graphic
graphic

Liebe Kolleginnen und Kollegen,

noch nie in der Geschichte der Medizin konnten wir eine so umfassende Revolution unseres Fachgebiets erleben, wie es derzeit geschieht. Diese Revolution umfasst das grundlegende Verständnis zur Entstehung von Krebserkrankungen, die diagnostischen Möglichkeiten zur Früherkennung auf Zellebene, die molekulare Charakterisierung von Tumoren und natürlich auch deren Behandlung. Immer mehr Tumorerkrankungen, die viele von uns am Anfang ihrer Laufbahn als wahre Killer wahrgenommen haben, lassen sich nun teils durch Tabletten langfristig unter Kontrolle bringen, wenn nicht sogar heilen.

Ein wesentlicher Treiber dieser Entwicklung, insbesondere in den wenigen letzten Jahren, ist die Entwicklung des Machine Learnings und den daraus resultierenden Anwendungen künstlicher Intelligenz (KI). In jenen Bereichen der Medizin, die mit bildgebenden Informationen umgehen, kann sicherlich heute bereits eine deutliche Überlegenheit der künstlichen Intelligenz im Vergleich zur humanen Intelligenz festgestellt werden. KI-Bilderkennung bezieht sich hierbei nicht nur auf die Bereiche der Pathologie, der Dermatologie oder der klassischen Radiologie, in denen die KI-Systeme selbst im Vergleich mit erfahrenen Spezialistinnen und Spezialisten eine beeindruckend verbesserte Sensitivität und Spezifität in der Befundung erreichen [1, 2, 3, 4, 5]. KI-Systeme werden nicht nur darauf trainiert, maligne Tumoren zu erkennen. Darüber hinaus können KI-Systeme bereits bald die Histologie des Tumors aus den Daten der CT-Bildgebung bestimmen und die wahrscheinliche individuelle Prognose der Betroffenen nennen [6, 7]. Erfolgreiche Unterstützung in der Erkennung maligner Läsionen bieten die Systeme auch bei den endoskopischen Verfahren, was zur einer erfreulichen erhöhten Sicherheit für unsere Patientinnen und Patienten führt [8, 9]. Noch beeindruckender sind die vielen Publikationen zur KI-unterstützten molekularpathologischen Diagnostik. So gelingt es KI-Systemen bereits, mittels Betrachtung von einfachen histologischen HE-Färbungen nicht nur einzelne Treibermutationen herzuleiten, sondern eine Vielzahl von Mutationen zu beschreiben. Um dies noch einmal zu betonen: Dies geschieht durch reine Bildbetrachtung eines histologischen Präparates ohne den Einsatz molekularpathologischer Labormethoden [10, 11]. Die Auswirkungen der größten onkologischen Revolution werden wir wahrscheinlich bald durch eine Flut neuer zielgerichteter Therapeutika bemerken: den Einsatz von KI-Systemen wie dem Pionier Deepmind AlphaFold. Diese ermöglichen durch Analyse der Tumor-RNA eine Vorsage über die hier kodierten Tumorproteine in dreidimensionaler Darstellung. Es ist zwar noch Zukunftsmusik, aber diese Entwicklung könnte dazu führen, dass freie Tumor-DNA, die im Rahmen einer Vorsorgeuntersuchung im Blut detektiert wurde, die Entwicklung individueller Impfstoffe noch vor klinischer Ausbildung der Krebserkrankung ermöglichen könnte [12, 13, 14, 15, 16].

Nun zurück von der atomaren zur realen Welt. Welche Rolle spielt die Digitalisierung in der klinischen Routine unserer Patientenversorgung? Hier müssen wir unterscheiden zwischen der täglichen Praxis, den Anwendungen, die bereits bei den Patientinnen und Patienten angekommen sind und der politischen Vision zur digitalen Infrastruktur der Zukunft in Deutschland.

Die digitale Realität der täglichen Praxis ist sicherlich sehr heterogen und reicht von Praxen mit weiterhin Papier-basierter Aktenführung bis hin zu einzelnen, voll digitalisierten Kliniken. Die Verwendung neuer Tools wird letztendlich vorwiegend vom Interesse und der Motivation der Anwender bestimmt. Das Potential einer KI-unterstützen Praxis lässt sich erahnen, wenn man sich aktuelle Publikationen hierzu anschaut. So können KI-Anwendung, die im Hintergrund von klinischen Informationssystemen aktiviert sind, Hinweise auf eine zu erwartende terminale Lebensphase des Patienten geben. Durch diese Art des «nudgings» kann die Gesprächsführung angepasst und wichtige Punkte adressiert werden, beispielsweise «kennen Ihre Angehörigen alle wichtigen Passwörter?» [17]. In Praxissoftware integrierte KI kann durch Analyse der hinterlegten Daten bislang nicht erkannte Erkrankungen signalisieren oder durch Stimmanalyse auf die Entwicklung einer psychiatrischen Erkrankung hinweisen [18, 19]. Wenn eine KI die telefonischen Kontakte beantwortet, könnte die digitale Beratung sogar als freundlicher und kompetenter im Vergleich zum teils gestressten medizinischen Fachpersonal wahrgenommen werden [20].

