• Innovation
Zukunft der Diagnostik in der Radiologie

Wie kann die KI Radiologen unterstützen

MRT und CT sind weit verbreitete Methoden, um eine Diagnose zu stellen. Das gilt sowohl bei Verletzungen als auch bei Krebs und Erkrankungen des Herzens, des zentralen Nervensystems und des Skelettsystems. Bildgebende Verfahren werden mehr denn je benötigt: Die stetig wachsende und alternde Bevölkerung sowie die veränderten Lebensgewohnheiten tragen zur Zunahme von chronischen Erkrankungen wie Herz-Kreislauferkrankungen und Krebs bei. Das wiederum lässt die Anzahl an bildgebenden Diagnoseverfahren steigen. Radiologen sehen sich einem immer größer werdenden Zeitdruck und Arbeitsaufwand ausgesetzt. Die künstliche Intelligenz (KI) kann die Radiologie dabei unterstützen, eine genaue und frühzeitige Diagnose für Patienten zu stellen.

Mehr Wissen & PerspektivenErfahren Sie, wie man sich auf ein CT oder MRT vorbereiten kann
generiertes Bild
MRT und CT – diese Methoden werden häufig eingesetzt, wenn es um Diagnosen geht, sei es bei Verletzungen, Krebs oder Herzkrankheiten. Und sie werden mehr denn je benötigt: Eine wachsende und alternde Bevölkerung sowie sich ändernde Lebensstile tragen zu einem Anstieg chronischer Krankheiten wie Herz-Kreislauf-Erkrankungen und Krebs bei, was zu einer steigenden Anzahl diagnostischer Bildgebungsverfahren führt. Zeitdruck und Arbeitsbelastung für Radiologen nehmen zu. Künstliche Intelligenz (KI) kann die Radiologie unterstützen, um Patienten eine genaue und rechtzeitige Diagnose zu ermöglichen.

Mit welchen Herausforderungen sind Radiologen heute konfrontiert?

Weltweit werden schätzungsweise 286 Millionen kontrastmittelverstärkte Röntgen-/CT- und MRT-Verfahren pro Jahr vorgenommen, 1 und der Bedarf an medizinischer Bildgebung zur Erkennung von Krankheiten, Unterstützung von Therapieentscheidungen und Behandlung steigt weiter. Das erhöht den Druck auf Radiologen. Ein US-Institut kam beispielsweise in einer Studie zum Ergebnis, dass seine Radiologen bei der Auswertung von CR- oder MRT-Untersuchungen an einem achtstündigen Arbeitstag im Durchschnitt alle drei bis vier Sekunden ein Bild auswerten müssten, um das Arbeitsvolumen abzuarbeiten. 2 Zusätzlich besteht ein Mangel an qualifizierten radiologischen Fachärzten. 3 Diese Trends tragen zu der hohen Zahl von Burn-outs unter Radiologen 4 bei. Zudem steigt unter Druck das Risiko für Fehler. Einer 2018 erschienenen Publikation zufolge kommt es weltweit jedes Jahr zu bis zu 40 Millionen Fehldiagnosen im Zusammenhang mit bildgebenden Verfahren 5. 

Was sind die Vorteile von KI in der medizinischen Bildgebung für Patienten?

Zum Beispiel unterstützt KI Ärzte dabei, Lungenknötchen bei asymptomatischen Patienten zu erkennen. Von künstlicher Intelligenz unterstützte Triage-Anwendungen können dabei helfen, potenzielle Fälle von besonderer Dringlichkeit zu erkennen und eine vorrangige Befundung zu empfehlen. Das ist sinnvoll bei Patienten, die eine dringende Diagnose und Therapie brauchen, zum Beispiel im Fall potenzieller interzerebraler Blutungen und Großgefäßverschlüsse, die im Zusammenhang mit Schlaganfällen auftreten können.

Quellen

1Quelle: Bayer estimates based on various data sources

2McDonald RJ, Schwartz KM, Eckel LJ, Diehn FE, Hunt CH, Bartholmai BJ, Erickson BJ, Kallmes DF. The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload. Acad Radiol. 2015 Sep;22(9):1191-8. https://pubmed.ncbi.nlm.nih.gov/26210525/

3The Complexities of Physician Supply and Demand: Projections From 2018 to 2033. AAMC. https://www.aamc.org/media/45976/download; the Royal colleague fo Radiology: https://www.rcr.ac.uk/system/files/publication/field_publication_files/clinical-radiology-uk-workforce-census-2020-report.pdf

4Chetlen AL, Chan TL, Ballard DH, Frigini LA, Hildebrand A, Kim S, Brian JM, Krupinski EA, Ganeshan D. Addressing Burnout in Radiologists. Acad Radiol. 2019 Apr;26(4):526-533. https://pubmed.ncbi.nlm.nih.gov/30711406/; Physician Burnout in Radiology: Perspectives From the Field, Cheri L. Canon et al. (2022) https://pubmed.ncbi.nlm.nih.gov/34494444/

5Fundamentals of Diagnostic Error in Imaging, Itri et al. (2018) https://pubs.rsna.org/doi/full/10.1148/rg.2018180021