KI im Gesundheitswesen - Ohne Problem, keine Lösung? [>] Eva Theiler, inhive Group

Künstliche Intelligenz im Gesundheitswesen: Hype, Heilsversprechen oder echter Hebel für bessere Versorgung? In dieser Episode nimmt Host Dominik Flener gemeinsam mit Eva Theiler, Senior Manager Health & Digital Innovation bei inhive Group, den großen KI-Hype auseinander und fragt: Wo entsteht im Gesundheitswesen wirklich Mehrwert, und wo wird nur die nächste digitale Hoffnung verkauft?

Eva Theiler ist Unternehmensberaterin an der Schnittstelle zwischen digitaler Gesundheit und Organisationsentwicklung. Sie hat frühe KI- und Machine-Learning-Anwendungen in der medizinischen Forschung miterlebt, bei Roche Diagnostics im  Technologietransfer gearbeitet und in den USA erlebt, wie digitale Gesundheit in integrierten Versorgungssystemen funktionieren  kann. Ihr Blick auf KI ist deshalb weder euphorisch noch defensiv, sondern vor allem realistisch: KI kann heute schon viel, aber sie braucht die richtigen Daten, sichere Infrastrukturen, klare Verantwortung und konkrete Probleme, die sie lösen soll.

Denn der entscheidende Punkt ist nicht: „Wie bringen wir KI ins Gesundheitswesen?“ Sondern: „Welches Problem ist so relevant, dass KI dort wirklich helfen kann?“

Highlights dieser Folge:

• Warum KI im Gesundheitswesen weniger an Technologie als an Governance, Datenqualität und Organisation scheitert
• Was Europa und die USA im Umgang mit Gesundheitsdaten unterscheidet
• Wie KI bei Sepsis-Früherkennung, Triage und Dokumentation echten klinischen Nutzen stiftet
• Warum Ärzt:innen nicht ersetzt, aber künftig stärker KI-gestützt arbeiten werden
• Weshalb erfolgreiche KI-Projekte mit kleinen, klaren Use Cases beginnen sollten
• Warum Patient Outcomes der wichtigste KPI für KI im Gesundheitswesen bleiben

Diese Episode ist für alle, die verstehen wollen, wie KI im Gesundheitswesen jenseits des Hypes wirklich wirksam werden kann und welche Voraussetzungen dafür geschaffen werden müssen.


LINKS ZUR EPISODE

Eva Theiler auf LinkedIn

FEEDBACK & SOCIAL MEDIA

Du hast Feedback zu dieser Episode?
Schreibe uns gerne an [e-mail].

Folge dem Host Dominik Flener
LinkedIn | Facebook | Instagram

Folge dem Healthcare Changers Podcast
LinkedIn | Facebook | Instagram

Macher und Gäste

Gastgeber

Dominik Flener

Was ist Healthcare Changers Podcast?

In diesem Podcast dreht sich alles um Innovationen, Trends und echte Veränderungen, die unsere Gesundheitssysteme in Österreich, Deutschland sowie der Schweiz heute schon verändern bzw. in den kommenden Jahren noch deutlich verändern werden.

Podcast-Host Dominik Flener diskutiert mit innovativen, spannenden und kreativen Persönlichkeiten aus Start-Ups, internationalen Unternehmen, der Politik und wichtigen Stakeholdern des Gesundheitssystems - mit einem Ziel: Dir eine wirksame Dosis Inspiration und Wissensvorsprung für das Gesundheitswesen von morgen zu geben.

Das klingt spannend für dich? Dann abonniere doch gerne diesen Podcast und verpasse keine Episode.

Du hast Feedback zu einer Episode? Schreibe uns gerne an [e-mail].

Flener: Buzzword-Alarm. In dieser Episode geht es um künstliche Intelligenz, aber nicht um den großen Jobkiller oder das Tool für alles, sondern es geht um die Frage, welchen Mehrwert KI tatsächlich im Gesundheitswesen leisten kann. Als Gesprächspartnerin habe ich mir dafür eine Insiderin mit Erfahrungen in Österreich, der Schweiz und den USA eingeladen und das ist Eva Theiler.

Eine Episode des Healthcare Changers Podcasts. Das ist deine hörbare Dosis Inspiration und Wissensvorsprung für das Gesundheitswesen von morgen. Mein Name ist Dominik Flehner. Ich bin Geschäftsführer der Healthcare Consulting Group und Host dieses Podcasts. In dieser Episode spreche ich mit Eva Theiler darüber, wie die ersten Studien von KI-Anwendungen vor einigen Jahren ausgesehen haben und was heute davon noch Gültigkeit hat.

Wir diskutieren, wie Gesundheitsdaten besser genutzt werden können, wo KI heute schon konkret unterstützt, warum die Umsetzung oft an relevanten Use Cases scheitert und wie nah KI an Ärztinnen und Patientinnen dran sein muss, um einen echten Mehrwert zu liefern. Losgeht, noch eine Bitte: Wenn dir dieser Podcast gefällt, dann abonniere ihn im Podcast-Player deiner Wahl und empfiehl ihn gerne einer Freundin oder einem Freund in deinem Umfeld weiter.

Und jetzt freue ich mich auf das heutige Gespräch mit Eva Theiler. Ja, hallo Eva, herzlich willkommen bei mir im Podcast. Du bist frisch zurück aus Amerika, bist aber Österreicherin und wir werden heute über das Thema KI sprechen. Und insofern bin ich sehr gespannt, wie es uns gelingen wird, zu all den Buzzwords und zu all dem, sage ich einmal, Aufsehen, das um dieses Thema aktuell gemacht wird, hier eine, sage ich mal, sachliche und nüchterne, im Sinne von analytische, ähm, Episode danebenzusetzen und freue mich auf das Gespräch mit dir.

Für meine Zuhörer: Wer bist du und was war so ein bisschen dein bisheriger Lebensweg im Konnex immer mit diesem Thema KI?

Theiler: Ja, hallo Dominik. Vielen Dank für die Einladung. Ähm, mein Name ist Eva Theiler. Ich bin aktuell Unternehmensberaterin für die Schnittstelle zwischen digitaler Gesundheit und Organisationsentwicklung.

Das Ganze kam aber so, dass ich mich schon relativ früh für komplexe molekulare Systeme interessiert habe und bin dann zum Studium der molekularen Biotechnologie nach Heidelberg, wo dann irgendwann klar wurde, so große komplexe Systeme kann man eigentlich nur verstehen mit, ähm, Tools der Bioinformatik.

Und da ist dann der Weg nicht weit von der Bioinformatik übers Machine Learning in die künstliche Intelligenz und habe dort zum einen dann mit einem Aufenthalt an der Harvard Medical School, aber auch an der Universitätsklinik in Heidelberg, verschiedene Algorithmen, prädiktive Algorithmen entwickelt für die Krebstherapie, aber auch für, ähm, die sogenannte Mobile Health Anwendungen.

Also wie können wir unsere Fitness-Tracker, unsere Daten, die wir so und so passiv aufnehmen, äh, für Gesundheitsanwendungen verwenden?

Flener: Ja, jetzt ist das ja schon ein bisschen her. Kannst du das vielleicht uns auch zeitlich noch mal einordnen? Weil das muss man immer so in der KI-Geschichte-

Theiler: Gerne.

Flener: Tun ja manche so, als hätte man das vor drei Jahren erfunden, aber die Historie geht ja manchmal ein bisschen weiter zurück.

Kannst du es noch mal kurz für uns zeitlich verorten, wo wir uns da in den Jahreszahlen aktuell ein bisschen befinden würden?

Theiler: Sehr gerne. Wir sprechen da von den Jahren 2013 bis 2017, also da, wo wir gerade im medizinischen und bioinformatischen Bereich aus dem Machine Learning in die ersten KI-Anwendungen gegangen sind.

Das war alles noch sehr frisch, sehr neu, äh, noch weit weg vom, vom großen Hype und hat man auch die Begriffe noch ganz anders bezeichnet. Was aber damals schon klar wurde, ist, dass- Der Weg zwischen einer Innovation, die gerade auch im akademischen System entwickelt wird, bis zur Anwendung am Patienten, ist sehr, sehr lang.

Und das ist das, was mich dann auch 2020 in den Technologietransfer zu Roche Diagnostics in die Schweiz geführt hat, um eben mit Start-ups, aber auch der Infrastruktur von einem Großkonzern, diese, diesen Weg der digitalen Innovation ein bisschen zu beschleunigen. Und jetzt bin ich in der Unternehmensberatung angelangt aus einem weiteren Grund, einer weiteren Hürde, nämlich dass wir die Digitalisierung, gerade auch die KI-Anwendung im Gesundheitsbereich, nicht ohne Organisationsentwicklung denken können.

Das ist eine der größten Barrieren, Eintrittsbarrieren, und das ist das, wo ich mich gerade damit beschäftige.

Flener: Mhm. Jetzt hast du gesagt, du warst bei Roche Diagnostics in der Schweiz, ja, was jedenfalls spannend ist. Referenz auf eine meiner letzten Episoden, Uta Maria Ohndorf, Geschäftsführerin von Roche Diagnostics.

Die ist es umgekehrt gegangen. Die war zuerst Unternehmensberatung, dann Roche Diagnostics. Du umgekehrt, also warst bei Roche Diagnostics und bist dann aber in die USA gegangen. Was war da vielleicht noch mal die Motivation jetzt für den Schritt in die USA?

Theiler: Wie sehen digitale Gesundheitsanwendungen in der breiten Anwendung aus?

Also wie fühlt sich das auch als, ähm, Patientin an, aber auch, äh, wie strukturieren sehr innovative Organisationen wie zum Beispiel Duke Health ihre, ja ihren digitalen Alltag.

Flener: Mhm. Jetzt wär's ja interessant, wenn wir über Gesundheitssysteme sprechen, dann sprechen wir oft über europäische Systeme. Ja, jetzt mal aus der österreichischen Brille, dann blicken wir immer neidisch und neugierig, ich glaube, in der Kombination in die skandinavischen Länder, die vor allem in der Digitalisierung jetzt auf europäischem Boden, glaube ich, sehr voraus sind.

Und dann kommt ja oft der Blick, sage ich mal, über den großen Teich in die USA und der ist ja für mich immer ein bisschen ambivalent zwischen diesem sehr eigenwilligen Gesundheitssystem, das jetzt aus unserer solidarischen Verständnis heraus ja einfach viele durch den Rost fallen lässt. Mit Obama Care ist es, glaube ich, besser geworden, aber im Vergleich zu unserem System noch immer ganz anders und gleichzeitig dieser hohen Innovationskraft aufgrund dieses Systems USA, sage ich einmal.