Auch die Gesundheitspolitik erkennt diese revolutionären Möglichkeiten, denn die Umsetzung der Ziele des Nationalen Krebsplans im Rahmen der Dekade gegen den Krebs wurden nicht aus den Augen verloren. Hierzu sind im Ergebnis beispielsweise die Einführung der elektronischen Patientenakte (ePa) und verschreibungsfähiger digitaler Gesundheitsanwendungen (DiGA) zu nennen.

Der Grundgedanke der für Patientinnen und Patienten konzipierten DiGA ist, die Chancen der Digitalisierung für die unmittelbare Verbesserung der realen Versorgung zu nutzen. Die bei der Verwendung von sinnvollen digitalen Gesundheitsanwendungen erhobenen Daten (patient related data/outcome) bieten scheinbar grenzenlose Möglichkeiten, beispielsweise zur Beurteilung und zum Vergleich verschiedener therapeutischer Ansätze in der realen Welt [21, 22]. Onkologische Smartphone-Apps sind beispielsweise in der Lage, die Lebensqualität und Tumor- oder Therapie-bedingte Nebenwirkungen zu erkennen und zu erfassen [23, 24]. Sie können auch einen relevanten medizinischen Nutzen aufweisen, der beispielsweise durch situationsspezifische Informationen oder individualisierte Empfehlungen zur medizinischen Intervention erreicht werden kann [25, 26, 27, 28, 29, 30, 31, 32].

Um das volle Potential der genannten Innovationen in der onkologischen Versorgung zu entfesseln, sind aber noch ein paar gesundheitspolitische Hausaufgaben zu erledigen. Zu diesen gehört, wie in den meisten Nachbarländern üblich, den Spielraum zur Umsetzung der Europäischen Datenschutzgesetzgebung zu nutzen und ein Forschungs-freundlicheres Umfeld zu gestalten. Zudem müssen die für Studien erforderlichen Genehmigungen durch Behörden und Ethikkommissionen einheitlich, zeitnah und vor allem einmalig und übergreifend für Deutschland erfolgen. Nicht zuletzt erfordern Real World Data auch neue und innovative statistische Modelle. Das bewährte Konzept klassischer randomisierter Phase-III-Studien ist nicht ausreichend geeignet, um die Wirksamkeit therapeutischer Innovationen in der realen Welt darzustellen [33]. Hier benötigen wir den Willen und den Mut zur Anerkennung innovativer Statistikmodelle zur Evidenzgenerierung der neuen Realität.

