• Strategie
• Marketing
• Medical affairs
• AI - Artificial Intelligence (KI, künstliche Intelligenz)
• Clinical research consulting
• Interim Management
  • Geschäftsführer auf Interimbasis
• Outsourcing
• Projektmanagement
• Business Development
• Reorganisation
• Prozessoptimierung
• Public relations / Medical press
• Regulatory Affairs, FvP u.a.
• Symposien / Kongresse

• Geschäftsleitung
  • Dr. Georg Zenner
  • Dr. Marietta Zenner
• FAQ

• Iron Academy 2013
• Iron Academy 2012
• Iron Academy 2011

AI - Artificial Intelligence (künstliche Intelligenz) in der Medizin

AI hat in vielen Bereichen im Alltag schon Einzug gehalten. In der Pharmaindustrie kann die künstliche Intelligenz ebenfalls grosse Fortschritte bringen, wenn diese mit entsprechenden Qualitätskriterien eingesetzt wird. Dies kann in verschiedenen Bereichen der Pharmabranche erfolgen.

Anwendungsbeispiele für AI in der Pharmabranche:

RWD: real-world data; RWE: real-world evidence; EHR: electronic health record

Vorteile der AI in der Therapie
Die Entwicklung neuer Arzneimittel wird immer aufwendiger und die Pharmaindustrie muss neue Wege gehen um weitere Fortschritte zu erzielen. Mit Hilfe der AI können beachtliche Fortschritte in der Medizin erzielt werden, wenn diese entsprechend ein- und umgesetzt werden. Nicht nur in der Diagnose, auch in der personalisierten Therapie können dadurch grosse Durchbrüche erzielt werden, insbesondere, da in den meisten Bereichen das Konzept der «one medicine fits all» nicht mehr zu ausreichenden Therapieerfolgen führt und die individualisierte Therapie in den Vordergrund rückt. Die AI kann hierbei genutzt werden, um die personalisierte Medizin voranzutreiben.

Einige Voraussetzungen für die Nutzung der AI:
Wie in allen Bereichen müssen bestimmte Qualitätskriterien eingehalten werden. Ein grosser Vorteil der künstlichen Intelligenz ist die schnelle und strukturierte Verarbeitung von extrem grossen Datenmengen. Dazu muss allerdings auch der Zugang zu den grossen Datenmengen gewährleistet sein, und diese in entsprechender Qualität zur Verfügung stehen, um einen grossen Nutzen zu ziehen. Insbesondere bei bildgebenden Verfahren sind grosse Fortschritte mit künstlicher Intelligenz erzielt worden.

Der AI Prozess (hier z.B. ML = machine learning) in Kurzform
In mehreren Stufen wird der Prozess erstellt und der entsprechende Algorithmus gewählt. Zunächst wird mithilfe eines Trainingssets an Daten ein Entwurf eines Algorithmus entwickelt. Anschliessend verwendet man ein Tuningset und schliesslich ein Test-Datenset. Einer der Fallstricke ist die zu enge Eingrenzung von Patientendaten beim Trainingsset. Dies kann zu einem sogenannten «overfitting» führen, was eine Verallgemeinerung auf eine breitere Patientengruppe erschwert. Ein "overfitting" sollte unbedingt vermieden werden, damit die Anwendung später an einer möglichst breiten Population mit einer entsprechenden Erkrankung eingesetzt werden kann. Ein «overfitting» entsteht zum Beispiel, wenn die Datenmenge zu klein ist oder alle Daten nur einen Teilbereich der später zu analysierenden Population darstellen.

Hierzu ein Beispiel:

Ziel eines KI-Algorithmus: Es sollen Patienten mit Schilddrüsenüberfunktion erkannt werden.

Das Trainingsset enthält nur Daten von zB Asiaten.

Anwendung: Das Endprodukt sollte somit auch nur bei Asiaten eingesetzt werden, da die Gültigkeit 
bei anderen Populationen nicht gewährleistet ist.