Mhm. Kannst du aber da noch mal ein bisschen eine Verortung geben? Wie, wie, wie funktioniert das jetzt in diesem Gesundheitssystem mit dieser Innovation? Ist das dann nur was für, für, für die Rich, ja, und, und, und die Poor fallen dann ganz durch. Aber dann noch mal, wie gesagt, ne, es ist spannend, das zu sehen im Sinne der, der Implementierung der Systeme.

Aber wie schaust du auf diesen Markt vielleicht auch in Kombination oder im Vergleich zu europäischen Gesundheitsmärkten?

Theiler: Du hast es genau richtig, äh, beschrieben. Es gibt in den USA diese riesengroße Diskrepanz. Es ist auf der einen Seite, wenn du, ähm, gut ausgebildet bist, einen hohen Lohn hast, bei einem Arbeitgeber bist, der dir eine gute Versicherung zahlt, hast du einen viel, viel leichteren Zugang zu Gesundheitsinnovationen im Vergleich, ähm, zu Ländern wie zum Beispiel Österreich.

Auf der anderen Seite vom Spektrum, wenn du zum Beispiel nur temporär angestellt bist oder zum Schluss auch selbstständig, ähm- kannst du dir oft eine Gesundheitsversicherung nicht leisten und damit hast du gar keinen Zugang zu den Gesundheitsinnovationen. Also es ist sehr in den USA sehr schwarz und weiß.

Was ich auch im US-System ganz spannend fand, sind, ähm, die sogenannten Integrated Health Care Provider, wo dann Versicherung und Krankenanstalt in einer Organisation zusammengefasst sind. Die können nämlich wirklich dann in, ähm, digitale Innovationen und in Prävention investieren, weil sich's bei denen dann halt entlang der ganzen Wertschöpfungskette, also dieses, wo wir immer wieder drüber sprechen, was ist denn der Return of Investment eines, äh, einer KI-Anwendung?

Die lässt sich dort halt viel schöner nachvollziehen.

Flener: Mhm. Gut. Vielen Dank mal für diese Verortung. Wir werden ja auf die einzelnen Länder werden wir noch ein bisschen eingehen. Du hast vorher gesagt, du hast dich am Anfang sehr stark mit diesem Thema Predictive Data beschäftigt. Können wir da noch mal beginnen, um das sozusagen historisch ein bisschen aufzurollen?

Du hast gesagt, auch in unserem Vorgespräch, du warst dabei, wie diese ersten Apple Health Kits Studies, äh, abgelaufen sind etc. Das ist ja so nach ein bisschen so Gründerzeit, wenn ich jetzt das so nennen will. Kannst du das ein bisschen beschreiben? Worum ging's damals? Wie hat man da schon gewusst, wohin die Reise gehen wird, was da für ein Potenzial vielleicht drinsteckt?

Äh, gib mir mal so ein bisschen Einblicke in diese Anfangszeit.

Theiler: Ich glaube, vergleichbar ist das am ehesten mit dem, wie sich vielleicht Pioniere im Goldrausch gefühlt haben. Es ging wirklich darum, plötzlich große Datenmengen zu haben, wo man sonst nie Zugang dazu hatte. Also davor, also vor den Apple Health Kit Studies, waren Studien ganz strukturierte, mit Studienprotokollen versehene Aktivitäten, wo du nicht zufälliges Hypothesentesten machen konntest drauf, sondern du hast die Daten ganz strukturiert dafür erhoben.

Die Apple Health Kit oder auch Research Kit Studies genannt, die haben das Ganze umgedreht und haben gesagt, wir fragen Leute, die Health Kit und, und Apple Watches haben, ihre Daten zur Verfügung zu stellen und wir machen dadrauf wildes, also wildes Hypothesentesten sozusagen. Also um die Forschung auch viel näher an den Alltag der Patienten und Patientinnen ranzubringen.

Wir haben damals auch die ersten Gespräche mit Pharmafirmen geführt, ob man dann solche Art von, die nennt man Variables. Also ich habe jetzt gerade von der Apple Watch gesprochen, aber es gibt auch, es gibt noch, äh, Fitbit, Garmin und noch ganz viele weitere Anbieter von sogenannten Variables. Äh- Die einzusetzen für die klinischen Studien.

Flener: Aber wie war das? Also da, da kommt immer der erste Punkt immer: Wer gibt die Daten her? Ja, das ist ja das, was wir in Europa immer heiß diskutieren. Das ist alles schön und gut, aber wer gibt seine Daten her? Dann sagen immer viele: "Super, man müsste in China sein, weil da ist alles wurscht, da entscheidet's der Staat."

Wie ist es in den USA? Ist es, hab ich auch das Gefühl, dass die Leute eigentlich viel bereitwilliger, ähm, dabei sind oder an Bord sind, wenn's darum geht, ihre Daten zu teilen.

Theiler: Also da, die Rückmeldungen waren überwältigend. Innerhalb der ersten vierundzwanzig Stunden hatten sich schon tausende Menschen für diese Studien registriert.

Es gab da verschiedene, von Parkinson über Asthma zu Diabetes, ähm, mit den unterschiedlichsten Parametern. Aber ja, Leute waren auch fasziniert davon: Was können die Sensoren der iPhones und der Apple Watches überhaupt leisten?

Flener: Gut, das war die Anfangszeit so. Was ist jetzt von dem übrig geblieben? Ihr werdet ja auch ein paar Hypothesen gebildet haben- Genau.

-was ihr da rauskriegt aus den Daten. Wie weit war Euphorie und Ernüchterung dann zusammen?

Theiler: Die Euphorie und die Ernüchterung kamen da quasi Hand in Hand, weil auf der einen Seite konnte man plötzlich recht viele Muster sehen. Also ich persönlich hab zum Beispiel an der Glucose-Access-Studie mitgearbeitet, äh, die sich damit beschäftigt hat, wie können Bewegungsdaten und Glukosewerte von Diabetespatientinnen so analysiert werden, dass man eine Hyper- oder Hypoglykämie direkt voraussagen kann.

Das war möglich mit der Kombination der Daten, gleichzeitig aber auch diesen Algorithmus, den wir damals entwickelt haben, bis zur Anwendung zu bringen, also Anwendung im Sinne von durch alle regulatorischen Stadien der Zulassung durchzubringen. Das war der Punkt, wo dann die Ernüchterung kam, weil da war klar, dieser Weg wird mindestens fünf bis zehn Jahre dauern, bis man die Daten dafür auch strukturiert erhoben hat, weil Datenspenden sind in den USA teilweise verwendbar für Zulassungen, Fragezeichen.

Also in, in Grenzfällen in Europa gar nicht. Da muss dafür erfasst werden und auch nur, darf nur von Medizinprodukten erfasst werden, was ja viele dieser Geräte nicht sind. Also da kam dann auch ein Teil der, der Ernüchterung.

Flener: Jetzt kann man ja, wenn man über Daten spricht, ja immer zwei oder mehrere Anwendungs-Cases auch daraus entwickeln.

Da geht's immer um die Frage: Wofür verwende ich diese Daten? Versuche ich, zu, zukünftige Fälle, sage ich mal, präventiv vorherzusagen? Geht's mir darum, dass ich's zurückanalysiere? Ist es für mich, ist es, sage ich mal, für meinen Arzt, ist es für das System? Kannst du dieses Thema Datennutzung, ja, ähm, und worin liegt, sage ich mal, auch vielleicht der Wert dieser Daten, die ihr dort erhoben habt?

Jetzt bleibe ich mal noch, das, das Zulassungsthema lasse ich noch mal außen vor, aber jetzt, okay, wofür erheben wir das? Was haben wir da für ein Potenzial? Kannst du das, äh, noch mal erläutern? Was waren da eure Überlegungen damals, wohin da die Reise gehen kann?

Theiler: Die Überlegungen waren zu sagen: Kriegen wir's hin- Faktoren zu korrelieren, die bis dato nicht korrelierbar waren.

Also zum Beispiel kann man Asthma mit gewissen Wetterdaten korrelieren und gewisse Vitalparameter, die bei Asthma relevant sind, mit den Wetterdaten korrelieren. Können wir da Asthma-Patientinnen helfen und quasi über die Apple Watch sagen: „Heute bitte eher nicht rausgehen oder morgen, ähm, morgen wird's wieder besser."

Also so, es ging auch viel darum: Können wir Gesundheitsanwendungen entwickeln, die am Ende den Alltag von Patienten und Patientinnen mithilfe dieser prädiktiven Daten besser

Flener: machen. Und was war das Ergebnis?

Theiler: Das Ergebnis war, dass es, dass es möglich ist. Also es war ein Proof-of-Concept-Studie und heutzutage ist es in der breiten Anwendung, also zum Beispiel Apple Watches.

Ich hatte gerade erst den Fall von einer guten Freundin, deren Vater leider einen Herzinfarkt hatte und er ist früh genug ins Krankenhaus gegangen, weil die Apple Watch gesagt hat: „Du, dein, dein Herzrhythmus passt gerade nicht und die Herzfrequenz, ähm, ist auch weit weg vom normalen Bereich." Also das, was damals angedacht war, ist inzwischen als Wellnessprodukt in der Anwendung, aber noch nicht als Medizinprodukt in Europa.

Flener: Gut. Das heißt, wir sehen, in dieser Zeit sind damals Ideen entstanden, ja, die dann den Weg vereinzelt oder auch schon größeren Stil dann in das Gesundheitswesen oder in die Gesundheitsvorsorge, ähm, gefunden haben. Was ja jetzt eben, glaube ich, genau die zwei Dinge noch mal zu unterscheiden ist. Du hattest gesagt, ein Wellnessprodukt, das ist ja eine Herausforderung.

Eben, ne, das müssen wir noch mal unterscheiden. Was ist ein Medizinprodukt? Hat daher, sage ich mal, Studien durchlaufen, hat diese ganzen Dinge gemacht und was ist halt so die, die, die nächste Fitness-App unter Anführungszeichen, die vielleicht nicht ganz valide das Thema, äh, erfasst oder nicht ganz valide im Sinne von Nichtstudien-, äh, -daten belegt.

Auch ein großes Thema, das wir in Deutschland diskutieren, die digitale Gesundheitsanwendungen, Studien, die dort gemacht werden müssen et cetera. Jetzt kommen wir aber trotzdem zu dieser Thematik Daten und Technologie in der Kombination und dem Gesundheitswesen, wenn ich dieses, diese, diese Säulen jetzt ein bisschen sehe.

Dann gehört ja jetzt die KI dann dementsprechend dort mit hinein und da ist ja zum jetzigen Zeitpunkt ein bisschen die Hoffnung, KI löst alle Probleme. Ja, jetzt haben wir große Daten, auch im Gesundheitswesen. Daher machen wir mal den Brückenschlag jetzt, KI und Gesundheitswesen. Was ist aus deiner Sicht die Chance, dass KI uns im Gesundheitswesen wirklich voranbringen kann?

