Datenlücken und Bias: Wie KI im Gesundheitswesen scheitern kann
Theresa Ahrens vom Fraunhofer IESE erklärt, wie einseitige Daten bei KI-Entwicklung im Gesundheitswesen zu Fehldiagnosen führen können, und fordert eine bessere, vielfältigere Datenbasis und internationale Kooperation, um Verzerrungen zu reduzieren und die Qualität der Algorithmen zu sichern.
- IT
- Medizin
Theresa Ahrens, Expertin für Digital Health Engineering, beschreibt im Interview die großen Herausforderungen bei der Nutzung von KI im Gesundheitswesen, insbesondere aufgrund von Bias in Datensätzen. Diese Verzerrungen entstehen durch unausgewogene Daten, die oft bestimmte Bevölkerungsgruppen wie Frauen, Kinder und People of Colour unterrepräsentieren und die Diagnosen und Entscheidungen in diesen Gruppen erschweren. Sie plädiert dafür, synthetische Daten und internationale Kooperationen zu nutzen und betont die Bedeutung einer strengen Qualitätskontrolle sowie einer guten Datenbasis in der KI-Entwicklung. Initiativen wie der Europäische Gesundheitsdatenraum und die elektronische Patientenakte könnten die dringend benötigten Längsschnittdaten langfristig liefern. Ahrens weist darauf hin, dass die bestehenden Lücken nur durch gezielte Anstrengungen in der Datensammlung, Standardisierung und Wissenschaftskommunikation geschlossen werden können, um die Vorteile von KI für das Gesundheitswesen sicherzustellen…
heise.de
Gebündelt, stets aktuell und immer handverlesen werden alle Neuigkeiten gesammelt und anwenderbezogen aufbereitet.
