noch nicht vollständig verstandene Mechanismen bestimmter KIM-Therapien, z.B. der Akupunktur, zu verstehen (40) oder das vorhandene Wissen zu sichten und zu kategorisieren, z.B. einen umfassenden Einblick in Wirkungen und Nebenwirkungen von Phytopharmaka ermöglichen (13).
Zum anderen könnte KI selbst zum Forschungsobjekt werden. Beispiele für forschungsleitende Fragen: Wie wirkt sich ihr Einsatz auf die Arzt-Patienten-Interaktion aus? (41) Wie wird KI von Patienten akzeptiert und welche Faktoren haben Einfluss auf ihr Vertrauen? (42) Entwickeln KI-Algorithmen einen Bias und wenn ja, welchen und warum? (43,44)
Literatur zu "KI in der KIM"
1) Ng JY, Cramer H, Lee MS, Moher D. Traditional, complementary, and integrative medicine and artificial intelligence: Novel opportunities in healthcare. Integr Med Res. 2024 Mar;13(1):101024. doi: 10.1016/j.imr.2024.101024. Epub 2024 Feb 9. PMID: 38384497; PMCID: PMC10879672. Link
2) Zhang H., Ni W., Li J., Zhang J. Artificial intelligence–based traditional Chinese medicine assistive diagnostic system: validation study. JMIR Med Inform. 2020;8(6):e17608. doi: 10.2196/17608. Jun 15. Link
3) Feng C., Zhou S., Qu Y., et al. Overview of artificial intelligence applications in Chinese medicine therapy. Evid Based Complement Altern Med. 2021;2021 doi: 10.1155/2021/6678958.Link
4) LY A., Binghe G.U., Shuang C.H., et al. Artificial intelligence meets traditional Chinese medicine: a bridge to opening the magic box of sphygmopalpation for pulse pattern recognition. Digit Chin Med. 2021;4(1):1–8. doi: 10.1016/j.dcmed.2021.03.001. Link
5) Schork N.J. Artificial intelligence and personalized medicine. Precis Med Cancer Ther. 2019:265–283. doi: 10.1007/978-3-030-16391-4_11. Link
6) Wang Y., Jafari M., Tang Y., Tang J. Predicting Meridian in Chinese traditional medicine using machine learning approaches. PLoS Comput Biol. 2019;15(11) doi: 10.1371/journal.pcbi.1007249. Link
7) Lu Y., Wei Z., Zou W., Song M. Artificial intelligence-biology: an important strategic resource and competitive hot spot in the future research of TCM modernization. J Nanjing Univ Tradit Chin Med. 2021;37:331–336. Link
8) Wang S., Hou Y., Li X., Meng X., Zhang Y., Wang X. Practical implementation of artificial intelligence-based deep learning and cloud computing on the application of traditional medicine and western medicine in the diagnosis and treatment of rheumatoid arthritis. Front Pharmacol. 2021;12 doi: 10.3389/fphar.2021.765435. Link
9) Davenport T., Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J. 2019;6(2):94. doi: 10.7861/2Ffuturehosp.6-2-94. Link
10) Sng G.G., Tung J.Y., Lim D.Y., Bee Y.M. Potential and pitfalls of ChatGPT and natural-language artificial intelligence models for diabetes education. Diabetes Care. 2023;46(5):e103–e105. doi: 10.2337/dc23-0197. Link
11) Wang Y., Shi X., Efferth T., Shang D. Artificial intelligence-directed acupuncture: a review. Chin Med. 2022;17(1):80. doi: 10.1186/s13020-022-00636-1. Link
12) Duan Y.Y., Liu P.R., Huo T.T., Liu S.X., Ye S., Ye Z.W. Application and development of intelligent medicine in traditional chinese medicine. Curr Med Sci. 2021;41(6):1116–1122. doi: 10.1007/s11596-021-2483-2. Link
13) Chu H., Moon S., Park J., Bak S., Ko Y., Youn B.Y. The use of artificial intelligence in complementary and alternative medicine: a systematic scoping review. Front Pharmacol. 2022;13 doi: 10.3389/fphar.2022.826044. Link
14) Juang W.C., Hsu M.H., Cai Z.X., Chen C.M. Developing an AI-assisted clinical decision support system to enhance in-patient holistic health care. PLoS One. 2022;17(10) doi: 10.1371/journal.pone.0276501. Link
15) Han K., Zhang L., Wang M., Zhang R., Wang C., Zhang C. Prediction methods of herbal compounds in Chinese medicinal herbs. Molecules. 2018;23(9):2303. doi: 10.3390/molecules23092303. Link
16) He S., Zhang X., Lu S., Zhu T., Sun G., Sun X. A computational toxicology approach to screen the hepatotoxic ingredients in traditional Chinese medicines: polygonum multiflorum thunb as a case study. Biomolecules. 2019;9(10):577. doi: 10.3390/biom9100577. Link
17) Zhou W., Yang K., Zeng J., et al. FordNet: recommending traditional Chinese medicine formula via deep neural network integrating phenotype and molecule. Pharmacol Res. 2021;173 doi: 10.1016/j.phrs.2021.105752. Link
18) Shah K., Parmar D. 1975P artificial intelligence-based tool to generate directional integrative treatment reports for cancer patients (ZIOPAR: zenOnco. io integrative oncology preliminary assessment report) Ann Oncol. 2020;31:S1108–S1109. doi: 10.1016/j.annonc.2020.08.1367. Link
19) Vobugari N., Raja V., Sethi U., Gandhi K., Raja K., Surani S.R. Advancements in oncology with artificial intelligence—a review article. Cancers. 2022;14(5):1349. doi: 10.3390/cancers14051349. (Basel). Link
20) ZenOnco. Integrative Oncology Cancer Care. ZenOnco Website. Accessed November 1, 2023. Link