Und was sind vielleicht Luftschlösser, die jetzt von Politik, Standesvertretung et cetera gebaut werden, wo Leute sagen, das wird unser Problem lösen, aber da hat KI gar keine Chance dazu. Also beginnen wir in dem ersten Schritt, KI, was wird's können und was wird's nicht können, auch wenn wir's uns vielleicht wünschen?

Theiler: Wo ich keine Antwort drauf hab, ist, was wird KI können, obwohl wir's uns wünschen. Da hat sich grad auch in den letzten fünf Jahren so viel getan, was wir uns gar nicht vorstellen konnten. Ähm, vielleicht irgendwo in Science Fiction, aber so in der, in der Praxis gar nicht vorstellen konnten. Das ist schwer zu sagen.

Was aber für mich der viel wichtigere Punkt ist, ist, KI kann heute schon sehr viel. Was wir grad haben, ist eine Problematik, dass wir die richtige Governance drumherum nicht geschafft schon haben. Und mit Governance meine ich, dass gewisse Infrastrukturen wie zum Beispiel ELGA so gestaltet sind, dass die Daten auch nutzbar werden für, für KI-Training.

Stichwort European Health Data Space, äh, können wir vielleicht später noch drauf zurückkommen. Dass wir auch grad rund um die DSGVO mit Datenerfassung nur für einen gewissen Zweck einfach gewisse rechtliche Barrieren haben, die gar nicht zulassen, dass ich Daten mit KI verarbeite oder auch zum KI-Training verwende.

Und was auch noch, ähm, teilweise sehr ungeklärt ist, ist die Haftungsfrage. Also wer haftet am Ende für die Ergebnisse oder wenn man dann noch weiter in die Zukunft denken, vielleicht irgendwann für die Entscheidungen der KI im Gesundheitswesen. Das heißt, für mich ist das Ganze gar nicht so sehr eine Technologische Debatte.

Da sind wir sehr weit wissend, dass es einige, einige Infrastrukturprobleme noch zu lösen gibt. Für mich ist es viel stärker eine rechtliche, eine Governance-Debatte, eine vielleicht auch Policy-Debatte.

Flener: Aber die spannende Frage wäre ja, also i-i-ich verstehe hundert Prozent, was du meinst, aber ich habe ja manchmal ein bisschen das Gefühl, es ist so ein bisschen, man schiebt die heiße Kartoffel immer von, vom eigenen Tisch immer rüber zum nächsten.

Also die, die für die technische Lösung zuständig wären, sagen: „Na, technisch könnten wir das alles, aber wir haben ja Governance-Probleme oder wir haben Policy-Themen.“ Die, die auf der Policy-Tisch sitzen, sagen: „Na ja, wir wissen noch nicht so genau, was die Tools eigentlich können. Daher können wir es eigentlich auch nicht entscheiden.“

Und dann gibt man eben die heiße Kartoffel, gibt man einmal im Kreis, bis sie beim ersten dann dementsprechend wieder angekommen ist. Was wäre aber vielleicht jetzt auch noch dein Gefühl? Wir kommen auch über das Thema Organisationen noch et cetera. Aber was ist jetzt die Thematik? Ich habe das Gefühl, es sind viele so in Warteposition.

Wir haben minimal kleine Projekte, wo halt Dinge ausprobiert werden. Aber was müsste jetzt wirklich passieren? Ist es wirklich mal der politische Rahmen, damit der Rest funktionieren kann? Oder doch die technische Infrastruktur, wo die Politik einfach dann folgen muss, wo wir es ja in vielen Fällen haben.

Die Technik marschiert vor und der Gesetzgeber hinkt zwar hinterher, aber folgt dann halt dementsprechend mit den gesetzlichen Rahmenbedingungen.

Theiler: Genau, es ist, es ist grad wirklich eine Henne-Ei-Problematik. Und ich, was meine Hoffnung ist, ist, dass der, äh, European Health Data Space einiges davon löst, nämlich dass Daten, die im Gesundheitswesen erfasst werden, auch nutzbar gemacht werden müssen für, ähm, zum Beispiel die, die Qualitätserhöhung, aber auch, äh, für Steuerung genauso wie für, ähm, Forschung und KI-Training.

Weil aktuell haben wir einfach dieses Henne-Ei-Problem, dass solange du net weißt, wieso du die Daten erhebst, kannst du sie net verwenden und wenn du aber dann Daten hast, darfst du sie net verwenden, weil du sie nicht für den Zweck erhoben hast. Also, ähm, da ist die heiße Kartoffel gar net nur zwischen Politik und Technologieprovidern, sondern wirklich in jedem, in jedem Anwendungsfall eigentlich mit, äh, mit drin.

Flener: Wie ist es im Vergleich dazu in den USA? Wie ist dort der gesetzliche Rahmen?

Theiler: Da gibt's, ähm, gewisse, also es gibt zum Beispiel die HIPAA-Regelung. Das heißt, Gesundheitsdaten sind geschützt und du musst als, schon auch als Patient die freigeben. Das ist aber v, zum einen viel leichter zu machen, weil ich das für einen weiteren Anwendungsrahmen freigeben kann.

Also zum Beispiel, ich hatte so einen dieser Integrated Health Providers, meine Versicherung und denen hab ich gesagt: „Ja, S, ihr dürft's meine Daten für meine Gesundheitsversorgung nutzen", was dazu geführt hat, dass ich zum Beispiel eine Zufallsdiagnose gekriegt hat, weil die eine Spezialistin die Bildgebung, die die andere Spezialistin gemacht hatte, angeschaut hat, ähm, und ich mir so jahrelang an, an Suche und zum Schluss Konsequenzen erspart habe.

Also da gibt's, da ist die Regelung viel breiter gefasst und auch die Sekundärnutzung von Daten ist dort viel liberaler geregelt.

Flener: Jetzt, was wäre jetzt deine persönliche Meinung, ne? Also jetzt bist du ja, sag ich mal, du hast das System Amerika verlassen, wo das möglich gewesen wäre. Du bist jetzt im System Europa, jetzt rein wohnortechnisch wieder angekommen.

Theiler: Genau.

Flener: Aus deiner Patientensicht, ne, also was, was ist dir lieber? Ist dir wirklich lieber die Variante, wo du's so selektiv freigeben kannst oder wo du eigentlich präventiver mal geschützt wirst mit, sag ich mal, diesem europäischen Konzept?

Theiler: Man muss jetzt sagen, in den USA bin ich schon auch präventiv geschützt gewesen.

Es ist einfach, es war einfacher, das breiter freizugeben. Und aus 'ner ganz, ganz persönlichen Sicht fand ich's besser, dass ich's für ein, eine gewisse Gruppe an Gesundheitsspezialistinnen freigeben konnte und die dann aber da kollaborieren konnten, sodass ich am Ende den höheren gesundheitlichen Nutzen hatte.

Jetzt, i, also in, in meiner ganzen Patientengeschichte unter Anführungszeichen in den USA hab ich kein Stück Papier gekriegt, das net auch online verfügbar gewesen wär in einem abgegrenzten System, aber wär verfügbar gewesen. Ich kann das auch alles auf, als Gesamtes runterladen und mitnehmen zu meinem, zu der nächsten Versicherung oder zu meinem nächsten Arzt.

Flener: Mhm. Damit kommt aber eine wichtige Frage des Vertrauens aus meiner Sicht, ja. Und die, die Frage ist auch immer im Gesundheitswesen und den Daten, dem muss ich vertrauen. Jetzt könnte ich im ersten Schritt argumentieren, den Ärzten werden ja viele vertrauen, weil das eine Berufsgruppe ist, die vielleicht hohes Ansehen gewinnt.

Bei der österreichischen Gesundheitskasse bin ich mir nicht mehr ganz so sicher, ob das Vertrauen so hoch ist. Wie hast du das Gefühl gehabt? Jetzt bleibe ich noch mal in dem System in Amerika, wo du ja dann doch durch mehr Datenfreigabe ein höheres Vertrauenslevel hast. Das ist jetzt mal meine Hypothese.

Wem vertraust du, also so gefühlt, wem vertraust du dort eigentlich? Oder umgekehrt: Wem musst du vertrauen, damit diese Datenfreigabe funktioniert?

Theiler: Du vertraust, und das ist auch 'n Nachteil im US-System, du vertraust denen soundso auch deine Gesundheitsdaten an, dem Versicherer. Weil dort ja, wenn du nicht so 'n integriertes System hast, wie das jetzt in meinem Fall der Fall war, sondern Versicherung und Health-Care-Provider getrennt sind, dann muss eigentlich jede Maßnahme, die der Health-Care-Provider machen möchte, freigegeben werden von der Versicherung.

Also die Versicherung hat relativ granulare Gesundheitsdaten auch von dir. Das heißt, ähm Ich glaub, dass, dass da kein Austausch stattfindet, das, das kriegen wir fast nicht hin, auch, auch in Österreich nicht. Was wiederum in Österreich der Vorteil ist oder zumindest soweit ich das System jetzt kenne, ist, dass sich deine Krankenversicherungsprämie nicht nach deinem Gesundheitsstatus richtet.

Flener: Mhm.

Theiler: Und das ist ein Riesenvorteil, den ich im Österreich-System sehe im Vergleich zum Amerikanischen. Weil da kann dir passieren, dass du, wenn du zum Beispiel deine, wenn wir's vorher von den Wearables hatten, wenn du deine Wearable-Daten dem Versicherer zur Verfügung stellst, nicht für medizinische Zwecke, sondern für Versicherungszwecke und der sieht, ja, du bewegst dich regelmäßig, dann geht deine Versicherungsprämie runter.

Und wenn du das nicht machst oder da zum Schluss noch größere Kosten sonst daherkommen, dann kann's sein, dass deine Prämie durch die Decke

Flener: geht. Mhm. Gut, ist auch einer der größten Punkte, die in Österreich ja befürchtet werden. Also wenn jetzt dann die Sozialversicherung weiß, was mein Gesundheitsstatus ist und dass ich mich zu wenig bewegt habe.

Also es gab ja auch die, die Versuche von österreichischen Kfz-Versicherungen. Da konntest du dir ja so einen Tracker ins Auto hängen und wenn du halt dann nicht zu schnell gefahren bist et cetera, ist deine Versicherungsprämie runtergegangen, weil halt alle wissen, schnell fahren ist ein Hauptproblem beim Unfall.

Ähm, und dann haben auch viele gesagt: „Na, ich lasse mich sicher nicht tracken, dass dann die Uniqa als Beispiel weiß, äh, ob ich jetzt dann dementsprechend zu schnell unterwegs war." Jetzt sitzen wir aber trotzdem, sage ich mal, im Gesundheitswesen trotzdem auf einem Haufen Daten. Ja, das sind ja jetzt Daten, die jetzt im Rahmen meiner Untersuchungen und dann ist es mein Blutbefund und dann ist es mein Schädel-CT und dann ist es meine Vorsorgeuntersuchung et cetera.

