Aufrufe
vor 1 Jahr

IT for Health 01/2020

  • Text
  • Konkret
  • Digitale
  • Threema
  • Kommunikation
  • Elektronische
  • Patientendossier
  • Digitalisierung
  • Schweizer
  • Gesundheitswesen
  • Patienten

E-HEALTH KONKRET «

E-HEALTH KONKRET « Software soll Medizinern helfen, die richtige Entscheidung zu treffen » Julia Vogt entwickelt neue Formen des maschinellen Lernens, die für klinische Datenanalysen und Präzisionsmedizin zum Einsatz kommen. Im Interview spricht sie über die Chancen und Tücken ihres Forschungsgebiets sowie darüber, warum der Begriff «personalisierte Medizin» mitunter falsche Hoffnungen weckt. Interview: Joël Orizet Was verstehen Sie unter personalisierter Medizin? Julia Vogt: Personalisierte Medizin, auch Präzisionsmedizin genannt, bezeichnet die Anpassung der medizinischen Behandlung an die individuellen Merkmale eines Patienten. Konkret versteht man darunter die Fähigkeit, Personen anhand ihrer Eigenschaften in Untergruppen einzuteilen. Die Patienten in den jeweiligen Untergruppen können sich auf verschiedene Weisen unterscheiden, zum Beispiel in ihrer Anfälligkeit für eine bestimmte Krankheit, in der Prognose einer Krankheit, im Krankheitsverlauf oder in der Reaktion auf eine bestimmte Behandlung. Vorbeugende oder therapeutische Massnahmen werden dann individuell auf jene Patienten konzentriert, die davon profitieren. So bleiben den Personen, die aufgrund ihrer Genetik oder Lebensumstände nicht von einer bestimmten Behandlung profitieren, Nebenwirkungen erspart. Der Begriff weckt viele Hoffnungen. Welche davon sind falsch? Der Begriff «personalisierte Medizin» wird gerne falsch interpretiert, da er möglicherweise suggeriert, dass für jeden Einzelnen individuelle Behandlungen entworfen werden können. Personalisierte Medizin bedeutet aber nicht wörtlich die Neuerfindung von Medikamenten oder medizinischen Geräten für einen einzigen Patienten, weshalb meist der Begriff «Präzisionsmedizin» bevorzugt verwendet wird. Die Idee der Präzisionsmedizin besteht darin, alle verfügbaren Informationen zu nutzen, um Patienten auf personalisierte Weise zu behandeln. Sie bricht mit der Annahme, dass alle Patienten mit dem gleichen Krankheitsbild automatisch mit der gleichen Therapie behandelt werden sollen. Wo sehen Sie die grössten Chancen der Präzisionsmedizin? Allgemein sehe ich in der Präzisionsmedizin eine grosse Chance, Patienten eine bessere Heilung zu ermöglichen. Bei einer optimalen Behandlung werden Nebenwirkungen verhindert und Ärzte bei der Medikamentenwahl und der Bestimmung der optimalen Dosis unterstützt. Die Effizienz der Behandlung von Krankheiten steigt. Bei gewissen Patienten kann abgeschätzt werden, wie wahrscheinlich es ist, dass sie eine bestimmte Krankheit entwickeln werden. Dies kann dabei helfen, Krankheiten sehr früh gezielt zu behandeln oder präventive Massnahmen zu ergreifen, was wiederum zu besseren Prognosen führt. Wie verändert die Präzisionsmedizin die Sicht auf den Patienten? Präzisionsmedizin hängt in hohem Masse von einer individuellen Kontextualisierung der für den einzelnen Patienten verfügbaren Daten ab. Das Aufkommen von modernen Techniken wie Hochdurchsatz-Sequenzierung, Proteomik, Metabolomik oder hochauflösende Mikroskopie ermöglicht eine sehr differenzierte Betrachtung des Patienten aus systemischer Sicht. Da diese Techniken immer mehr Teil der Standardpraxis werden, wird in Krankenhäusern eine Fülle von heterogenen Daten gesammelt. Diese Informationsfülle zu jedem Einzelfall macht es möglich, Patienten in immer differenziertere Untergruppen einzuteilen und entsprechend ihrer in dem Sinne personalisierten Bedürfnisse zu behandeln. Eines Ihrer Forschungsgebiete befasst sich mit therapeutischen Entscheidungshilfen für Ärzte. Können Sie ein Beispiel nennen? Ein Beispiel aus meinem Forschungsgebiet ist die personalisierte Vorhersage in der Neugeborenenmedizin mithilfe von maschinellem Lernen. Eine der häufigsten Erkrankungen bei Neugeborenen ist die Neugeborenengelbsucht. Zum Glück verläuft sie meist harmlos. Unerkannt und unbehandelt kann sie jedoch zu lebenslangen Beeinträchtigungen führen. In einem Projekt zusammen mit dem Universitäts-Kinderspital beider Basel (UKBB) « Die Idee der Präzisionsmedizin bricht mit der Annahme, dass alle Patienten mit dem gleichen Krankheitsbild mit der gleichen Therapie behandelt werden sollen. » Julia Vogt, Assistenzprofessorin für medizinische Datenwissenschaften, ETH haben wir uns deshalb zum Ziel gesetzt, ein Computermodell zu entwickeln, das sehr früh eine individuelle Vorhersage für eine therapiebedürftige Neugeborenengelbsucht treffen kann. In einer Beobachtungsstudie am UKBB mit wiederholten Blutmessungen des gelben Blutfarbstoffs Bilirubin von vielen hundert Neugeborenen haben wir aus einer Vielzahl klinischer und laborchemischer Parameter die Schlüsselfaktoren ermittelt, die 10

