Die Datenwirtschaft #6: Gesundheit!

Ausgabe 6 - Gesundheit!

Willkommen

KI hat den Ruf, Jobs zu vernichten und Menschen zu ersetzen. Auch im Gesundheitswesen gibt es etliche Anwendungen, die mit Algorithmen und Modellen helfen, Krankheiten schneller und effizienter zu erkennen. Werden Ärzte jetzt nach und nach arbeitslos?

Wer viele Daten sammelt, sollte sie speichern. Stichwort: Data Warehouse. Wie kommen die denn in das Warenhaus und welche Schritte sind im Vorfeld nötig?

Viel Spaß beim Lesen!

KI im Gesundheitswesen

Mit künstlicher Intelligenz sollen viele Probleme der Menschheit letztendlich gelöst werden. Dank immer größerer Rechenleistungen sind die Algorithmen und Machine Learning Modelle zu immer imposanteren Dingen in der Lage. Auch im Gesundheitswesen helfen sie ggf. Krankheiten besser zu erkennen und in der Forschung erheblich schneller zu werden.

Ein Klassiker ist die Bilderkennung. Das bekannteste Beispiel ist eine KI, die in der Erkennung von Verdachtsfällen bei Brustkrebs effizienter ist, als ein Mensch. Was nicht bedeuten darf, dass Computer eine Diagnose durchführt und dem Patienten mitteilt. Die KI darf nur zur Unterstützung von Ärzten eingesetzt werden. Meiner Meinung nach ist es unabdingbar, dass ein Mensch die letztendliche Diagnose durchführt und dem Patienten emphatisch erklärt und mitteilt.

Das israelische Unternehmen Zebra stellt Radiologen ein System zur Verfügung, das Röntgenaufnahmen automatisch nach Anomalien scannt. Damit unterstützt das System in der Erkennung von Krankheiten, die nicht im Fokus lagen.

Mit Babylon steht ein Service zur Verfügung, der mittels einer App Menschen auch virtuell in Gesundheitsfragen unterstützt. Dazu gehören echte Gespräche mittels Video-Calls, als auch Hilfe bei einer Erst-Diagnose innerhalb der App. Somit kann weniger mobilen Menschen ein Arztbesuch leichter ermöglicht werden.

Es gibt noch viele weitere gute Beispiele, aber eines haben fast alle Gemeinsam: Der Mensch trifft am Ende eine Entscheidung und führt die Diagnose durch. Das System hilft bei der Findung dieser Entscheidung. Und das ist ein wichtiger Bestandteil. Denn auch im Gesundheitssystem ist die Gefahr groß, dass die Trainingsdaten schon einen Vorbehalt hatten. Über die allgemeine Herausforderung bzgl. Ethik und KI habe ich einen kleinen Artikel geschrieben.

ETL

Extract. Transform. Load. Drei Worte, die beiim Data Engineering sehr wichtig sind. Dahinter verbergen sich die Prozessschritte der Datengewinnung aus verschiedenen Quellen (Extract), Transformation (Transform) der Daten in eine Struktur um diese einheitlich in einem Data-Warehouse zu speichern (Load).

Diese drei Schritte sind meist dem eigentlichen Datenanalyse-Projekt vorgelagert. Ziel ist eine Data-Pipeline aufzubauen, damit sie weitestgehend automatisiert durchgeführt werden. Nur so kann ein Warehouse ordentlich gefüttert werden.

Wer sich mit Python beschäftigt, hat diverse Möglichkeiten zur Umsetzung. Es ist jedoch nicht erforderlich tief gehende Programmierkenntnisse zu haben. Sogenannte No-Code-Lösungen können ebenfalls ihre Dienste leisten. Welche Lösung präferiert wird, ist letztendlich Fall abhängig. AWS propagiert mit dem Service Athena einen „No-ETL“ Ansatz. Man spart sich Lizenzen für Datenbanksysteme, Server und Wartung. Ähnliche Dienste gibt es von Microsoft Azure und Google. Welche Art genutzt wird, ist Geschmacksache. Wichtig ist sein Data Warehouse mit den Daten zu füllen, um damit weiterzuarbeiten.

Links

Wenn ein Unternehmen Datengetrieben sein möchte, sollten alle wie Data Scientists denken. Ist das so? Ich weiß nicht.

PyTorch im deep dive! - Deep Learning mit Python.

In Fünf Schritten zur eigenen KI-Anwendung - Vieles bekanntes, dennoch interessant zu lesen.

Das Recommender System von TikTok ist unfassbar gut. Was dahintersteckt, erklärt TikTok selber!

Damit haben wir wieder das Ende der dieser Ausgabe erreicht! Ich freue mich über Verbesserungsvorschläge und Tipps für Themen, Links oder Meinungen. Gerne per Mail an hallo@datenwirtschaft.online oder einfach per Twitter an mich senden.

Dir hat der Newsletter gefallen? Empfiehl ihn doch weiter.