Wie ist da jetzt ein bisschen deine Bestandsaufnahme im Sinne von, wie nutzbar sind diese Daten zum jetzigen Zeitpunkt, ja? Da rede ich jetzt noch gar nicht von Studiendaten, wo es um Entwickeln geht, sondern geht's ja nur um real verfügbare Daten aufgrund meiner Gesundheits-, äh, Checks, die ich dementsprechend durchführe.

Und das ja, hätte ich ja, da könnte man schon viel rauslesen, macht's aber zum jetzigen Zeitpunkt nicht. Ich bräuchte vielleicht im ersten Schritt gar nicht mehr Daten. Ich müsste nur mit den bestehenden Daten mehr anfangen. Oder sehe ich das falsch?

Theiler: Wenn ich das dürfte.

Flener: Ja.

Theiler: Ich darf halt auf die, die bestehenden Daten, auf die darf ich nur begrenzt zugreifen.

Also ich als Patient darf das, aber für die, für die Verarbeitung darf ich darauf nur, äh, begrenzt zugreifen. Aber stellen wir das mal auf die Seite. Nehmen wir mal an, wir dürfen auf die Daten zugreifen. Die sitzen gerade noch in den unterschiedlichsten Systemen. Wir haben fragmentierte Systeme, die sich auf die Zuständigkeiten aufteilen, also Bund, Länder et cetera.

Wir haben fragmentierte Systeme, die sich zwischen, wir hatten's gerade schon davon, ähm, Sozialversicherungen und Krankenanstalten aufteilen, ähm, um Viele dieser Daten wirklich prädiktiv nutzen zu können, ähm, müsste man sie aus den verschiedenen Silos entweder zusammenbringen oder sinnvoll verknüpfen. Da ist halt auch wieder die Frage: Was verstehen wir unter Nutzung?

Ich kann Nutzung auf Populationsebene haben. Das bedeutet, ich verwend anonymisierte Daten. Das heißt, ich kann keine Zu-- Rückschlüsse ziehen von den Daten auf einzelne Patientinnen. Das wär schon mal 'n erster toller Schritt, wenn wir dahin kommen und die quasi die Datensilos so auflösen, dass das möglich wird.

Der zweite Schritt ist dann zu sagen: Wie kriegen wir denn sicher die individuellen Daten von einem Patienten, einer Patientin über die verschiedenen Datensilos verknüpft? Da Hat auch, soweit ich das verstanden hab, der European Health Data Space noch keine Antwort drauf, weil da geht's mehr um die Populationsdaten.

Und da wär zum Beispiel, wenn man, ELGA ist ja grad 'ne, 'ne rein, 'ne Speicherinfrastruktur. Wenn man da zum Beispiel noch 'ne Verarbeitungsinfrastruktur oben drüberlegen würde, könnte man die, die nutzbar machen, diese Daten.

Flener: Aber haben wir aus deiner Sicht im Gesundheitswesen überhaupt schon eine Hypothese, was wir gerne wissen wollen würden?

Also ich hab immer das Gefühl, alle sagen: "Ah, wir haben so viele Daten, die müssen wir nutzen." Sag ich: "Ja, okay, aber was willst du denn wissen?" Ja, also was ist eigentlich die Aussage, die wir haben wollen? Hättest du das Gefühl, dass wir jetzt im Gesundheitswesen so fünf, sechs Kernaussagen, ich sag jetzt mal simpel, haben, wo wir sagen: "Also wenn wir das wissen würden."

Ja, also ich kann mich erinnern, ja, zu Corona war das Thema, sind wir durchgeimpft oder nicht? Das war immer ganz heiß, ja. Und dann waren sich alle uneinig, okay, welcher Prozentsatz ist richtig und, und was hilft's, wenn wir durchgeimpft sind und werden wir jemals Herdenimmunität erreichen? Also da war das erste Mal so diese Thematik, können wir das wirklich nutzbar machen?

Sonst sagen halt viele: "Gut, okay, dann weiß ich halt, wie viel Diabetiker ich in Österreich hab und wie viele Leute ich mit einem erhöhten Cholesterinspiegel vielleicht hab." Also so auf diesem Level hab ich das Gefühl, diskutieren wir zum jetzigen Zeitpunkt Daten. Ja, das bringt, ich weiß nicht, ob uns das so, so wahnsinnig vorwärts bringt.

Daher die Frage: Haben wir schon ausreichend Hypothesen gebildet, welche Aussagen wir gerne hätten, bevor wir überhaupt die Daten da jetzt crunchen?

Theiler: Ob wir ausreichend Hypothesen haben, kann ich nicht genau beantworten. Wir haben auch, wir hatten's ja vorher bei den Apple Health Kits Studies schon davon.

Teilweise ist auch der Punkt, wenn du so 'n große Datenmenge hast und KI-Tools hast, dann kannst du auch Hypothesengenerierung auf diesen Daten machen. Also das, da, die eine Seite. Die andere Seite ist, wir haben in Österreich eines der bestfinanziertesten Gesundheitssysteme und trotzdem leben wir im Schnitt zwanzig Jahre lang kränker als ähnlich finanzierte Gesundheitssysteme.

Das heißt, irgendwas läuft entweder in unserem Gesundheitssystem oder auch in unserer Lebensweise unter Anführungszeichen falsch. Und wenn man diese Querschnittsdaten, Gesundheitsdaten zugänglich machen könnte, kann man da sich auf die Suche nach Mustern machen, die wiederum auf, ähm, Antworten drauf geben können, wieso wir zwanzig Jahre lang quasi in schlechterer Gesundheit leben, als wir eigentlich können.

Flener: Aber, also jetzt mach ich eine provokante Gegenthese. Gerne. Also ich geb dir da ja inhaltlich vollkommen recht, ja. Aber jetzt könnt ich sagen, dafür brauch ich halt keine große KI-Anwendung, ja. Also ich sag mal simpel, wenn wir ein bisschen gesünder essen würden und uns ein bisschen mehr bewegen würden et cetera, weniger Auto fahren und, also dann würden wir wahrscheinlich gesünder leben, weil viele Dinge sind ja so klassische Volkskrankheiten, ja, wo ich sag, das ist halt schlechter Bewegungsapparat und halt Ernährung und diese ganzen Dinge.

Und- Das wäre sozusagen meine Frage, so nach dem Motto: Bringt es etwas, sage ich jetzt einmal auf diesem ganz großen Level, wo ich sage, die österreichische Sozialversicherung, Dachverband ÖGK braucht diese Daten, um so diese Großwetterlage zu beurteilen. Oder kommen eigentlich eh nur, ich sage jetzt einmal simpel, so ein bisschen No-Na-Aussagen raus, wie ich das jetzt versucht habe, exemplarisch darzustellen.

Oder brauche ich die Daten oder diese Datenanalyse eigentlich jetzt auf einem sehr Micro Level eigentlich, wo ich sage, ich gehe dann hin, mein Arzt kann meine Daten viel besser analysieren, weil der ja dann auch die Maßen, weil der nah genug am Patienten dran ist. Also wie weit muss ich am Patienten oder wie nah muss ich am Patienten dran sein, dass die Datenanalyse einen wirklichen Mehrwert liefern kann, jetzt noch einmal auf so ein ganzes Land wie Österreich bezogen.

Theiler: Ja, ich kann, äh, die österreichische Population sozusagen analysieren, aber wie du sagst, die Aussagekraft davon wird beschränkt sein. Ich kann aber reinzoomen. Wenn ich die ganzen Daten hab, kann i und vor allem die strukturiert aufbereitet sind, dann kann i zum Beispiel auf bestimmte demografische Gruppen reinzoomen, auf gewisse Altersgruppen, auf gewisse Berufsgruppen, auf, ähm, gewisse Prädispositionen zum Beispiel auch und kann dann basierend dadrauf noch mehr Analysen machen.

Das ist das medizinische Level sozusagen. Ich kann aber auch gleichzeitig schauen: Gibt's auf der Prozessseite Herausforderungen, die man lösen könnte. Also gibt's viele Daten werden ja erfasst aus rechtlichen Gründen für Abrechnungszwecke. Das sind in dem Sinne nur beschränkt sensitive Daten. Da lässt sich ganz, ganz viel auf, ähm, Bottlenecks in unserem Gesundheitssystem schließen zum

Flener: Beispiel.

Aber du hast, du hast in unserem Vorgespräch ein Anwendungsbeispiel geschildert. Vielleicht können wir auf das ganz kurz mal eingehen, nämlich dieses Thema Daten nutzbar machen. Ich finde, das ist ja genau der, der entscheidende Punkt, ja, weil da-das ist ja oft auch die Thematik, die Ärzte sagen ja: „Nee, ich kenne meine Patienten eh, da brauche ich keine KI dafür."

Und Sozialversicherungen sind vielleicht zu weit weg. Ihr habt damals ein Projekt gemacht, äh, Intensivstation, äh, Dings. Kannst du vielleicht das noch mal kurz erklären, was ihr dort aus diesen Daten, die dort generiert worden sind, was ihr da rausgelesen habt oder welchen Vorteil das dann hat? Um da mal vielleicht ein konkreteres Beispiel zusammen, weil da sind wir ja relativ nah am Patienten dran und das wäre jetzt ein bisschen so die Hypothese, die ich herausgearbeitet hätte.

Je näher wir zum Patienten rücken, desto sinnvollere Aussagen schaffe ich.

Theiler: Das, das Projekt habe nicht ich selber gemacht, aber ich habe mit, äh, mit Duke Health zusammengearbeitet, die dieses Projekt, ähm, in früheren Jahren gemacht hatten. Also wir sprechen da von 2018, 2019, aber inzwischen ist es in der Routineanwendung, das nennt sich Sepsis Watch.

Was die machen, ist, die nehmen von Sepsis-Patienten auf der Intensivstation die Vitalparameter, aber auch die medizinische Geschichte, Komorbiditäten, äh, Laborwerte und prüfen alle fünf Minuten mithilfe von 'ner KI-Anwendung, ob sich da was verändert, was auf eine Sepsis hindeuten könnte. Also es ist wie ein Sepsis-Frühwarnsystem, wo sie inzwischen bis zu zwölf Stunden vorher voraussagen können, ob eine Person septisch werden würde.

Die verarbeiten dazu sechsundachtzig verschiedene Parameter. Also es ist ein Pa, also ein Parameterraum, sagt man, ist der technische Term dafür, den man als Arzt, Ärztin, Pfle, als Pflegepersonal gar nicht individuell alle fünf Minuten für alle Patienten in der Form überwachen könnte. Und das ist für mich so eines der Beispiele, die mich auch überrascht haben, welchen Nutzen KI heute schon haben kann.