Es grüßen sie herzlich,

PD Dr. Thomas Elter

Dr. Tabea Constanze Fröhlich

1.
Cellina
M
, et al
.
Artificial Intelligence in Lung Cancer Imaging: Unfolding the Future
.
Diagnostics (Basel)
.
2022 Oct 31
;
12
(
11
):
2644
.
2.
Esteva
A
,
Kuprel
B
,
Novoa
R
, et al
.
Dermatologist-level classification of skin cancer with deep neural networks
.
Nature
.
2017
;
542
:
115
118
.
3.
Chen
S
, et al
.
Deep learning-based pathology signature could reveal lymph node status and act as a novel prognostic marker across multiple cancer types
.
Br J Cancer
.
2023 Jul
;
129
(
1
):
46
53
.
4.
Bulten
W
,
Kartasalo
K
,
Chen
PHC
, et al
.
Artificial intelligence for diagnosis and Gleason grading of prostate cancer: the PANDA challenge
.
Nat Med
.
2022
;
28
:
154
163
.
5.
Nam
JG
, et al
.
AI Improves Nodule Detection on Chest Radiographs in a Health Screening Population: A Randomized Controlled Trial
.
Radiology
.
2023
.
6.
Chaunzwa
TL
, et al
.
Deep learning classification of lung cancer histology using CT images
.
Sci Rep
.
2021
;
11
:
5471
.
7.
Baek
S.
,
He
Y
,
Allen
BG
, et al
.
Deep segmentation networks predict survival of non-small cell lung cancer
.
Sci Rep
.
2021
;
9
:
17286
.
8.
Artificial intelligence for diagnosing neoplasia on digital cholangioscopy: development and multicenter validation of a convolutional neural network model
.
Endoscopy
.
2023 Aug
;
55
(
8
):
719
727
.
9.
Yamada
,
M.
,
Saito
,
Y.
,
Imaoka
,
H.
et al
.
Development of a real-time endoscopic image diagnosis support system using deep learning technology in colonoscopy
.
Sci Rep
.
2019
;
9
:
14465
.
10.
Saldanha
,
O.L.
,
Loeffler
,
C.M.L.
,
Niehues
,
J.M.
et al
.
Self-supervised attention-based deep learning for pan-cancer mutation prediction from histopathology
.
NPJ Precis. Onc
.
2023
;
7
:
35
.
11.
Pao
,
J.J.
,
Biggs
,
M.
,
Duncan
,
D.
et al
.
Predicting EGFR mutational status from pathology images using a real-world dataset
.
Sci Rep
.
2023
;
13
:
4404
.
12.
Accurate prediction of protein assembly structure by combining AlphaFold and symmetrical docking
.
Nat Commun
.
2023 Dec 13
;
14
(
1
):
8283
.
13.
Cai
Y
, et al
.
Artificial intelligence applied in neoantigen identification facilitates personalized cancer immunotherapy
.
Front Oncol
.
2023 Jan 9
:
12
:
1054231
.
14.
Jumper
J
, et al
.
Highly accurate protein structure prediction with AlphaFold
.
Nature
.
2023
;
596
:
583
589
.
15.
Baek
M
, et al
.
Accurate prediction of protein structures and interactions using a three-track neural network
.
Science
.
2023
;
373
:
871
876
.
16.
Lin
Z
, et al
.
Evolutionary-scale prediction of atomic level protein structure with a language model
.
Science
.
2023
;
379
:
1123
1130
.
17.
Manz
CR
, et al
.
Long-term Effect of Machine Learning: Triggered Behavioral Nudges on Serious Illness Conversations and End-of-Life Outcomes Among Patients With Cancer
.
JAMA Oncol
.
2023
;
9
(
3
):
414
418
.
18.
Placido
D
, et al
.
A deep learning algorithm to predict risk of pancreatic cancer from disease trajectories
.
Nat Med
.
2023 May
;
29
(
5
):
1113
1122
.
19.
Garriga
R
, et al
.
Machine learning model to predict mental health crises from electronic health records
.
Nat Med
.
2022 Jun
;
28
(
6
):
1240
1248
.
20.
Ayers
JW
, et al
.
Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum
.
JAMA Intern Med
.
2023 Jun 1
;
183
(
6
):
589
596
.
21.
Cruz Rivera
S
, et al
.
Embedding patient-reported outcomes at the heart of artificial intelligence health-care technologies
.
Lancet Digit Health
.
2023 Mar
;
5
(
3
):
e168
e173
.
22.
Govindaraj
R
, et al
.
Assessing Patient-Reported Outcomes in Routine Cancer Clinical Care Using Electronic Administration and Telehealth Technologies: Realist Synthesis of Potential Mechanisms for Improving Health Outcomes
.
J Med Internet Res
.
2023 Nov 28
:
25
:
e48483
.
23.
Klier
K
, et al
.
Corrected QT Interval (QTc) Diagnostic App for the Oncological Routine: Development Study
.
JMIR Cardio
.
2023 Sep 11
;
7
:
e48096
.
24.
Harbeck
N
, et al
.
Significantly longer time to deterioration of quality of life due to CANKADO PRO-React eHealth support in HR+ HER2- metastatic breast cancer patients receiving palbociclib and endocrine therapy: primary outcome analysis of the multicenter randomized AGO-B WSG PreCycle trial
.
Ann Oncol
.
2023 Aug
;
34
(
8
):
660
669
.
25.
Schunn
FA
, et al
.
Oncologic treatment support via a dedicated mobile app: a prospective feasibility evaluation (OPTIMISE-1)
.
Strahlenther Onkol
.
2023 Nov 10
.
26.
Zion
SR
, et al
.
Changing cancer mindsets: A randomized controlled feasibility and efficacy trial
.
Psychooncology
.
2023 Sep
;
32
(
9
):
1433
1442
.
27.
Kaidar-Person
O
, et al
.
Evaluating the ability of an artificial-intelligence cloud-based platform designed to provide information prior to locoregional therapy for breast cancer in improving patient's satisfaction with therapy: The CINDERELLA trial
.
PLoS One
.
2023 Aug 3
;
18
(
8
):
e0289365
.
28.
Adam
R
, et al
.
Can-Pain-a digital intervention to optimise cancer pain control in the community: development and feasibility testing
.
Support Care Cancer
.
2021 Feb
;
29
(
2
):
759
769
.
29.
Wolff
J
, et al
.
Digital therapeutic to improve cancer-related well-being: a pilot randomized controlled trial
.
Int J Gynecol Cancer
.
2023 Jul 3
;
33
(
7
):
1118
1124
.
30.
Kates
RE
, et al
.
Trained Artificial Intelligence (AI) for Predicting Treatment Termination Based on Patient Observations in Advanced Breast Cancer
.
Eur J Cancer
.
2022
;
175
(
1
):
S72
.
31.
One Million Cancer Treatment Months (OMCAT)
;
2023
.
32.
Phillips
SM
, et al
.
Optimization of a technology-supported physical activity promotion intervention for breast cancer survivors: Results from Fit2Thrive
.
Cancer
.
2022 Mar 1
;
128
(
5
):
1122
1132
.
33.
Saesen
R
, et al
.
Defining the role of real-world data in cancer clinical research: The position of the European Organisation for Research and Treatment of Cancer
.
Eur J Cancer
.
2023 Jun
;
186
:
52
61
.