21) Wang Y., Ma L., Liu P. Feature selection and syndrome prediction for liver cirrhosis in traditional Chinese medicine. Comput Methods Programs Biomed. 2009;95(3):249–257. doi: 10.1016/j.cmpb.2009.03.004. Link
22) Liu J., Pei M., Zheng C., et al. A systems-pharmacology analysis of herbal medicines used in health improvement treatment: predicting potential new drugs and targets. Evid Based Complement Altern Med. 2013;2013 doi: 10.1155/2013/938764. Link
23) Wang H., Liu X., Lv B., Yang F., Hong Y. Reliable multi-label learning via conformal predictor and random forest for syndrome differentiation of chronic fatigue in traditional Chinese medicine. PLoS One. 2014;9(6):e99565. doi: 10.1371/journal.pone.0099565. Link
24) Adeluwa T., McGregor B.A., Guo K., Hur J. Predicting drug-induced liver injury using machine learning on a diverse set of predictors. Front Pharmacol. 2021;12 doi: 10.3389/fphar.2021.648805. Link
25) Bohr A., Memarzadeh K. Artificial Intelligence in Healthcare. Academic Press; 2020. The rise of artificial intelligence in healthcare applications; pp. 25–60. Borh A, Memarzadeh K. Link
26) Davis C.R., Murphy K.J., Curtis R.G., Maher C.A. A process evaluation examining the performance, adherence, and acceptability of a physical activity and diet artificial intelligence virtual health assistant. Int J Environ Res Public Health. 2020;17(23):9137. doi: 10.3390/ijerph17239137. Link
27) Curtis R.G., Bartel B., Ferguson T., et al. Improving user experience of virtual health assistants: scoping review. J Med Internet Res. 2021;23(12):e31737. doi: 10.2196/31737. Link
28) Ng J.Y., Dhawan T., Dogadova E., et al. Operational definition of complementary, alternative, and integrative medicine derived from a systematic search. BMC Complement Med Ther. 2022;22(1):104. doi: 10.1186/s12906-022-03556-7. Link
29) Nelson G.S. Bias in artificial intelligence. N C Med J. 2019;80(4):220–222. doi: 10.18043/ncm.80.4.220. Link
30) Parikh R.B., Teeple S., Navathe A.S. Addressing bias in artificial intelligence in health care. JAMA. 2019;322(24):2377–2378. doi: 10.1001/jama.2019.18058. Link
31) Price W.N., Cohen I.G. Privacy in the age of medical big data. Nat Med. 2019;25(1):37–43. Jan. Link
32) Gerke S., Minssen T., Cohen G. Artificial Intelligence in Healthcare. Academic Press; 2020. Ethical and legal challenges of artificial intelligence-driven healthcare; pp. 295–336. Borh A, Memarzadeh K. Link
33) Cohen I.G. Informed consent and medical artificial intelligence: what to tell the patient? Georget Law J. 2019;108:1425. doi: 10.2139/ssrn.3529576. Link
34) Astromskė K., Peičius E., Astromskis P. Ethical and legal challenges of informed consent applying artificial intelligence in medical diagnostic consultations. AI Soc. 2021;36:509–520. doi: 10.1007/s00146-020-01008-9. Link
35) Naik N., Hameed B.M., Shetty D.K., et al. Legal and ethical consideration in artificial intelligence in healthcare: who takes responsibility? Front Surg. 2022;9:266. doi: 10.3389/fsurg.2022.862322. Link
36) Cofone I. Policy proposals for PIPEDA reform to address artificial intelligence. Office of the Privacy Commissioner of Canada Report (12 November 2020). 10.2139/ssrn.3740059. Link
37) Weber A.S. Emerging medical ethical issues in healthcare and medical robotics. Int J Mech Eng Robot Res. 2018;7(6):604–607. Link
38) Blease C., Kaptchuk T.J., Bernstein M.H., Mandl K.D., Halamka J.D., DesRoches C.M. Artificial intelligence and the future of primary care: exploratory qualitative study of UK general practitioners’ views. J Med Internet Res. 2019;21(3):e12802. doi: 10.2196/12802. Link
39) Stokes F., Palmer A. Artificial intelligence and robotics in nursing: ethics of caring as a guide to dividing tasks between AI and humans. Nurs Philos. 2020;21(4):e12306. doi: 10.1111/nup.12306. Link
40) Xu T., Xia Y. Guidance for acupuncture robot with potentially utilizing medical robotic technologies. Evid Based Complement Altern Med. 2021;2021 doi: 10.1155/2021/8883598. Link
41) Morrow E., Zidaru T., Ross F., et al. Artificial intelligence technologies and compassion in healthcare: a systematic scoping review. Front Psychol. 2023;13 doi: 10.3389/fpsyg.2022.971044. Link
42) Esmaeilzadeh P., Mirzaei T., Dharanikota S. Patients’ perceptions toward human–artificial intelligence interaction in health care: experimental study. J Med Internet Res. 2021;23(11):e25856. doi: 10.2196/25856. Link
43) Abràmoff M.D., Tarver M.E., Loyo-Berrios N., et al. Foundational principles of ophthalmic imaging and algorithmic interpretation working group of the collaborative community for ophthalmic imaging foundation, Washington, DC, Maisel WH. considerations for addressing bias in artificial intelligence for health equity. NPJ Digit Med. 2023;6(1):170. doi: 10.1038/s41746-023-00913-9. Link
44) Nazer L.H., Zatarah R., Waldrip S., et al. Bias in artificial intelligence algorithms and recommendations for mitigation. PLoS Digit Health. 2023;2(6) doi: 10.1371/journal.pdig.0000278. Link