Und die haben das eben direkt dort entwickelt und läuft jetzt auf deren Systemen in, in allen Intensivstationen.

Flener: Jetzt hast du über das Thema Benefit, weil es gerade das Stichwort, was du gebracht hast. Dann würde ich auf das ganz gerne noch mal ein bisschen einsteigen. So wer hat jetzt was davon? Ja gut, das könnte man sagen.

Gut, der Patient hat evident was davon, weil wenn und dann sich ein schwerer kritischer , genau, ob ein kritischer Incident passiert oder nicht, ist gut, wenn man das vorher weiß. Jetzt kann man natürlich sagen okay, gut, das ist der Patient. Wie weit hast du das Gefühl, dass aber diese Innovation jetzt mit offenen Armen auch jetzt von pflegenden Kräften und vielleicht von der Ärzteschaft dementsprechend empfangen wird?

Oder wie oder wie kritisch sind die also diese Thematik, die anderen Stakeholder jetzt noch mal wirklich near patient care, wenn wir so wollen, also nicht die Sozialversicherung, sondern wirklich die Menschen, die mit den Patientinnen und Patienten arbeiten. Wie, wie happy sind die jetzt über diese KI-Thematiken?

Theiler: Es kommt da, kommt da auch auf die KI-Thematik an. Ich grad für dieses Beispiel, ähm, Sepsis Watch waren die sehr, sehr froh, weil sie dadurch halt die, die Rate an Patienten, die Richtung Sepsis gegangen sind, massiv drücken konnten. Das ist ja das, was ich auch als, als Arzt, Ärztin oder als Pflegepersonal ja auch will.

Es gibt noch 'ne andere, 'n anderer Bereich, wo Ärzte und Ärztinnen grad, also ich, ich hab da jetzt wieder 'n US-Beispiel, die KI-Anwendung sehr begrüßen und das is eben im administrativen Bereich. Ähm, in den USA wird das schon fläch-flächendeckend eingesetzt, sogenannte Ambient Scribe Systeme. Das sind KI-geschützte Dokumentationssysteme, die dem Arzt-Patienten-Gespräch quasi zuhören, das transkribieren, auswerten und dann automatisch in die elektronische Gesundenakte eintragen.

Nicht als, als Brief alleine, sondern auch wirklich schon in die, in die Felder. Und das hat jetzt zum Beispiel in einer Case Study, die am, äh, HIMSS AI in Healthcare Forum in New York präsentiert wurde, dazu geführt, dass am Ende Ärzte und Ärztinnen fast 'ne ganze Arbeitswoche pro Monat weniger Überstunden gemacht haben für diesen administrativen Bereich, weil das alles schon erfasst wurde während der Gespräche und am Ende 'n ganzen Tag mehr Zeit hatten pro Monat, sich um Patienten und Patientinnen zu kümmern.

Also da steigt, das ist jetzt keine, in dem Sinne keine KI-Anwendung, die unmittelbar eine klinische Diagnose unterstützt, aber diesen administrativen Aufwand so stark drückt, dass am Ende ein signifikanter Vorteil für, für das Gesundheitssystem da rausspringt.

Flener: Jetzt haben wir, also das wär ja der zweite Anwendungsfall.

Das eine ist so 'n bisschen Datenanalyse, Predictive Data, das zweite wäre jetzt das administrative Setting. Genau. Der dritte Punkt, den wir jetzt noch gar nicht so zu sagen berührt haben, aber der sicher auch noch mal interessant wäre, wäre der Punkt: Wann beginnt die KI meinen Arzt überhaupt zu ersetzen, ne?

Ja. Weil das ist ja auch noch mal das Thema, wenn man zum Beispiel, nehmen wir diese Artikel, wo dann heißt es nach dem, ah, Ärzte haben unter Zuhilfenahme von ChatGPT und ohne ChatGPT die Dinge analysiert oder sagen, ah, ich hab jahrelang einen braunen Fleck auf meiner Hand gehabt, keiner hat gewusst, was es ist, dann hab ich ChatGPT gefragt, dann war's plötzlich klar.

Da haben wir ein, eine unglaubliche Competition eigentlich, ja. Also Dings, weil ja Ärzte auch sagen, na, sie können das viel besser, aber die zumindest die Studien oder die, die Publikationen, die man liest, sagt eigentlich, nein, ihr seid's nicht besser. Wie ist diese Thematik noch so nach dem Motto KI ersetzt jetzt effektiv, also die pflegenden Kräfte wird schwierig, ne, weil den Patienten aus'm Bett rausheben oder nicht, das wird die KI nicht erledigen.

Aber in der Auswertung der Daten, in der Diagnosestellung, in der Therapieentscheidung würde es ja zum jetzigen Zeitpunkt gehen und zumindest wenn ich jetzt die Artikel richtig lese, sogar teilweise besser, als es die Menschen machen würden.

Theiler: Ja und nein. Also ja, wenn man's rein aus 'nem, aus 'ner Faktenanalysesicht sieht, gibt's Fälle, wo KI die Informationen besser verarbeitet als Ärzte und Ärztinnen.

Aber da lässt man ja völlig den ganzen Kontext weg, in dem sich Ärzte und Ärztinnen befinden. Das Patientengespräch, die Diagnose im Arztzimmer, die subtilen Zeichen, die man allein schon aufnimmt, wenn eine Person bei der Tür reingeht. Das kann alles eine KI nicht. Also ich glaube, dass, ähm, die KI wird Ärzte nicht ersetzen, sondern sie wird ein ganz wichtiges, ja, Tool, ein Handwerkszeug sein, um, ähm, bessere Diagnosen in Zukunft zu stellen.

Flener: Das heißt, deine Hypothese wäre, ich sage mal simpel in fünf Jahren gehen wir weiterhin zum Allgemeinmediziner und zum Pulmologen und wir machen nicht die Telekonsultation, wo ich, ja, meine Laborwerte hochlade und dann die KI ersagt's mir und dort sitzt vielleicht gar kein Mensch mehr.

Theiler: Nein, in fünf Jahren sind wir da in Europa noch nicht, weil wir weder die Datenströme schon ordentlich zusammengeführt haben.

Was aber dennoch der Fall ist, es gibt Bereiche im Gesundheitssystem, wo wir mit, wo wir relativ schnell eine Entscheidung treffen müssen, mit relativ bruchstückhaften Informationen, wie zum Beispiel die Triage in der Notfallaufnahme und da, wo, wo es ja wirklich darum geht, Fakten schnell zu verarbeiten und gar nicht so sehr die empathische Ebene jetzt die ausschlaggebende ist, um bessere Outcomes zu erzielen.

Da glaube ich schon, dass die KI eine auch kurzfristig eine viel, viel größere Rolle spielen wird, weil wir ja jetzt einfach schon sehen, dass die, wenn ich zum Beispiel, jetzt kam die Studie raus, wenn ich OpenAI das O1 Modell nimm, dann trifft es in genau diesem Use Case, den ich gerade beschrieben hab, zu siebenundsechzig Prozent die richtige Entscheidung, wohingegen Ärzte und Ärztinnen nur zu fünfzig Prozent die richtige Entscheidung treffen in einer, in einer blinden Studie.

Flener: Was aber dann eine spannende Frage wäre, ne. Wir haben gesagt bewusst, wir lassen diese ethische Thematik der KI lassen wir weg. Aber es wäre eigentlich trotzdem interessant, du hast gesagt eine Triage, ja, wo es ja viel um emotionale Entscheidungen geht oder auch jetzt so drehe ich Maschine ab, ja oder nein?

Ja, könnte ich ja. Also in beiden Fällen könnte man ja dann schon sagen okay, warte mal, dann lager ich das aus an die KI und die rechnet sich aus und sagt okay, gut, der Patient hat eine Überlebenswahrscheinlichkeit von zweiundsiebzig Prozent und wenn siebzig der Cutoff ist, dann ist er mit zweiundsiebzig noch drinnen und mit achtundsechzig nicht mehr.

Das wäre dann schon eine spannende Frage für uns. Dazu muss halt auf einer anderen Ebene entschieden werden. Aber es ist trotzdem interessant, dass schon die KI jetzt so weit in diese, sage ich mal, Entscheidungen hineingeht. Aber du bleibst bei der Hypothese. Wir können dann in fünf Jahren noch mal miteinander reden, ähm, zu sagen, wir werden auch in fünf Jahren noch zum Arzt gehen, weil das ist ja schon, finde ich, auch die spannende Frage.

Jetzt blicke ich dann auch immer ein bisschen auf meine, äh, Kunden, die jetzt auch aus Sicht der Pharmaindustrie, die sich oft stellen so werden unsere Therapieentscheidungen zu den Medikamenten. In fünf Jahren noch vom Arzt getroffen, ja? Entscheidet der, was jetzt in der Indikation X oder Y dementsprechend noch verordnet ist oder wird das dann dementsprechend von Algorithmen übernommen?

Da würde ich jetzt, wenn ich dir zuhöre, sagen, das wird noch der Arzt machen

Theiler: Die Entscheidung ja, die finale, weil der oder die übernimmt ja auch die Verantwortung dafür. Wie er oder sie zu dieser Entscheidung gekommen ist, das wird über die Zeit mehr und mehr durch KI unterstützt

Flener: werden.

Theiler: Es gibt jetzt auch grad von, von Claude und OpenAI, äh, gibt's aktuell schon Anwendungen, die speziell für Ärzte und Ärztinnen designt sind.

Das heißt, die, du kriegst das auch nur oder kriegst auch nur Zugang, wenn du eine gewisse Akkreditierung hast. Die werden auch noch mal stärker trainiert und die Grenzwerte noch mal stärker so gesetzt, dass da auch ganz, ganz wenig halluziniert wird. Da lässt sich technisch einiges machen. Ich glaub, dass diese Anwendungen stärker den Alltag auch von Ärzten und Ärztinnen dominieren werden, auf jeden Fall.

Aber wenn wir von der finalen Entscheidung tr-sprechen, dass das die KI übernimmt, das sehe ich in den nächsten fünf Jahren nicht.

Flener: Da hätte ich noch eine andere Hypothese, die mich interessieren würde, wie du das siehst. Ich habe jetzt letztens einen Artikel gelesen, da ging's um die spannende Frage: KI-generierter Content auf Spotify.

Mhm. Ja. Und da ging's um die Hypothese, so nach dem Motto, auch natürlich in der ganzen Werbebranche et cetera, aber diese Thematik muss ich KI-Content kennzeichnen. Ja. Und man halt mittlerweile dort so weit ist, dass man sagt, zu dem, das geht gar nicht mehr, weil offen schon der KI-Content schon so hoch ist, ja, dass ich dementsprechend das gar nicht mehr-- Das geht schon eher umgekehrt zum Sinne eines Biogütesiegels.

