Life-Science-Branche Balance zwischen Datenschutz und Datennutzung durch KI

Anbieter zum Thema

Infosys Consulting Holding AG

Governikus GmbH & Co. KG

Künstliche Intelligenz, insbesondere GenAI, eröffnet der Life-Science-Branche neue Innovationsmöglichkeiten. Eine zentrale Herausforderung: das Sammeln, Aufbereiten und Schützen von sensiblen Gesundheitsdaten. Wie schaffen Unternehmen den Spagat zwischen Datenschutz und KI-Fortschritt?

Künstliche Intelligenz (KI) revolutioniert viele Industrien, doch im Life-Science-Bereich wird ihr Potenzial noch nicht vollständig ausgeschöpft. Laut einer Studie des Infosys Knowledge Instituts investierten Unternehmen der Branche im Jahr 2023 rund 470 Millionen US-Dollar in generative KI – und gehörten damit zu den Sektoren, die am wenigsten für diese Technologie ausgegeben haben. Gleichzeitig, so die Studie, erwarten 37 Prozent dieser Unternehmen durch KI signifikante Verbesserungen in ihrer operativen Effizienz und Automatisierung. Der Sektor ist damit einer der optimistischsten. Woher kommt diese Diskrepanz?

Ein Fokuspunkt: der Umgang mit sensiblen Gesundheitsdaten beim Einsatz von KI. Diese persönlichen Daten sind essenziell für den Aufbau von KI-Modellen, unterliegen aber schon heute hohen Schutzstandards, um sie vor Missbrauch und ungewollten Zugriffen zu schützen. Auch wenn das allein nicht für die zögerliche Implementierung von KI verantwortlich ist, stellen sich viele Life-Science-Unternehmen die Frage, wie sie ihren technologischen Fortschritt vorantreiben können, ohne dabei den Schutz dieser hochsensiblen Informationen zu gefährden.

Fortschrittsdiagnose: Viel KI-Potential, aber auch viele Fragen

Klar ist, dass KI den Life-Science-Sektoren immense Dienste erweisen kann. Insbesondere bei chronischen Krankheiten wie Diabetes, Herz-Kreislauf-Erkrankungen oder Krebserkrankungen, bei denen große Datenmengen zur Verfügung stehen, ist es möglich, mithilfe von KI-Modellen personalisierte Therapieansätze und präzisere Vorhersagen zu entwickeln. Ebenso können sie dabei unterstützen, Erkrankungen präventiv oder bereits im Frühstadium zu erkennen, was nicht nur das Wohl der Patientinnen und Patienten fördert, sondern auch Gesundheitskosten senken kann. Therapieunterstützende Anwendungen oder intelligente Medizingeräte, die durch KI weiter optimiert werden, sind ebenfalls zentrale Innovationsfelder.

Neues KI-Modell

Effizientere Diagnostik dank Anomalieerkennung

Essenziell für diese Anwendungsmöglichkeiten sind KI-Modelle, die unvoreingenommen, sicher und zuverlässig sind. Dabei stehen Unternehmen vor kritischen Fragen: Wie können sensible Gesundheitsinformationen geschützt werden, insbesondere wenn KI- und Cloud-Anwendungen außerhalb des eigenen Netzwerks zum Einsatz kommen? Wie lassen sich KI-Modelle so trainieren, dass sie fundierte medizinische Entscheidungen unterstützen können? Wie können komplexe und seltene Krankheitsbilder in KI-Algorithmen berücksichtigt werden? Die Antwort: Hochwertige, gut sortierte und vertrauenswürdige Daten sind für KI, was ausgewogene Ernährung für die Gesundheit ist – die Basis für langfristigen Erfolg.

Gute Daten, gute Prognosen: Wie die KI von der Datenqualität lebt

Nur der Einsatz großer, detaillierter Datensätze erlaubt es, präzise Modelle zu entwickeln, die personalisierte medizinische Analysen liefern können. Doch während die Datenverarbeitung für die direkte medizinische Versorgung vertraglich geregelt ist, ist für die Nutzung dieser Daten zu Forschungszwecken oder zur Verbesserung von Therapieansätzen die explizite Einverständniserklärung der Patienten erforderlich. Das kann Innovationsprozesse verkomplizieren.

Um diese strikten Anforderungen zu erfüllen und gleichzeitig ihre Forschung vorantreiben zu können, arbeiten Unternehmen oft mit der Anonymisierung und Pseudonymisierung von Daten. Bei der Anonymisierung werden personenbezogene Daten unkenntlich gemacht, sodass Rückschlüsse auf einzelne Personen nicht mehr möglich sind. Die Pseudonymisierung ersetzt persönliche Identifikatoren durch einen Alias, sodass der Bezug zu einer Person nur unter bestimmten Bedingungen wiederhergestellt werden kann. Jedoch gibt es Herausforderungen: Bestimmte Parameter wie Geschlecht und Alter sind oft entscheidend für medizinische Analysen, sodass eine vollständige Anonymisierung nicht immer praktikabel ist. Hier bieten Maskierungstechniken alternative Ansätze, bei der sensible Daten durch fiktive, aber realistische Werte ersetzt werden.

