Treffer: [Implementation of artificial intelligence (AI) in healthcare: historical development, current technologies and challenges].
BMC Health Serv Res. 2024 Oct 25;24(1):1282. (PMID: 39456040)
Nat Rev Cancer. 2018 Aug;18(8):500-510. (PMID: 29777175)
NPJ Digit Med. 2023 Dec 19;6(1):236. (PMID: 38114588)
Yearb Med Inform. 2015 Aug 13;10(1):183-93. (PMID: 26293867)
ESMO Open. 2022 Oct;7(5):100555. (PMID: 35988455)
Blood. 2023 Dec 28;142(26):2315-2326. (PMID: 37890142)
NPJ Digit Med. 2025 Mar 22;8(1):175. (PMID: 40121370)
Acta Neuropathol. 2018 Feb;135(2):227-247. (PMID: 29134320)
NPJ Digit Med. 2023 Jun 10;6(1):111. (PMID: 37301946)
Nature. 2023 Apr;616(7956):259-265. (PMID: 37045921)
J Med Internet Res. 2021 Mar 3;23(3):e23483. (PMID: 33656443)
J Med Internet Res. 2020 Jun 29;22(6):e19569. (PMID: 32568730)
Curr Opin Ophthalmol. 2020 Sep;31(5):318-323. (PMID: 32657996)
Mayo Clin Proc. 2023 Feb;98(2):252-265. (PMID: 36114025)
Eur Radiol Exp. 2018 Dec 5;2(1):42. (PMID: 30515717)
Bioethics. 2024 Jan;38(1):78-86. (PMID: 37724044)
JAMA. 1987 Jul 3;258(1):67-74. (PMID: 3295316)
Comput Biol Med. 1978 Jan;8(1):25-40. (PMID: 620517)
Sci Rep. 2022 Jan 27;12(1):1505. (PMID: 35087174)
Local Abstract: [Publisher, German] Die historische Entwicklung der künstlichen Intelligenz (KI) im Gesundheitswesen seit den 1960er-Jahren zeigt eine Transformation, die von einfachen regelbasierten Systemen zu komplexen, datengetriebenen Ansätzen reicht. Frühe Anwendungen konzentrierten sich auf Entscheidungsunterstützung, während innovative Systeme neuronale Netze und maschinelles Lernen nutzen, um Muster in großen Datensätzen zu erkennen. Die Integration von KI-Technologien in der Medizin hat vielfältige Anwendungsfelder hervorgebracht, die sich in präventive, diagnostische, KI-gestützte Therapie und administrative KI unterteilen lassen. Präventive KI analysiert Risikofaktoren, um frühzeitige Interventionen zu ermöglichen, während diagnostische KI zu schnelleren und präziseren Diagnosen beiträgt. KI-gestützte Therapie unterstützt individualisierte Behandlungen, etwa durch personalisierte Medikation. Administrative KI optimiert Prozesse wie Terminplanung, Ressourcenmanagement und Abrechnung.Trotz ihrer Potenziale stehen KI-Systeme vor Herausforderungen. Dazu zählen die Fragmentierung von Gesundheitsdaten, mangelnde Standardisierung, Datenschutzbedenken und algorithmische Verzerrungen. Der Aufbau interoperabler Dateninfrastrukturen und die Entwicklung ethischer Leitlinien sind entscheidend, um diese Hürden zu überwinden. Zukünftige Trends umfassen die Weiterentwicklung von Foundation Models (großen KI-Modellen, die auf breiten Datensätzen basieren und vielseitig einsetzbar sind), die Integration strukturierter und unstrukturierter Daten sowie eine stärkere Personalisierung in der Medizin. Langfristig kann KI die Qualität und Effizienz der Gesundheitsversorgung verbessern. Voraussetzung dafür sind jedoch enge Kooperationen zwischen Anwendern, Forschung, Industrie und Politik, um eine sichere und nachhaltige Implementierung zu gewährleisten.
Weitere Informationen
The historical development of artificial intelligence (AI) in healthcare since the 1960s shows a transformation from simple rule-based systems to complex, data-driven approaches. Early applications focused on decision support, while innovative systems use neural networks and machine learning to recognise patterns in large datasets. The integration of AI technologies in medicine has given rise to diverse areas of application, which can be categorized into preventive AI, diagnostic AI, AI-assisted therapeutic, and administrative AI. Preventive AI analyses risk factors to enable early interventions, while diagnostic AI contributes to faster and more accurate diagnoses. AI-assisted therapy supports individualized treatments, such as personalized medication. Administrative AI optimizes processes such as appointment scheduling, resource management and billing.Despite their potential, AI systems face challenges. These include the fragmentation of health data, a lack of standardisation, data protection concerns and algorithmic biases. The establishment of interoperable data infrastructures and the development of ethical guidelines are crucial to overcoming these hurdles. Future trends include the further development of foundation models (large AI models that are based on broad datasets and can be used in a variety of ways), the integration of structured and unstructured data and greater personalisation in medicine. In the long term, AI can improve the quality and efficiency of healthcare. However, this requires close co-operation between research, industry and politics in order to ensure safe and sustainable implementation.
(© 2025. The Author(s).)
Einhaltung ethischer Richtlinien. Interessenkonflikt: J. von Conta, M. Engelke, F.H. Bahnsen, A. Dada, E. Liebert, F. Nensa und J. Kleesiek geben an, dass kein Interessenkonflikt besteht. A. Diehl ist Aufsichtsratsvorsitzende der Dr. Jäschke AG, Mitglied des Interop Council und erhielt Vortrags‑/Beratungshonorare von ValueBasedManagedCare GmbH, Janssen-Cilag GmbH, Getinge Deutschland GmbH, EIT Health Germany GmbH, Face-to-face GmbH, Siemens Aktiengesellschaft, gematik GmbH, Medical Congresses & Events e. K., Pfizer GmbH, BKK Landesverband Bayern, Amgen GmbH, GE Healthcare, Enthus MCL IT, Ärztinnenorganisation Österreich, Sanofi-Aventis Deutschland GmbH, diateam GmbH, Boehringer-Ingelheim GmbH, Avoxa Mediengruppe Deutscher Apotheker GmbH und Dräger Medical Deutschland GmbH. Für diesen Beitrag wurden von den Autor/-innen keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.