Dort, wo echte Menschen drinstehen, steht halt drauf, nicht K, nicht KI generiert. Und wir das ja in vielen Fällen sehen. Am Anfang war es so: Okay, warte mal, ich hab gesagt, ich hab das mit KI gemacht und andere sagen es bewusst, ich habe keine KI verwendet. Könntest du dir vorstellen, dass es dann auch in Zukunft bei der medizinischen Diagnose so ist, so nach dem Motto, diese Diagnose hat noch ein echter Mensch erstellt?

Theiler: Wir, wir fragen ja heute auch nicht danach, hat der Arzt gegoogelt bei der Erstellung der Diagnose. Also ich glaub, wenn's wirklich auf dem Level bleibt, dass das 'n reines Tool ist, dass es nicht gekennzeichnet werden muss. Was mir eher wichtig ist, ist, wie wurden die Daten verarbeitet, die zu dieser Diagnose geführt haben?

Also in welcher digitalen Infrastruktur sitzt denn die KI-Anwendung, die geholfen hat und wie hatte die Zugang auf die Daten? Weil was heutzutage auch schon Realität ist, dass, ähm, manche Ärzte und Ärztinnen auch ab und zu 'nen Arztbrief auf die öffentliche Version von ChatGPT reinkopieren, weil, also gar nicht aus Böswilligkeit, einfach um die Symptome zu checken.

Wenn da aber zum Beispiel ein Klarname mit drinnen steht oder eine Versicherungsnummer, dann landet die eins zu eins im nächsten Modell von OpenAI.

Flener: Mhm. Gut, also da, da machen wir jetzt noch mal eine spannende Frage auf, ja, weil das ist ja diese Thematik Knowledge, ja, im Sinne von der Anwendung der Ärzteschaft, ja.

Ähm, und das sind ja alles hoch ausgebildete Menschen, die, äh, ja alle ein schwieriges Studium mit viel Sitzfleisch dementsprechend durchgestanden haben. Das gilt ja, glaube ich, für alle Länder so. Und ich kann mich erinnern, wie oft dann diese Diskussion war, wie viele Ärzte nutzen, noch vor den KI-Anwendungen, nutzen Wikipedia als unter Anführungszeichen Wissensbasis.

Und da war ein Riesenaufschrei und ja, wie könnt ihr nur Wikipedia nehmen? Die müssen ja nehmen die Fachliteratur XYZ je nach Fachindikation. Jetzt haben wir den umgekehrten Fall. Na jetzt googeln die das halt nicht mehr, machen halt nicht mehr Wikipedia, sondern heißt halt die Antwort heißt halt, äh, ChatGPT, Gemini oder oder oder Claude.

Aber wie kriegen wir jetzt die Ärzte? Jetzt bleibe ich mal noch bei der Anwendungsseite, um auch ein bisschen diesen Brückenschlag, wie kriege ich jetzt Organisationen so weit? Aber wie kriege ich jetzt die Ärzte so weit, dass ich sage, muss das dann, sage ich mal, Bestandteil des Studiums sein? Dann muss man sagen, da hinke ich wahrscheinlich mit dem Lehrplan immer hinterher, weil die KI-Entwicklungen zu schnell sind.

Aber das wäre jetzt der Anspruch, wenn ich jetzt sage, okay, wenn ich deinem Gedanken folge, zu sagen, na gut, der Arzt trifft immer noch die finale Entscheidung, aber er muss die richtige Datenbasis haben oder er muss sich der richtigen Modelle bedient haben. Ja, dann wäre ich zum jetzigen Zeitpunkt zumindest ein wenig skeptisch, wie hoch hier jetzt flächendeckend der, der Wissensstand der Ärzte ist.

Was wäre da deine, deine Hypothese oder was sind die To-dos aus deiner Sicht, damit wir die Ärzte dort hinkriegen, dass die, die guten Tools, die da sind, das stelle ich jetzt einfach mal so in den Raum, auch so effizient nutzen?

Theiler: Ich würd sagen, da ist die Antwort die genau gleiche wie bei Medizinprodukten.

Ein Arzt oder eine Ärztin wählt ja auch aus, welche diagnostischen Geräte stell ich in meine Praxis. Und die gleiche Frage, äh, kann ich auch stellen, welche digitalen Tools verwende ich? Und da gibt's, da gibt's auf der Medizinproduktseite Standardisierung und da gibt's auch auf der KI-Anwendungsseite Standardisierung.

Und ich bin der Meinung, dass es nicht, dass da die Verantwortung nicht auf die Ärzte unmittelbar ausgelagert werden soll, dass die jetzt plötzlich im Studium alle zu KI-Experten und Expertinnen werden müssen, sondern dass es mehr auf der Technologieprovider-Seite und auf der regulatorischen Seite entsprechende Standards geben muss, auf die man sich verlassen kann.

Flener: Aber würde das dann bedeuten, dass jetzt bleib ich im österreichischen Beispiel, wenn ich jetzt ein Kassenarzt in Österreich bin, dann hab ich einen Vertrag mit der österreichischen Gesundheitskasse, dass dann mir eine österreichische Gesundheitskasse eine KI-Anwendung zur Verfügung stellen müsste, damit ich meine Therapieentscheidungen richtig treffe?

Also versteh ich dich jetzt dann richtig, dass das so die, die Idee wäre?

Theiler: Ob da jetzt die ÖGK oder 'n gewisser Technologieprovider dafür verantwortlich ist, das muss man sich dann im, im entsprechenden Kontext anschauen. Aber auf was ich, auf was ich raus will, ist, dass es nicht quasi die Verantwortung vom individuellen Arzt, Ärztin sein kann zu prüfen, ob diese KI-Anwendung jetzt seriös genug ist.

Was wir uns schon überlegen können, ist zu sagen, wir haben, wir haben mit der ELGA schon 'ne Speicherinfrastruktur geschaffen. Können wir darauf auch eine Verarbeitungsinfrastruktur schaffen, die sicher ist? Das wär zum Beispiel eine, eine Möglichkeit.

Flener: Mhm. Gut. Behalten wir den Gedanken noch mal kurz bei, im, im Sinne der, der Organisationsstrukturen.

Also ich, ich hab jetzt verstanden, so nach dem Motto gut, also der Hype ist ein bissl abgeklungen, KI-technisch, wir sind jetzt in der Anwendung drinnen, aber mit der Herausforderung, wie bringen wir die Ärzte so weit? Ne, weil einmal überholt Claude, dann ist wieder OpenAI vorn, dann, das, das wechselt sich immer dementsprechend ab.

Aber es geht ja trotzdem drum, dass man diese Tools in die Organisationen hineinbringt. Und die Organisationen geht ja jetzt dann von Spital, Hunderte Mitarbeiter runter zu Praxis mit die Ärztin, mit ihren drei, äh, Sprechstundenassistenzen, ja. Wie kriegen wir diese Systeme in diesen, auch diese, diese Bandbreite an Organisationen hinein?

Wie, wie kann das funktionieren? Was sind aus deiner Sicht die größten auch Hindernisse, die uns da, äh, bevorstehen?

Theiler: Möcht andersrum anfangen. Gar nicht, gar nicht welche Hindernisse, sondern welche Fragen sollte ich mir stellen, wenn ich in die KI-Anwendung reingehe? Weil ich glaub, Hindernisse sind ganz unterschiedliche, ob große Organisation oder kleine.

Aber was für alle zentral ist, ist sich die Fragen zu stellen, mit welcher Motivation geh ich denn überhaupt hinein? Geh ich rein, weil ich grad den Hype spür und irgendwie von oben der Druck kommt, äh, ihr müsst jetzt KI verwenden? Oder geht's drum, dass ich 'n ganz klares, definiertes Problem hab, das auch mit KI am besten gelöst werden kann.

Es gibt ja ganz, ganz viele Probleme, die wir versuchen, mit KI zu lösen und eigentlich ist die Antwort vielleicht klassisches Machine Learning oder einfach nur bessere IT-Infrastruktur oder noch was ganz anderes. Also die erste Frage wär für mich die Motivationsfrage. Die zweite Frage ist: Hab ich die richtige Governance eingerichtet?

Und das kann auch von großen Krankenhauskonglomerat bis zur individuellen Praxis die Frage sein: Hab ich das richtige Steuerungsgremium oder die richtige Steuerungsperson? Oder vielleicht hol ich mir sogar von extern noch jemanden mit rein, um zu schauen, geht's da in die richtige strategische Richtung?

Also löse ich wirklich das Problem mit KI, das ich lösen will. Aber auch hab ich all die Aspekte rund um den Datenschutz im Blick. Das kann ich nicht wirklich an die Technologieprovider alleine outsourcen, weil ich ja, weil das auch viel von den Prozessen in den einzelnen Organisationen abhängt. Und die dritte Frage, die ich mir stellen würd, ist: Wie passt denn so 'ne KI-Lösung überhaupt in meine Organisation?

Also wie bin ich prozessmäßig aufgestellt? Wie bin ich auch finanziell aufgestellt? Weil manche dieser KI-Anwendungen können auch je nach Nutzung sehr teuer werden, grad wenn's um Verarbeitungskapazität geht et cetera.

Flener: Tu noch mal so, ich wäre praktizierender Arzt, ja. Also hab jetzt vielleicht, äh, noch, äh, bisschen Mitarbeiter et cetera und stell mir jetzt die Frage, also alle reden von KI und ich will auch verhindern, dass ich von der KI ersetzt werde, daher möcht ich mich damit auseinandersetzen.

Dann ist trotzdem jetzt, wenn ich dich richtig verstehe, die Frage, die ich mir als Arzt stellen muss, ist, welchen Prozess oder welchen Prozessschritt in meiner täglichen Arbeit möcht ich mit KI optimieren? Form, formulieren wir's mal so, ja. Aber was ist da unter-- Was sind da meine Entscheidungskriterien?

Weil ich, ich geb ein Beispiel. Ich hab das letztens mit einer guten Freundin von mir diskutiert und da ging's um die Thematik Belegerfassung in der Buchhaltung, die Steuerberaterin, ne. Und die hat mich gefragt, ja, wie wir das machen und das ist doch sicher alles schon KI-optimiert et cetera. Und ich hab gesagt, offen gestanden nein, ja.

Shoutout, ich bin technologisch hier in der Buchhaltung noch relativ oldschool unterwegs und das Gespräch mit dem Steuerberater hat auch gesagt, sagen Sie, Herr Fleiner, bitte schicken Sie mir die ausgedruckten Belege, weil wir kodieren am Ausdruck dreimal so schnell wie in jedem digitalen Tool, ja. Daher ist es am Ende des Tages das, was Sie mit KI machen, beschleunigt unseren Prozess nicht so, dass das besser ist.

