Intelligente Diagnostik: KI erkennt Harnwegsinfektionen

Die traditionelle Diagnostik von Harnwegsinfektionen (engl. urinary tract infection, UTI), die eine manuelle mikroskopische Untersuchung von Urinproben beinhaltet, ist langsam und zeitaufwendig. Um die Effizienz zu verbessern, analysieren Geräte für das Screening von Urinproben verschiedene Parameter wie Bakterien und weiße Blutkörperchen. Die Interpretation dieser Daten ist jedoch komplex.

Forschende bei Fraunhofer Austria haben einen KI-basierten Entscheidungsbaum entwickelt, um dieses Problem zu lösen. Er analysiert mehrere Parameter von Urinproben und verbessert die Erkennung von Harnwegsinfektionen, indem er sowohl etablierte als auch neue diagnostische Indikatoren identifiziert und so die Genauigkeit und Effizienz erhöht. In diesem Interview mit MEDICA.de erklärt Giacomo Da Col, wie der Algorithmus funktioniert und wie er eingesetzt werden kann.

Herr da Col, können Sie uns etwas über die herkömmlichen Methoden zum Nachweis von Harnwegsinfektionen und ihre Grenzen erklären?

Giacomo da Col: In medizinischen Labors werden regelmäßig Harnwegsinfektionen untersucht. In einem unserer Partnerkrankenhäuser werden jährlich etwa 15.000 Urinproben auf Harnwegsinfektionen und andere Krankheiten untersucht. Traditionell wird eine kleine Probe ein bis zwei Tage lang unter dem Mikroskop untersucht, um bakterielles Wachstum nachzuweisen, aber diese manuelle Methode ist ineffizient, da zwei Drittel der Proben in der Regel negativ sind.

Um die Effizienz zu steigern, werden die Urinproben heute mit Hilfe von Screening-Geräten vorgefiltert. Diese Geräte analysieren 20 bis 40 Parameter, darunter die Anzahl der Bakterien und der weißen Blutkörperchen, die wichtige Infektionsindikatoren sind, sowie andere Elemente wie das Vorhandensein von Sperma und Schleim. Während diese Maschinen eine Vielzahl von Faktoren erkennen können, besteht die Herausforderung für Ärztinnen und Ärzte darin, diese umfangreichen Daten effektiv zu analysieren und in die reguläre medizinische Praxis zu integrieren, da sie sich normalerweise auf einige wenige Indikatoren konzentrieren.

Wie verbessert die neue KI-Methode diese traditionellen Ansätze?

da Col: Unsere Methode verwendet ein automatisiertes System mit einem Entscheidungsbaum-Algorithmus, um eine breite Palette von Parametern in Urinproben zu analysieren und die für Krankheiten relevantesten zu identifizieren. Dadurch erhalten Ärztinnen und Ärzte klare Erklärungen für ihre Diagnosen und können fundiertere Entscheidungen treffen. Der Entscheidungsbaum, der einfach und leicht verständlich ist, ordnet die Parameter nach ihrer Wichtigkeit. Er ist sowohl für Fachleute als auch für Nichtfachleute benutzerfreundlich.

Unser Ansatz bietet nicht nur eine umfassende Analyse, die über die Anzahl der Bakterien und der weißen Blutkörperchen hinausgeht, sondern stimmt auch mit wichtigen Parametern aus der medizinischen Literatur überein.

Was sind die Hauptvorteile dieser KI-basierten Methode?

da Col: Unsere Methode, die über den traditionellen Fokus auf Parameter wie Bakterien und weiße Blutkörperchen, wie sie in der medizinischen Fachliteratur genannt werden, hinausgeht, zeigt eine deutliche Verbesserung der Effizienz. Konkret haben wir eine zusätzliche 16%ige Verbesserung bei der Probenreduzierung erreicht, aufbauend auf der anfänglichen 45%igen Effektivität der vorher genannten Regel. Bei einem jährlichen Volumen von 15.000 Proben bedeutet dies eine geschätzte finanzielle Auswirkung von 40.000 € pro Jahr.

Entscheidend ist, dass wir eine hohe Sensitivität von etwa 95 % beibehalten haben. Bei medizinischen Tests ist eine Sensivität von 95 % ein Standardmaßstab, der besagt, dass bei einem Test nur ein Fehler pro 20 Proben zu erwarten ist. Jeder Test mit einer höheren Fehlerquote wird in der Regel als nicht sensitiv genug angesehen. Das Erreichen oder Überschreiten dieses Sensitivitätsniveaus ist entscheidend, da es die Zuverlässigkeit und Sicherheit des medizinischen Tests gewährleistet.

