Skip to main content
Erschienen in: Schweizer Gastroenterologie 4/2023

Open Access 27.11.2023 | Originalien

Die Rolle der artifiziellen Intelligenz in der Gastroenterologie – Already changing the game!

verfasst von: PD Dr. med. Henriette S. Heinrich, Peter Bauerfeind

Erschienen in: Schweizer Gastroenterologie | Ausgabe 4/2023

Zusammenfassung

Die Artifizielle Intelligenz (AI) wird oft als Zukunftsmusik abgetan – dabei verändert sie bereits zum jetzigen Zeitpunkt die Gegenwart vieler Gastroenterolog/innen. Die beiden prominentesten Beispiele sind der Einsatz einer AI im Bereich der Polypendetektion bei der Vorsorgekoloskopie und die Veränderungen, die die Verwendung von ChatGPT im Bereich der Administration und Patientenversorgung mit sich bringt.
In vielen anderen Bereichen wie der Diagnostik des Barrettkarzinomes oder bei der Klassifizierung von Pankreaszysten wird die AI in Zukunft die diagnostischen Fähigkeiten von Gastroenterolog/innen verbessern. Offene Fragen bleiben in Bezug auf die Sichtweise des Patienten auf den Einsatz dieser neuen Techniken und den Einsatz der AI in der Ausbildung und Lehre.
Hinweise
QR-Code scannen & Beitrag online lesen

Hinweis des Verlags

Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral.
Die gängige Wahrnehmung der artifiziellen Intelligenz (AI) ist, dass diese unsere Zukunft bestimmen wird – dabei ist diese neue Technologie schon mitten unter uns.
Das maschinelle Lernen mittels neuronaler Netzwerke, die die Funktion des menschlichen Gehirns imitieren, wobei grosse Datenmengen analysiert werden, um prädiktive Muster zu erkennen, beeinflusst unsere Tätigkeit im Bereich der Diagnostik bereits massgeblich. Dennoch ist uns oft nicht bewusst, wie sehr die AI bereits unsere Gegenwart relevant bestimmt. In der Gastroenterologie hat sich der Einsatz der AI bei der Polypendetektion etabliert. Weitere Entwicklungen wie die optisch-histologische Diagnose von Polypen, die eine pathologische Aufarbeitung unnötig werden lassen könnten, werden die klinisch-diagnostische Arbeit im Bereich der Gastroenterologie massgeblich und rapide verändern und beeinflussen.
Auf der einen Seite stehen die bereits bewährten Einsatzfelder der AI in der Detektion von Polypen, die die Adenom-Detektionsrate (ADR) als wesentlicher Qualitätsmarker einer Vorsorgekoloskopie massgeblich verbessern. Zudem eröffnet die AI aufregende neue Möglichkeit in der Frühdiagnostik und Prävention von Barrettkarzinomen. Ebenfalls wird die AI bei der Auswertung von Kapselendoskopien und pH-Impedanzstudien eine relevante Rolle einnehmen. Auch im Bereich der Endosonographie wird die AI die Charakterisierung von Pankreaspathologien und subepithelialen Tumoren in sehr naher Zukunft entscheidend verändern.
Auf der anderen Seite steht die berechtigte Frage, wie die AI Daten auswertet und wie stark das Resultat von den in die AI eingespeisten Daten abhängt, um das Phänomen einer systemisch bedingten Diskriminierung bzw. Bias durch den Algorithmus zu vermeiden.
Zudem ist bis anhin nur aus Studien in der diagnostischen Radiologie erforscht, wie Patienten die Rolle der AI wahrnehmen und inwiefern die Aufgabe des Arztes der Zukunft darin besteht, die Ergebnisse der AI in die Patientenversorgung sinnvoll zu integrieren.
Das Ziel dieses Artikels ist auf die relevanten Neuerungen im Bereich der AI in der Gastroenterologie einzugehen, aber auch kritisch die „Pitfalls“ der AI zu beleuchten.