Was sind daher, sag ich noch mal, die Fragen oder vielleicht noch mal kommen wir auf die Praxis zurück, würde ja heißen, wie, wie verhindere ich, dass ich da in die falsche Richtung renn?

Theiler: Da ist ja genau das, also wenn ich dein, dein Problem aufgreif, dann ist ja da war die Frage: Wie kriegen wir KI in einen Prozess rein, der grad eigentlich noch net digitalisiert ist?

Also da ist dann der erste, der erste Schritt zu fragen: Wie, wie kriegen wir denn überhaupt die Codierung digital sinnvoll hin? Das kann auch, da kann auch die KI a Antwort sein, muss aber net. Und danach kommt dann die Frage: Wie, wie krieg ich meine KI-Anwendung sinnvoll in den Prozess rein? Aber das ist genau der Punkt, den ich meinte.

Wenn ich halt KI-Anwendung auf 'nem Prozess drauf werf, der eigentlich nur net genügend digitalisiert ist oder wo die Daten noch gar net vorhanden sind, dann kann das nur scheitern. Deshalb würd ich mir als Organisation immer fragen: Wo hab ich grad einen der größten, auf Englisch sagt man Pain Points, also der größten Schmerzen quasi, und wo hab ich bereits die strukturiertesten digitalen Daten?

Das ist oft dann, die Schnittmenge davon ist oft, wo KI wirklich helfen kann, sodass sich am Ende was verändert und dass es nicht beim Pilotprojekt bleibt.

Flener: Was mich aber noch mal zur Henne-Ei-Frage zurückbringen würde: Was brauche ich zuerst? Die Idee, was ich mit KI machen will oder die Daten, ne?

Theiler: Ja.

Flener: Was wäre jetzt da dein Zugang im Gesundheitswesen?

Wie ist da, also wie, wie ist dort die strategische Frage vielleicht auch, die man jetzt in solchen Organisationen sich stellen muss?

Theiler: Dass man wirklich mit dem Use Case anfängt. Also ich, ich kann ja wissen, welche Daten hab ich bereits zur Verfügung, aber der erste Schritt ist wirklich, den genauen, den genauen Anwendungsfall zu definieren.

Also welche, welche Patientengruppe, vielleicht sogar noch welcher Diagnoseschritt, welcher, welche Ärzte, Ärztinnen, welches Pflegepersonal ist beteiligt, wo findet das Ganze statt? Also wirklich den so präzise wie möglich zu beschreiben, um mir dann anzuschauen, ja, welche Daten gehen denn da rein, welche gehen raus?

Und auch, was will ich am Ende damit überhaupt erreichen? Also was ist, was ist der Mehrwert? Was kann ich heut noch nicht tun, was zum Beispiel mit einer KI-Anwendung möglich ist? Also alles, was, alles, was mit der Analyse von großen Datenmengen oder teilweise auch mit der Analyse von Bilddaten zu tun hat, da kann KI heute schon Prozesse massiv beschleunigen.

Flener: Mhm. Was mich dann aber wieder zu der Frage bringt, so nach dem Motto: Wie entscheide ich das hier? Also sozusagen, was sind da so die KPIs, nennen wir's einmal so, nachdem ich entscheide, ob das jetzt sinnvoll ist oder nicht. Also ich komm noch ein letztes Mal zu meinem Buchhaltungsbeispiel zurück, weil dann ging's um die Frage: Na ja, zahlt sich da KI überhaupt aus?

Da hab ich gesagt: Du, wir haben im Jahr- zwei bis dreitausend Rechnungen, Eingangsrechnungen, so zahlt sich das schon aus? Sind zwei, sind dreitausend Eingangsrechnungen schon genug, um da jetzt und dann sich über ein KI-System nachzudenken? Ich würde jetzt mal vermuten, dieselbe Thematik habe ich ja dann in den Gesundheitseinrichtungen dann auch.

Was mich ja auch zur Frage bringt, wie groß muss ein Projekt sein, damit es einen Sinn macht? Und wann wird's dann zu groß? Weil ich habe manchmal auch das Gefühl, viele träumen dann immer so von dieser großen Lösung. So eine KI-Lösung löst mir alle Probleme auf einmal. Was dazu führt, dass die Komplexität des Projekts so hoch wird, dass sich's keiner mehr angreifen traut oder keiner weiß, weil es in zu viele Prozesse hineingreift.

Wenn ich's aber so klein mache, d-dann hat's wieder keinen Effekt. Was ist da deine, deine Blick darauf?

Theiler: Wenn man sich die Organisationsentwicklungsstudienlage dazu anschaut und die wird immer, immer besser und immer dichter und klarer, dann ist die aktuelle Antwort: Je kleiner ich anfange, desto besser.

Weil dann kann ich den Anwendungsfall ganz konkret definieren und von da aus und auch einige Organisationen, die ich jetzt gerade beruflich betreue, machen wir das so, dass wir viele kleine Anwendungsfälle definieren und von da aus kann man dann anfangen zu generalisieren. Also wenn ich, um ein Buchhaltungsbeispiel zu haben, es gibt die Eingangsrechnungen, die sind ein Problem.

Also die, die könnten mit einer KI-Anwendung verarbeitet werden. Aber vielleicht gibt es ja auch noch Angebote, die, die ihr reinbekommt. Das könnten wir da auch mit einer KI das sinnvoller bearbeiten. Oder vielleicht gibt es sogar, ähm, noch nebendran Angebote, die ihr schreibt. Also könnte man irgendwie da mit einer Datenbank, die ihr ja auch schon habt, mit existierenden Angeboten eine KI-Anwendung machen, die dann am Ende vielleicht den ganzen Prozess von Angebot bis Rechnungsstellung und Rechnungseingang verknüpft.

So arbeiten wir uns gerade vor, zu sagen, wir starten mit den ganz konkreten und gehen dann auf die größere Ebene. Das, was sich gezeigt hat, das nicht gut funktioniert, ist, wenn unstrukturiert von oben, also von Hierarchie oben der Druck kommt, wir müssen jetzt digitaler werden, wir müssen jetzt KI-Anwendungen machen und dann eigentlich die, das Mittelmanagement, aber auch die Mitarbeiterinnenschaft alleine gelassen wird.

Also manchmal wird dann vielleicht noch ein KI-Training irgendwie übergestülpt, aber wenn dann keine Anwendungsfälle definiert sind, wenn dann keine, kein Peer-to-Peer-Mentoring zum Beispiel auch stattfindet, dass Kollegen und Kolleginnen das gemeinsam, ähm, auf die, die Anwendung quasi entwickeln, dann, dann scheitern KI-Transformationen.

Flener: Wenn ich KI einführen will in meiner Organisation, jetzt bin ich noch mal großes Spital oder kleine Arztpraxis, wie weit muss ich mich selber mit KI auskennen?

Theiler: Ich-- Du musst dich so weit mit KI auskennen, dass du weißt, ob du dich genug mit KI auskennst oder ob du dir jemanden reinholst, der sich gut mit KI auskennt.

Das Reinholen kann sein, dass es Mitarbeiter*innen sind, die total Feuer und Flamme sind und da auf den, auf den Zug schon früh aufgesprungen sind oder vielleicht auch externe Unterstützung sich reinzuholen. Was gefährlich ist, ist, wenn KI-Transformationen aus einem FOMO, also aus einem Fear of Missing Out getrieben werden.

Flener: Aber haben wir nicht momentan zum jetzigen Zeitpunkt genau diese Problematik? Ich formuliere es einmal vorsichtig, ne. Wir, wir sind mittelmäßig gut aufgestellt, was KI-Wissen betrifft. Also jetzt nicht wir als Unternehmen, sondern sage ich einmal als, als Gesellschaft jetzt so. Aber was ist so deine Empfehlung?

Weil ich, ich würde auch vermuten, so nach dem Motto, du tust dir jetzt auch in deinem Job eher leichter, wenn du dort auf ein Publikum triffst oder auf einen Klienten triffst, der sich schon ein bisschen damit beschäftigt hat, schon ein bisschen Idee hat, Datenstrukturen kennt et cetera. Aber womit muss ich mich beschäftigen, um einmal eine Basis zu haben, um eigentlich sinnvoll darüber entscheiden zu können, ob KI bei mir überhaupt Sinn macht?

Theiler: Ausprobieren. Ausprobieren. Ähm, das ist wirklich-- es gibt viele dieser Tools sind frei verfügbar und es gibt ganz, ganz viele Möglichkeiten im Alltag, ganz viele Fragestellungen im Alltag, die absolut nicht sensitiv sind. Also wir haben, wir haben schon viel das Beispiel gehört von, von Rezepten, sich, äh, personalisierte Rezepte erstellen zu lassen, bis hin zu Geburtstagseinladungen, die man sich mal mit, mit KI erstellen lassen kann.

Also wirklich einfach, wenn's geht, sich damit zu spielen und so mit der Zeit zu merken, ja, was, was kann das denn überhaupt? Wo sind die Grenzen? Was passiert, wenn ich einen Prompt anders formuliere? Wie, ähm, was passiert, wenn ich zum Beispiel mal die Geburtstagseinladung vom letzten Jahr, wenn, wenn da keine, da lösche ich nur die Namen oder Fotos raus, personalisierte, äh, hochlade und schaue, wenn das die Vorlage ist für die nächste.

Was, was macht KI dann damit? Also da einfach da mal auszuprobieren, was es kann, das ist das eine. Und zum anderen gibt's auf YouTube auch ganz, ganz viele Angebote von wirklich Guten Vorlesungen und, und so Einführungsvideos. Die dauern oft so zwischen vierzig Minuten und einer Stunde und erklären recht niederschwellig, wie KI eigentlich funktioniert und auf was man aufpassen muss.

Und ich glaube, wenn man da mal so grob verstanden hat, was, was man tun sollte und was man lassen sollte, gerade wenn's um sensitive Daten geht, dann kann man sich da auch mit spielen.

Flener: Aber gilt denn die gleiche Regel? Ich meine, wenn ich jetzt auf YouTube bin, dann gibt's auch ganz viele Get Rich Quick Typen, ja, die mir erklären, so nach dem Motto ich muss nichts arbeiten, kann mich drei Wochen lang auf die faule Haut legen und habe drei Millionen verdient.

Ähnlich in der KI gibt's dieselben Versprechungen, die kann ich mal ausselektieren. Aber was wäre jetzt so, ne, du schaust Video. Woran merke ich das? Ist ein Video, das länger als fünfzehn Minuten dauert, schon gute Qualität, weil im Normalfall, äh, das schon ein Kriterium ist, weil's nicht Get Rich Quick ist.

Ähm, also was ist da noch mal vielleicht ein bisschen zur Selektion von jetzt, weil d-die Menge ist ja schier unendlich. Wie finde ich noch mal heraus, was da, da gut ist?

