ADKA-Kongress

-

Hilfreiche Tools für mehr AMTS im Krankenhaus

In Zeiten des Fachkräftemangels kann KI entlasten. Aber sie birgt auch Risiken, wenn man KI-generierte Ergebnisse nicht richtig einordnen kann oder die Arbeitsweise von KI-Modellen nicht versteht. Ist das Rechercheergebnis zu einer arzneimittelbezogenen Fragestellung wirklich korrekt? Mehrere Vorträge und Workshops beim ADKA-Jahreskongress vergangene Woche in Düsseldorf verdeutlichten, dass es ohne die Kontrolle durch den Menschen nicht geht. Auch KI-Modelle müssen überwacht werden, damit kein Schaden entsteht.

Welche Rolle spielt KI in der Arzneimittelinformation bereits heute, und welche Rolle kann sie zukünftig spielen? Diesen Fragen näherte sich einer der Workshops. Nach möglichen Potenzialen von KI gefragt, hoben die Teilnehmer vor allem Effizienz in den Arbeitsabläufen, Zeitersparnis und Prozessoptimierung hervor. Es bestand der Wunsch nach Unterstützung in der Recherche, aber auch bei der Formulierung von Texten. Gleichzeitig war allen bewusst, welche Risiken KI bergen kann, wie Umfragen zu Beginn der Session zeigten. Neben falschen Quellen und Fehlinformationen sahen die Teilnehmer auch die Gefahr von Wissensverlust durch oberflächliche eigene Recherche.

Und wer haftet eigentlich für KI-generierte Informationen? Haftungsfragen hinsichtlich KI-generierter Informationen seien ein weiterer kritischer Punkt, da rechtliche Klärung bisher aussteht, so Medizininformatiker Dr. Christopher Gundler vom Universitätsklinikum Hamburg-Eppendorf (UKE).

Obwohl sich viele Teilnehmer in verschiedenen Bereichen Unterstützung durch KI wünschen, beispielsweise bei der Erstellung von Dienstplänen, aber auch beim Lesen und Zusammenfassen von Studien, zeigte sich auch, dass KI bisher oft nur selten genutzt wird und oft nur Grundkenntnisse vorhanden sind.

Gundler legte die verschiedenen Arten beziehungsweise Ebenen der KI dar – angefangen von einfachen Anwendungen bis hin zu Deep-Learning-Anwendungen. Je nach gewünschter Anwendung kommen verschiedene KI-Modelle in Frage. Dienstpläne beispielsweise seien klar strukturiert und folgten klaren Regeln, während zum Verstehen von Studien große Sprachmodelle benötigt würden. Gundler machte deutlich, dass KI – in verschiedenen Abstufungen – mit der Verarbeitung und Erkennung von Mustern arbeitet und so den Eindruck erweckt, als könne man sich mit ihr unterhalten. Daher sei es immanent, sehr konkret zu prompten.

Er unterstrich, dass Deutschland bei der durchaus defizitären Entwicklung von KI-Systemen abgehängt sei. Das biete nun die Möglichkeit, auf anderer Ebene einzusteigen – nämlich in die »Fütterung« der Systeme mit Daten. In Bezug auf sensible Daten, wie sie im Gesundheitswesen vorkommen, regte er an, mit kleinen Modellen zu arbeiten, die auch auf eigenen Servern betrieben werden könnten. Klinikübergreifende Kooperationen seien hier sinnvoll.

Als Beispiel eines gelungenen solchen Projekts nannte er Ampel/LAMPE des Universitätsklinikums Leipzig: Ampel ist ein KI-basiertes System zur Unterstützung von Entscheidungen und kann große Mengen klinischer Daten in Echtzeit auswerten, um Risiken und Komplikationen frühzeitig zu erkennen und die Patientensicherheit zu erhöhen. Daraus entstand die praktische Anwendung »LAMPE«, die als Medizinprodukt zugelassen ist. Dieses System unterstützt Ärzte im Klinikalltag mit automatischen Warnhinweisen und Therapieempfehlungen.

Pharmazeutische Interventionen können mit verschiedenen Systemen beurteilt werden. Der Workshop zur Relevanz pharmazeutischer Interventionen befasste sich mit zwei Systemen zu deren Einordnung – NCC MERP und CLEO:

• The National Coordinating Council for Medication Error Reporting and Prevention (NCC MERP), mit dessen Hilfe die Schwere von Medikationsfehlern erfasst werden kann. Dabei wird das ABP dokumentiert und nach Schweregraden klassifiziert und ausgewertet.
• Das CLinical, Economic and Organisational Tool, kurz CLEO, hingegen erfasst die Relevanz der Intervention hinsichtlich klinischer, ökonomischer und organisatorischer Gesichtspunkte. Es zeigt aber auch auf, wenn eine Intervention negative Auswirkungen hatte.

Um pharmazeutische Interventionen und Medikationsfehler dokumentieren und auswerten zu können, wurde das Modul »DokuPIK« der ADKA-Datenbank eingerichtet. Anhand mehrerer Patientenfälle machten sich die Teilnehmenden im Rahmen des Workshops mit dem Modul vertraut und beurteilten Patientenfälle sowohl nach NCC MERP als auch nach CLEO. Die Diskussionen verdeutlichten eindrücklich, wie unterschiedlich sowohl der Schweregrad des zugrunde liegenden Medikationsfehlers klassifiziert als auch die Relevanz der pharmazeutischen Interventionen interpretiert werden können – trotz der vorhandenen Entscheidungshilfen für beide Tools.

Die Beurteilung nach CLEO erfolgt anhand eines Flussdiagramms. Der Interpretationsspielraum zeigte sich hier an der Frage, ob sich das leitliniengerechte Ansetzen einer Statin-Therapie wirklich positiv auf die Lebensqualität der Patientin auswirken könnte. Oder empfindet die Patientin es anders, weil sie eine Tablette (mehr) einnehmen muss? Ina Richling, die den Workshop gemeinsam mit drei Kolleginnen gab, wies darauf hin, dass die Bewertung der Relevanz nach CLEO auf den Zeitraum des Krankenhausaufenthalts bezogen werden solle. So werde eine übermäßige Interpretation vermieden.

Auch bei einer Klassifizierung nach NCC MERP solle man sich vor zu viel Interpretation hüten, sonst könne man schnell über das Ziel hinausschießen. Als Unterstützung steht auch hier ein Algorithmus bereit, der fünf Fragen beinhaltet:

• Gibt es einen aktuellen Fehler?
• Verursacht der Fehler den Tod eines Patienten?
• Wurde der Patient geschädigt?
• Verursachte oder verlängerte der Fehler den Krankenhausaufenthalt?
• Ist die Schädigung des Patienten vorübergehend?

Die Teilnehmenden klassifizierten die fehlende Statintherapie nach Apoplex von A (»Circumstances or events that have the capacity to cause error«) bis hin zu F (»An error occurred that may have contributed to or resulted in temporary harm to the patient and requires initial or prolonged hospitalization«) ein. Insbesondere die Einstufung in Kategorie F beruhte auf der Interpretation, dass die Patientin wegen der fehlenden Statintherapie stationär behandelt werde.

Erfolge die Klassifizierung jedoch strikt nach den fünf Fragen, so resultiere eher ein C (»An error occurred that reached the patient but did not cause patient harm«), so Richling. Die Referentinnen empfahlen, vor Nutzung der Systeme intern intensiv zu schulen, um im Team möglichst einheitlich zu klassifizieren.