Adamm, Orb und Co. Wearables können heute dank Edge Technologie Vitaldaten nicht nur erfassen, sondern auch gleich analysieren. Intelligente Assistenten unterstützen die Mitarbeiter im Gesundheitswesen an den unterschiedlichsten Stationen. Zentrale Strukturen bei der Versorgung von Patienten werden den Herausforderungen in der Gesundheitsbranche nicht mehr gerecht. Fehlende Fachkräfte, chronische Erkrankungen und genereller Bedarf nach mehr Effizienz führen dazu, dass immer mehr Intelligenz in die Fläche wandert.
Die Gesundheitsbranche steht heute vor großen Herausforderungen, denn die Kosten explodieren weltweit. Die Marktforscher von Deloitte erwarten, dass die globalen Gesundheitsausgaben in 2022 auf 10 Billionen Dollar steigen. Im Jahr 2017 lagen sie noch bei 7,7 Billionen US-Dollar. Chronische Erkrankungen treten immer häufiger auf. Laut Weltgesundheitsorganisation (WHO) sterben weltweit jährlich 13 Millionen Menschen vor dem 70. Lebensjahr an Herz-Kreislauf-Erkrankungen, chronischen Atemwegserkrankungen, Diabetes und Krebs. Zudem wird es immer schwieriger, das nötige Personal zu finden, um medizinische Dienstleistungen flächendeckend anbieten zu können.
Wearables analysieren Vitalparameter
Eine Lösung, um diesen Herausforderungen zu begegnen, ist die Nutzung von IoT-Edge-Geräten und der sie unterstützenden Computerarchitekturen. So können tragbare Edge-Geräte kritische Patientendaten sammeln, speichern und analysieren, ohne in ständigem Kontakt mit einer Netzwerkinfrastruktur stehen zu müssen. Derartige Medizinprodukte unterstützen also schnelle und einfache Erstellungen von Diagnosen, ohne dass Patienten eine Praxis oder ein Krankenhaus aufsuchen müssen. Zusätzlich ist es möglich, die gesammelten Informationen in gewissen Zeitintervallen an die zentralen Server in der Cloud zu übermitteln. Dort können sie vom behandelnden Arzt kontrolliert oder für Langfrist-Diagnosen gespeichert werden.
Warnung vor Asthma-Anfällen mit Adamm
Ein Beispiel hierfür ist Adamm – ein tragbarer intelligenter Asthmamonitor, der die Symptome eines Asthmaanfalls vor dessen Ausbruch erkennt. So kann der Träger frühzeitig dagegen angehen, bevor es wirklich schlimm wird. Die Sensoren im Wearable erkennen die individuellen Symptome des Patienten. Sie überwachen dazu Hustenrate, Atemmuster, Herzschlag, Temperatur und andere relevante Messwerte.
Der Asthmamonitor verfügt über Algorithmen, mit denen er lernt was der „Normalzustand“ des Patienten ist. So erkennt er mit der Zeit immer besser, wenn sich ein Anfall andeutet. Dabei findet die Verarbeitung aller Daten auf dem Gerät selbst statt. Wann immer sie von der individuellen Norm des Patienten abweichen, vibriert das Wearable und informiert ihn so über die Abweichung. Gleichzeitig kann Adamm eine SMS an eine vorher festgelegte Pflegekraft oder Person des Vertrauens senden. Das Gerät hängt dabei nicht von der Rechenleistung eines Smartphones ab und bietet somit eine echte Autonomie. Es kann jedoch auch Daten nach Bedarf an eine App oder ein Webportal übertragen.
Unterstützung für Notruf-Zentralen
Doch nicht nur bei der Überwachung von Patientendaten helfen KI-unterstützte Edge-Geräte. Die dänische Firma Corti hat zum Beispiel ein System entwickelt, dass Einsatzleiter in Notrufstationen unterstützt. Bei „Orb“ handelt es sich um ein Echtzeit-Entscheidungssystem, dass mit KI-Technologie wichtige Muster im eingehenden Notruf identifiziert. Anschließend warnt es bei Ereignissen die Dispatcher, die eine möglichst schnelle Reaktion erfordern, wie zum Beispiel bei einem Herzinfarkt.
Dazu wird das Gerät einfach auf dem Tisch des Dispatchers platziert. Es verbindet sich mit dem Audio-Stream des Telefons, um Notrufe abzuhören. Das Gerät ist nicht explizit mit Mustervorfällen programmiert. Sondern der KI-Algorithmus lernt, indem er sehr vielen Anrufen zur Identifizierung von Schlüsselfaktoren lauscht. Das System berücksichtigt dabei auch nonverbale Klänge, die wichtige Hinweise liefern können. Edge Computing hat dabei nicht nur den Vorteil einer sehr schnellen Reaktion, wie Corti-Mitgründer und CTO Lars Maaløe betont: „Effizienz ist entscheidend für Edge-Geräte – besonders bei Notfall-Applikationen. Und Edge Computing hat den entscheidenden Vorteil, dass der Orb kontinuierlich funktioniert, auch wenn die Internetverbindung unterbrochen ist.“
Orb soll alleine durch das Zuhören über Telefon die Zahl unentdeckter Herzinfarkte um mehr als 50 Prozent reduzieren und innerhalb von 50 Sekunden erkennen, ob ein Herzinfarkt vorliegt. Ein entscheidender Zeitgewinn, denn vom Kollaps bis zum Beginn der Reanimation sinkt die Überlebenschance des Opfers um 10 Prozent pro Minute. Die Disponenten können also dringend Hilfe gebrauchen, um einen Herzstillstand schnell und effizient zu erkennen.
Bessere Bilder aus dem MRT
Aber auch im Krankenhaus hilft Edge-Technologie, die Leistungen für Patienten zu verbessern. So ermöglicht Edge Computing bei Magnetresonanz-Geräten von GE Healthcare schnellere Aufnahmezeiten, eine bessere Bildqualität und weniger Abweichungen. Die MRT-Geräte verfügen dazu über eingebettete, leistungsstarke Graphikprozessoren. Zusammen mit AIRx, einem KI-basierten, automatisierten Workflow-Tool für das MRT-Hirnscanning, ermöglichen sie die automatische Identifizierung von anatomischen Strukturen. Das System legt anschließend selbständig die Schnittpositionen und den Winkel der Bildaufnahmen für neurologische Untersuchungen fest. So verringern sich Fehler bei Aufnahmen und die Zeit, die der Patient im MRT-Gerät liegt, wird deutlich reduziert.
AIRx basiert auf Edison, einer General-Electric-Plattform, mit der die Entwicklung und Einführung von KI-Technologie beschleunigt werden soll. Edison, kann Daten aus unterschiedlichen Quellen integrieren und assimilieren. Außerdem fortschrittliche Analysen und KI anwenden, um die Daten zu transformieren, und daraus entsprechende Erkenntnisse zu generieren. „KI ist von grundlegender Bedeutung für die Präzisionsmedizin und muss von der Cloud bis zur Edge und direkt auf Medizinprodukten verfügbar sein“, betont Dr. Jason Polzin, General Manager of MR Applications, GE Healthcare. „Echtzeit-Anwendungen in der Intensivmedizin erfordern schlichtweg KI at the edge.“