Interview mit Dr. Eike Dazert zum Data-Anonymization-Projekt AVATAR

„Anonyme Datensätze unterliegen nicht mehr der DSGVO“

Bei den verwendeten Datensätzen muss sichergestellt sein, dass keine Verzerrungen (Bias) vorhanden sind, die die Qualität der Ergebnisse beeinträchtigen könnten. Ein globaler Ansatz, bei dem die Datensammlung nicht auf eine spezifische Region oder Population beschränkt ist, kann dem vorbeugen. Indem vielfältige Datenquellen einbezogen werden, lassen sich zudem breitere Ursache-Wirkungs-Beziehungen erkennen und bessere Therapieansätze entwickeln. Doch was tun, wenn nicht ausreichend repräsentative Daten vorliegen, zum Beispiel zu seltenen Krankheitsbildern oder speziellen Patientengruppen? In solchen Fällen bieten synthetische Daten eine vielversprechende Alternative. Dabei werden Krankheitsverläufe und Patientendaten künstlich erzeugt, um KI-Modelle mit ausreichend Trainingsmaterial zu versorgen.

Mit dem Entwickeln und Trainieren von KI-Modellen ist es aber nicht getan. Da sie sich durch neue Daten ständig anpassen, besteht die Gefahr, dass Abweichungen und damit fehlerhafte Diagnosen oder Empfehlungen entstehen. Deshalb gilt es, die Qualität der Modelle regelmäßig zu überprüfen. Diese Transparenz- und Qualitätskontrolle ist auch durch den regulatorischen Rahmen vorgegeben und kann durch spezialisierte Beratungsunternehmen unterstützt werden.

Zusätzlich bedarf es Kooperationen zwischen Regulierungsbehörden, Forschungseinrichtungen, Krankenkassen und Unternehmen, um eine ethisch einwandfreie und gleichzeitig effektive Datennutzung zu gewährleisten und sicherzustellen, dass der Einsatz von KI dem Wohl der Patienten dient. Bundespolitische Anreize könnten auch dazu beitragen, übergreifende Datenpools zu schaffen.

Zukunftsdiagnosen: Navigieren durch Fachkräftemangel und Regulatorik

Natürlich ist die Implementierung von KI-Anwendungen in Life-Science-Unternehmen auch von externen Faktoren abhängig. Gebraucht werden Experten und Expertinnen, die sowohl die (sicherheits-)technischen Aspekte der KI-Entwicklung als auch die medizinischen Anforderungen und Risiken verstehen und diese interdisziplinär miteinander verknüpfen. Dieser Fachkräftemangel könnte die Implementierung von KI verlangsamen, was die Branche im Vergleich zu anderen Industrien ins Hintertreffen bringen könnte. Gleichzeitig könnte diese Situation aber Anreize schaffen, Arbeitsprozesse mithilfe von KI effizienter zu gestalten und bestehende Teams zu entlasten, wodurch sich neue Freiräume für Innovation ergeben.

Auch die regulatorischen Rahmenbedingungen von KI entwickeln sich stetig weiter – von Vorteil ist, dass Life-Science Unternehmen mit solchen Regularien bereits vertraut sind. Der Einsatz von „Clinical Decision Support“-Systemen, die KI-Komponenten beinhalten, wird bereits seit geraumer Zeit durch die Medical Device Regulation (MDR) geregelt. Zeitnah ist damit zu rechnen, dass diese Regulierung konkretisiert wird, um den KI-Einsatz in Medizingeräten oder Software-Applikationen zur Patientenbehandlung abzudecken. Weitere „Good Practice“-Ergänzungen zu bestehenden Regulierungen sind zu erwarten. Durch die zu erwartende Rechtssicherheit können Unternehmen beginnen, diese Rahmenbedingungen in ihre Governance-Strukturen zu integrieren und das Potential von KI in ihren Geschäftsprozessen auszuschöpfen.

Eine neue Ära der Medizinversorgung durch KI

Die Zukunft der Patientenversorgung steht an der Schwelle einer neuen Ära: Durch den gezielten Einsatz von KI können Behandlungen individueller gestaltet und die Krankheitsprävention gestärkt werden, um die Gesundheit der gesamten Bevölkerung zu verbessern und ärztliches Personal zu entlasten. Besonders vor dem Hintergrund des akuten Personalmangels im Gesundheitswesen sind solche Maßnahmen essenziell. Diese technologische Entwicklung bringt aber große Verantwortung mit sich: Die Zuverlässigkeit der KI-Modelle ist nur so stark wie die Daten, auf denen sie basieren. Dabei müssen Unternehmen eine fragile Balance zwischen dem Schutz hochsensibler Gesundheitsdaten und ihrer Innovationskraft schaffen. Nur wer diese Gratwanderung meistert, wird in der Lage sein, zum Fortschritt der Medizin und damit zum Nutzen seiner Patienten beizutragen.

Forschung mit sensiblen Gesundheitsdaten

„Klassische Anonymisierungstechniken sind nicht geeignet“

(ID:50219453)