AI der Zukunft – Überall im Gastrointestinaltrakt?

Die Anwendung der artifiziellen Intelligenz beschränkt sich nicht nur auf die Koloskopie und die Polypendetektion – auch wenn viele der im Folgenden erwähnten Neuerungen noch nicht Einzug in die klinische Praxis gehalten haben und eine Marktzulassung erhalten haben, in 5–10 Jahren werden sie den Alltag in der Gastroenterologie bestimmen und hoffentlich relevant erleichtern.

Oberer GI-Trakt – Refluxerkrankung, Barrettösophagus und Karzinomdetektion

Im Bereich der Refluxerkrankung und der Motilitätsstörungen des Ösophagus sind die Endoskopie sowie pH-Impendanzmessung bzw. die hochauflösende Manometrie neben der Endoskopie wichtige diagnostische Tools. Eine AI bietet ungekannte Möglichkeiten, grosse Datensets in kürzester Zeit zu analysieren und komplexe Interaktionen schnell zu erkennen.
Die AI wurde im Bereich der Endoskopie in einer kleinen Studie zur verbesserten Diagnostik einer Refluxösophagitis nach der Los-Angeles-Klassifikation erfolgreich eingesetzt [1].
Des Weiteren wird die AI bei der molekularbiologischen Diagnose der eosinophilen Oesophagitis an Bedeutung gewinnen [2].
Wenige Studien haben sich bis jetzt mit der diagnostischen Treffsicherheit der AI in Bezug auf die Diagnose der Refluxerkrankung beschäftigt, dennoch zeigen kleinere Studien, dass die in einer pH-Metrie erhobenen Daten wie Anzahl der Refluxereignisse, Säureexpositionszeit und Basis-Impedanz durch eine AI zuverlässig analysiert werden können und so dem Untersucher potenziell eine relevante Zeitersparnis gestatten [3].
Auch im Bereich der oesophagealen Motilitätsstörungen konnte gezeigt werden, dass eine adäquat trainierte AI die Analyse von Schlucken nach der Chicago-Klassifikation korrekt und präzise durchführen kann [4].
Sowohl beim Barrettösophagus, der ein Risiko für die Entstehung eines Adenokarzinoms birgt, als auch beim Plattenepithelkarzinom des Ösophagus ist die korrekte Diagnose von verdächtigen Schleimhautläsionen und Frühkarzinomen eine Herausforderung. Die Anwendung von AI-gestützten Dokumentationssystemen und Assistenzsystemen zur korrekten Anwendung der Prag-Klassifikation bei einem Barrettösophagus sind nur der Anfang [5]. Ebigbo et al. entwickelten eine AI zur Detektion als auch korrekten Diagnose dysplastischer Areale innerhalb eines Barrettösophagus mit einer Sensitivität von 92 % und einer Spezifität von 100 %. Zusätzlich gestattet diese AI auch die Differenzierung eines Barrettösophagus von einem Adenokarzinom der Speiseröhre sowie kann sie wahrscheinlich auch in der Zukunft Auskunft über die Tiefe der Invasion des Ösophaguskarzinoms in die Submukosa geben [68].
Das Plattenepithelkarzinom der Speiseröhre wird ebenfalls oft zu spät entdeckt. Der Einsatz einer AI hat analog zum Barrettösophagus eine hohe Sensitivität und Spezifität bei der Detektion verdächtiger Areale und wird ebenfalls Aussagen über die Tiefeninvasion der Läsion und damit über die endoskopische Resektabilität gestatten [9].
Eine analoge Situation findet sich im Magen, wo der Einsatz einer AI sowohl die Detektion als auch Charakterisierung von atropher Magenschleimhaut, präkanzerösen Läsionen und Karzinomen verbessert [10, 11].
Neuere Studien zeigen auch, dass bei der Diagnose von Helicobacter in Zukunft keine Biopsien, sondern eine AI zum Einsatz kommen könnte. Eine Studie zeigte eine Gleichwertigkeit der AI-Diagnose einer Helicobacterinfektion mit einem Ureaseschnelltest und sogar eine klare Überlegenheit gegenüber der Histopathologie [12].