« Ideal für Forschende im Bereich Data Science und Machine Learning wäre eine schweizweite Datenbank für Forschungszwecke. » E-HEALTH KONKRET Julia Vogt, Assistenzprofessorin für medizinische Datenwissenschaften, ETH für die Vorhersage einer therapiebedürftigen Erkrankung notwendig sind. Wie kann man sich das konkret vorstellen? Um die Vorhersagetechnik in der Klinik anwendbar zu machen, entwickelten wir eine Webapplikation mit einfacher Handhabung. Die frühe individuelle Vorhersage einer therapiebedürftigen Neugeborenengelbsucht ist damit mit einer sehr hohen Zuverlässigkeit möglich. Diese mithilfe von maschinellem Lernen neu entwickelte medizinische Entscheidungshilfe hat das Potenzial, die Patientensicherheit von Neugeborenen zu erhöhen, unnötige Untersuchungen zu vermeiden und die Therapie- und Patientenverweildauer zu optimieren. So kann eine verfrühte Entlassung aus dem Spital verhindert und gegebenenfalls die nötige Therapie veranlasst werden. Das Tool ist zudem so konzipiert, dass der Aufwand für das behandelnde Gesundheitspersonal minimal ist – ein wichtiger Faktor für den klinischen Alltag. Für die medizinische Forschung ist es gemäss ETH-Professor Ernst Hafen schwierig, an relevante Patientendaten zu gelangen. Machine Learning ist jedoch auf hochwertige Trainingsdaten angewiesen. Wie kommen Sie an genügend Daten heran? Hochwertige Trainingsdaten sind natürlich enorm wichtig. Im Gebiet der Medizininformatik sind fachübergreifende Kollaborationen essenziell, und in meiner Forschung stütze ich mich derzeit auf die Kombination aus starken nationalen und internationalen Kollaborationen mit klinischen Partnern sowie Open- Access-Daten. Forschende im Bereich des maschinellen Lernens generieren mathematische Modelle, die effizient mit grossen und heterogenen Daten umgehen können. Unsere klinischen Partner hingegen generieren hochwertige Daten und verfügen über medizinisches Fachwissen. Durch diese fachübergreifende Zusammenarbeit entsteht eine gut funktionierende, natürliche Symbiose. Ich hatte in den letzten Jahren das grosse Glück, mir ein sehr gutes Netzwerk an klinischen Partnern aufbauen zu können. So erhalte ich hochwertige Trainingsdaten und gleichzeitig auch die notwendige klinische Fragestellung und Unterstützung bei der medizinischen Interpretation der Ergebnisse. Zudem gibt es mittlerweile für bestimmte Szenarien sehr grosse öffentlich zugängliche Datensätze, an denen wir unsere Modelle zusätzlich testen und validieren können. Trotzdem bleibt der Zugang zu Trainingsdaten für die Grundlagenforschung ein Problem. Was kann man dagegen tun? Ideal für Forschende im Bereich Data Science und Machine Learning wäre eine grosse, schweizweite Datenbank, die für Forschungszwecke zugänglich ist. Das Swiss Personal Health Network, das die fünf universitären Spitäler der Schweiz mit 11

Archiv