Vor welchen Herausforderungen standen Sie bei der Entwicklung dieser KI-Methode, und wie wurden diese gelöst?

da Col: Der Entscheidungsbaum, der für seine Einfachheit und Interpretierbarkeit bekannt ist, gibt es schon seit langem. Unser Ziel war es, diese Schlüsseleigenschaften des Entscheidungsbaums beizubehalten und sicherzustellen, dass jeder ihn ohne zusätzliches Training leicht lesen und verstehen kann. Wir wollten jedoch auch einige seiner Einschränkungen angehen. Trotz seiner Einfachheit wird der Entscheidungsbaum aufgrund gewisser Nachteile nicht in allen Anwendungen eingesetzt, was eine kontinuierliche Forschung zur Verbesserung erforderlich macht.

Eine große Herausforderung bei Entscheidungsbäumen ist ihre Empfindlichkeit gegenüber Ausreißern und leichten Veränderungen in der Datenverteilung. Um unsere Methode zu verbessern, haben wir uns darauf konzentriert, die Genauigkeit des Entscheidungsbaums zu erhöhen und gleichzeitig seine hohe Interpretierbarkeit zu bewahren. Unser Ziel war es, einen Algorithmus zu entwickeln, der ein ausgewogenes Verhältnis zwischen der Verbesserung der Genauigkeit bei der Behandlung von Datenvariabilität und Ausreißern und der einfachen und klaren Interpretierbarkeit für die Benutzer herstellt.

da Col: Unsere nächsten Schritte umfassen zwei Hauptziele. Erstens wollen wir dieses System zu einem Service entwickeln. Während der Studie haben wir gängige Werkzeuge aus der wissenschaftlichen Gemeinschaft verwendet, wie z. B. Standard-Python-Bibliotheken für maschinelles Lernen, und bei Bedarf eigenen Code hinzugefügt, um den Algorithmus zu verbessern. Unser Ziel ist es jedoch, ein ausgefeilteres System zu entwickeln, das es den Anwendern ermöglicht, den einmal trainierten Entscheidungsbaum nicht nur anzusehen, sondern auch mit ihm zu interagieren.

Zweitens wollen wir unser System, das zunächst in einem einzigen Krankenhaus getestet wurde, durch die Zusammenarbeit mit anderen Krankenhäusern auch extern validieren. Dies ist entscheidend für die Überprüfung der Anwendbarkeit und Zuverlässigkeit des Systems in verschiedenen medizinischen Umgebungen. Wir hatten zwar noch nicht die Gelegenheit, mit weiteren Krankenhäusern zusammenzuarbeiten, aber solche Partnerschaften wären von unschätzbarem Wert. Sie würden es uns ermöglichen, das System auf die spezifischen Daten jedes Krankenhauses zuzuschneiden und die Verallgemeinerbarkeit des Entscheidungsbaums zu testen, wodurch eine für beide Seiten vorteilhafte Situation entsteht, die den Nutzen des Systems im medizinischen Bereich erhöht.

Wie sehen Sie die Rolle der KI in der medizinischen Diagnostik, insbesondere in Bezug auf den Verwaltungsaufwand und die Diagnoseverfahren?

da Col: Im vergangenen Jahr gab es bemerkenswerte Fortschritte bei der KI, sowohl in Bezug auf die technologischen Fähigkeiten als auch auf die Integration in das tägliche Leben. Ein bemerkenswertes Beispiel ist ChatGPT, das ein beispielloses Wachstum erfahren hat. Es ist inzwischen weithin anerkannt, auch unter denjenigen, die es nicht benutzen, als ein System, das in der Lage ist, Gespräche auf nahezu menschlichem Niveau zu führen. Diese Leistung ist vergleichbar mit dem Bestehen des Turing-Tests, ein Meilenstein, der noch vor einem Jahr unglaublich erschien, aber von der Öffentlichkeit fast unbemerkt geblieben ist.

Mit Blick auf die Zukunft ist es schwierig, die Entwicklung der KI vorherzusagen, insbesondere auf kurze Sicht, da wir am Anfang einer steilen Exponentialkurve bei den KI-Anwendungen stehen. Auf dem Gebiet der Medizin ist man natürlich sehr vorsichtig. Der Entwurf unseres Algorithmus betont die Interpretierbarkeit, ein Schlüsselaspekt, der bei vielen anderen KI-Ansätzen nicht im Vordergrund steht. Da sich die KI weiterhin rasant entwickelt, werden ihre Auswirkungen und Anwendungen in verschiedenen Bereichen, darunter auch in der Medizin, wahrscheinlich zunehmen, aber es ist von entscheidender Bedeutung, den technologischen Fortschritt mit Überlegungen wie Interpretierbarkeit und ethischer Nutzung in Einklang zu bringen.