Dünndarm und IBD – AI to the rescue

Die Kapselendoskopie dient der Detektion von okkulten Dünndarmblutungen, entzündlicher Läsionen z. B. im Rahmen eines M. Crohn oder der Feststellung kleiner Tumoren, die sich einer Darstellung in der Schnittbildgebung entziehen. Die Auswertung der Kapselendoskopie bedarf hoher Aufmerksamkeit durch den beurteilenden Arzt und benötigt viel Zeit. Neuere Studien zeigen, dass eine AI die Auswertung der Kapselendoskopie deutlich verkürzt, ohne dass die Detektion hierunter leidet [13]. Zudem scheint der Einsatz einer AI auch die Detektion von Läsionen im Dünndarm zu verbessern, die häufig auf Grund der Grösse und Lokalisation von Untersuchern übersehen werden [14].
Im Bereich der chronisch entzündlichen Darmerkrankungen wird der Einsatz einer artifiziellen Intelligenz nicht nur bei der Diagnostik, sondern auch bei der Feststellung der Krankheitsaktivität, Therapieansprechen und Feststellung dysplastischer Colonschleimhautareale bei der Colitis ulcerosa zu unserem Alltag gehören. Speziell trainierte AI-Algorithmen können ebenso gut wie Experten anhand endoskopischer Bilder die Krankheitsaktivität sowohl bei einem M. Crohn als auch bei der Colitis ulcerosa bestimmen und die Histologie sowie das klinische Outcome vorhersagen. Auf der Basis entnommener Biopsien kann eine AI auch das Ansprechen auf eine Therapie mit Biologica vorhersagen [15].