Theiler: Schwer pauschal zu sagen, aber an was ich mich persönlich zum Beispiel orientiere, ist, dass viele von den großen Bildungsinstitutionen, das Stanford, Harvard sein, aber auch im deutschsprachigen Raum gibt's einige, die ihre Onlinekurse hochladen.

Zum Beispiel gibt's von, von Stanford Online gibt's AI in Healthcare. Das ist 'ne gute Serie von unterschiedlichen Professoren, Professorinnen, aber auch Expert*innen, die über verschiedene Anwendungen im Gesundheitsbereich reden. Wenn, klar, da kann man sich auch nicht hundertprozentig drauf verlassen, aber wenn es von 'ner seriösen, äh, Organisation kommt, dann würde ich mich da schon mal eher drauf verlassen.

Flener: Jetzt bin ich Feuer und Flamme und also ich will das einführen et cetera. Vielleicht noch ein letzter Satz, bevor wir in die Schlussgerade einbiegen. Die Thematik Kennzahlen, ne. Also ich habe das Gefühl, zum jetzigen Zeitpunkt, alle plädieren halt auf Ressourcenschonung, ja. Also jetzt reden wir nicht von den Umweltressourcen und Serverressourcen, weil das explodiert ja gerade, sondern so sinngemäß ich bin schneller, es ist billiger.

Das habe ich so zum jetzigen Zeitpunkt ein bisschen das Gefühl, das sind so die Hauptkriterien, die zum jetzigen Zeitpunkt gelten. Persönlich finde ich, dass das nicht ganz der richtige Weg ist. Was wäre dein Thema? So nach dem Motto KPIs, auf die ich schauen sollte, wenn ich jetzt, äh, KI-Tools einsetzen möchte oder in die KI in meine Organisationsstruktur implementieren möchte?

Theiler: Da ist es so, dass der, es hängt auch, und ich komme wieder drauf zurück, vom Use Case ab, aber oft ist es 'n Zeitgewinn. Wir haben's grad vorher schon angesprochen bei den Ambient Scribe Systemen. Wenn ich 'ne Woche Überstunden im Monat weniger mach, dann ist das 'n Zeitgewinn, den ich für, für Erholung nutzen kann, den ich, äh, für die Familie nutzen kann.

Das ist für mich ein KPI, das wichtig ist. Das andere ist auch teilweise, mit Vorsicht zu genießen, aber 'ne Reduktion von Fehlern. Da aber nur, wenn man sich nicht komplett auf die AI verlässt. Also wenn man da Richtung AI Slop dann geht, also sich alles von der KI abnehmen lässt, dann funktioniert das nicht.

Aber es kann helfen, als zweite Rückversicherungsebene. Und das wiederum führt dann zu besseren Outcomes oder geringeren Kosten. Und auch da ist es so, dass zum Beispiel Organisationen, die 'nen Zeitgewinn rausholen durch die Implementierung von KI, dann sich aber nicht überlegen, wie sie den Zeitgewinn sinnvoll einsetzen können, am Ende auch keinen Mehrwert spüren.

Also es braucht da wieder diese Organisationsperspektive drauf, was mache ich denn dann mit der gewonnenen Zeit?

Flener: Das wär jetzt gut. Das wär eine wichtige Frage, ne. Ha-Hast du das Gefühl, dass sich das ein bisschen dreht? Weil ich hab, ne, eine Zeit lang war ja nur weniger, wenn, also so einsparen, einsparen, einsparen, ja.

Und dass ich gesagt habe: „Okay, warte mal, aber ich gewinne ja eigentlich Zeit, die ich im Sinne der Qualitätsverbesserungen nutzen könnte." Hast du das Gefühl, dass das beginnt, sich zu drehen?

Theiler: Ja, ich hab's Gefühl, es beginnt, sich zu drehen und es muss sich auch, weil bei vielen jetzt kommen so die ersten Ergebnisse der KI-Piloten raus und viele davon haben eben keine Verbesserung in den KPIs gezeigt.

Und dann ist die Frage: Na ja, warum hat's keine Verbesserung gezeigt, wenn wir am Ende eigentlich, äh, weniger Zeit auf die Aufgaben verwendet haben? Und ich hab grad vorher schon auch den, den Begriff AI Slop erwähnt. Wir sehen auch, dass wenn zum Beispiel eine Ebene der Kolleginnenschaft sich nur auf AI verlässt, um Ergebnisse zu produzieren, also Re-Reports oder auch, ähm, Präsentationen et cetera, die halt an der Oberfläche gut aussehen, aber eigentlich inhaltlich keine Tiefe haben, dass dann am Ende die Gesamtproduktivität sinkt, weil quasi die nächste Ebene, die dann den Report oder die Präsentation kriegt, so viel Zeit drauf verwendet, den AI Slop wieder auszubessern, dass sie am Ende auch keinen Effekt sehen.

Ich glaub, im medizinischen Kontext sind die KPIs am Ende Patienten-Outcomes. Also wenn sich da ... Am Ende kumuliert sich's dort. Klar ist es, ist es toll, wenn Überstunden weniger werden. Klar ist es toll, wenn besserer finanzieller Erfolg rauszieht, wenn weniger Fehler passieren, aber am Ende, glaube ich, sehen wir es erst, wenn wir die Anwendungsfälle im Gesundheitssystem bis zu positiven Patienten-Outcomes tracken können.

Flener: Damit wäre jetzt meine Schlussfrage: Ausblick nach vorne. Jetzt blicken wir fünf Jahre in die Zukunft. Wir haben vorher schon festgestellt, wir werden weiter zum Arzt gehen, also der wird nicht ersetzt. Aber welchen Impact aus deiner Sicht wird uns die KI helfen? Jetzt noch mal großes Bild, Gesundheitswesen: Was wird im Gesundheitswesen besser sein, weil KI-Systeme besser integriert worden sind?

Ich sage mal bewusst nicht ersetzt haben, sondern besser ins Gesamtsystem integriert worden sind.

Theiler: Wenn, wenn wir es wirklich schaffen, die voll zu integrieren und das nehmen wir mal jetzt an, dann werden sich die Differentialdiagnosen verbessern. Du kannst inzwischen KI-Systeme so bauen und ich hab das live gesehen, dass du zum Beispiel bei ganz seltenen Erkrankungsfällen dir ein Agent-System bauen kannst, wo du einen Agenten hast für den Nephrologen und einen Agenten für die Neurologin und einen Agenten für, äh, den Hausarzt und dann noch einen Agenten, der, äh, die Diskussion moderiert zwischen den drei.

Also ich kann quasi Mir ein virtuelles Expert*innenteam zusammenstellen, das sie im realen Gesundheitswesen gar nie an einen Tisch bringen könnt. Und da werden wir, glaube ich, große Fortschritte sehen, wenn's um eben um seltene Erkrankungen geht oder auch um sehr komplexe Differentialdiagnosen.

Flener: Jetzt hast du mir das Thema Stichwort noch gegeben Expertinnen.

Ja, jetzt möchte ich mich noch aufschlauen, formulieren wir's mal so, zum Thema KI, ja, Lektüren gedruckt oder vielleicht in anderer Form. Ja, was würdest du mir empfehlen? Womit, womit oder mit wem sollte ich mich beschäftigen, um meine KI-Verständnis oder meine K-KI-Kompetenz in die Höhe zu kriegen?

Theiler: Was ich persönlich mach, ist, es gibt einige Personen auf LinkedIn, aber auch auf anderen Plattformen, YouTube, Instagram, äh, wähle, wähle die Plattform deiner Wahl, ähm, die, ähm, aus ihrem Alltag, aus ihrer Expertise Praxisbeispiele bringen, neutral auch formulieren, die ich sehr schätze.

Also das ist zum Beispiel Professor Marcel Salathé von der, äh, École Polytechnique in Lausanne. Der hat auch 'n Buch geschrieben grad, wenn man doch 'n Buch will, äh, Kompass, äh, künstl-, zur künstlichen Intelligenz. Der blickt auf grad auch auf Entwicklungen, wenn's um neue Modelle geht, sehr nüchtern drauf.

Der hat selber 'nen Population Health Hintergrund, also da zieht er auch immer so die, die Balance, aber ist auch sehr auf der technischen Seite. Oder wen ich zum Beispiel auch sehr schätze, ist, ähm, Bertalan Mesko, Medical Futurist nennt sich der. Der beschäftigt sich viel mit, ähm, dem, was wir eingangs besprochen haben, mit Wearables, mit, äh, wie verbindet sich dann auch Hardware und KI?

Wie, äh, wie spielt das zusammen? Einer der wahrscheinlich bekanntesten Experten, wenn's um, um Digital Health geht, ist Eric Topol, der Direktor vom Scripps, äh, Research Institute. Der hat auch 'n Buch geschrieben, Deep Medicine. Seine Beiträge find ich sehr spannend. Und wenn's dann mehr drum geht, wie verändert AI unsere Arbeitswelt, da find ich die Professorin Jasmin Weiss sehr gut.

Die publiziert auch auf Deutsch und beleuchtet es mehr so, wie verändert sich unsere Arbeitswelt? Was, was führt wirklich zu Produktivität und was ist nur Hype? Die Liste könnte man noch lange fortführen, aber das wären einige Beispiele, die ich persönlich, äh, schätze.

Flener: Fürs nächste Wochenende hab ich genug Lektüre, formulieren wir's so.

Ähm, wir werden das auch alles in den Show Notes dementsprechend verlinken, dass man das dann noch mal auffindet. Ähm, aber damit kann ich mich dann beschäftigen und hoffe auch, meine Zuhörerinnen und Zuhörer können das machen. Eva, vielen Dank für den Einblick, ja. Wir haben jetzt viel gestreift, ja. Ähm, du wirst ja dem ganzen Gesundheitswesen wirst du treu bleiben, jetzt auf österreichischem Boden.

Ich wünsche dir für deine Tätigkeit hier viel Erfolg, freue mich auf viele Praxisbeispiele, ähm, dann auch sozusagen an konkreten Projekten, die du in Österreich umsetzen kannst. Vielen Dank, dass ich mit dir durch diese KI-Systeme ein bisschen durchreiten durfte und weiterhin viel Erfolg und vielen Dank, dass du heute bei mir warst.

Theiler: Vielen Dank fürs Gespräch.

Flener: Danke, dass ihr bei dieser Episode des Healthcare Changers Podcasts dabei wart. Es hat euch gefallen? Dann empfehlt den Podcast doch bitte in eurem Umfeld weiter und gebt mir eine Bewertung, gerne mit fünf Sternen im Podcast-Player eurer Wahl. Ihr habt Feedback oder Input für künftige Folgen? Dann schreibt mir an [e-mail].

Ich freue mich auf jeden Fall, wenn ihr auch bei der nächsten Episode wieder dabei seid. Bis bald, euer Dominik Flener