AI in der Polypendetektion – ein gut bespieltes Feld

Im Bereich der gastrointestinalen Endoskopie ist die AI zur Detektion und Diagnostik von Kolonpolypen am meisten fortgeschritten und etabliert. Die durch den Einsatz einer AI festgestellte sehr hohe Rate von verpassten Adenomen von 26 % auch bei Experten war einer der treibenden Kräfte, diese Technologie im Bereich der Screeningkoloskopie zu etablieren [16]. Der Hauptgrund für verpasste Adenome und damit für Intervallkarzinome ist die nicht vollständige Inspektion der gesamten Colonschleimhaut bzw. das Erkennen eines Polypen als solchen. Nur beim zweiten Punkt kann eine AI-Unterstützung durch visuelle und auditive Hinweise bieten.
Mehrere randomisiert kontrollierte Studien haben den Einsatz einer AI-assistierten Polypendetektion evaluiert. Repici et al. konnten in einer randomisiert kontrollierten Studie an drei Zentren in Italien zeigen, dass auch bei hoher ADR ohne AI (40,0 %) die Detektionsrate von Polypen signifikant auf >50 % mit Einsatz einer AI stieg [17]. Dieser Effekt einer AI auf die ADR konnte in mehreren Studien und Metanalysen bestätigt werden, jedoch zeigen neuere Studien Risse im perfekten Bild: Vergleicht man Auszubildene mit Experten, so können nur die Auszubildenen durch den Einsatz einer AI eine Verbesserung der ADR erzielen [1820].
Weiterhin zeigen Studien, dass exzellente Untersuchende mit bereits hoher ADR diese durch eine AI nicht signifikant verbessern [2125]. Eine neuere Studie mit über 30 verschiedenen Gastroenterologen und 4000 Koloskopien konnte keinen Vorteil durch den Einsatz einer AI nachweisen [26]. Zudem zeigte sich in der AI-Gruppe eine deutlich verkürzte Rückzugszeit – ein Hinweis dafür, dass die AI den Untersucher in falscher Sicherheit wiegen könnte. Auch ist der Grossteil aller Studien zum Einsatz einer AI zur Polypendetektion nicht doppelblind durchgeführt. Die einzige Studie mit doppelblindem Design zeigte allerdings einen Benefit auf die ADR durch den Einsatz einer AI [27].
Zusammenfassend zeigt die aktuell vorliegende Literatur Hinweise, dass eine AI die Qualität der Koloskopie in Bezug auf die Detektion von Polypen und die Verminderung der Rate an verpassen Adenomen verbessert – dennoch bleiben verschiedene Fragen noch offen.
Das blosse Erkennen eines Polypen ist wie bereits erwähnt nicht nur abhängig von der Qualität der Darmvorbereitung, sondern auch von den technischen Fähigkeiten der Untersucher, die gesamte Oberfläche der Darmschleimhaut zu beurteilen – dies beinhaltet die genaue Inspektion hinter Darmfalten. Der Einsatz von Tools wie dem Endocuff hilft zum einen bei der besseren Exponierung der Schleimhaut und zum anderen bei der kreisförmigen Bewegung zur Inspektion der Zirkumferenz des Colonlumens. Auch hier zeigt sich in mehreren randomisiert kontrollierten Studien, dass der alleinige Einsatz dieser Tools – analog zur AI – nur Untersuchern mit schlechter ADR hilft [28, 29].
Kombiniert man jedoch die Devices zur besseren Schleimhautbeurteilung mit der AI, sehen die Ergebnisse etwas anders aus: Eine grosse randomisierte Studie mit 1300 Patienten konnte zeigen, dass die Kombination eines Endocuffs mit der AI die ADR deutlich verbesserte [30].
Dies zeigt deutlich, dass im Bereich der Koloskopie zwar Verlass auf das Polypendetektionsystem ist, jedoch auch die Technik der Koloskopie mit Exposition der gesamten Colonschleimhaut entscheidend ist, um eine hochqualitative Untersuchung zu gewährleisten.
Verschiedene kürzlich erschienene negative Studien zum Einsatz einer AI im Bereich der Screeningkoloskopie weisen darauf hin, dass bei Untersuchern mit hoher ADR ein sogenannter „ceiling effect“ eingetreten sein könnte, sich also die ADR nicht mehr verbessert, auch wenn zusätzliche Hilfsmittel eingesetzt werden [26, 29, 31]. Des Weiteren wird in der Literatur diskutiert, dass durch das Anschalten der AI bei einer Koloskopie ein falsches Gefühl von Sicherheit vermittelt wird und nicht mehr sorgfältig auf die vollständige Beurteilung der Darmmukosa geachtet wird.
Dieses Phänomen wird in einer Studie illustriert, die bei Probanden mit unterschiedlicher Vorerfahrung in der Koloskopie die Augenbewegungen bei der Videobeurteilung von Coloskopien untersuchte. Zwar entdeckte die AI die Polypen schneller als die Probanden, beim Einsatz einer AI nahm jedoch auch die Bewegung der Augen der Probanden, um die Zirkumferenz der Kolonschleimhaut zu untersuchen, deutlich ab. Ein klarer Hinweis dafür, dass sich Untersucher zu sehr auf die alleinige Detektion durch die AI verlassen und so Polypen verpassen [32].

AI in der Diagnose von Polypen – die Zukunft?

Im Bereich der Polypendetektion ist die AI bereits teilweise etabliert, ein weiteres spannendes Feld ist jedoch auch die AI-gestützte Diagnose der Dignität von entdeckten Colonpolypen. Sofern sich diese Systeme etablieren, könnten zwei Strategien die zukünftige Praxis von Gastroenterologen massgeblich erleichtern. So könnten unverdächtige, kleine Adenome zwar reseziert, aber nicht zur histolopathologischen Beurteilung eingesandt werden – eine grosse Kostenersparnis wäre hier möglich. Ein weiteres Prinzip wäre, unverdächtige kleine, zumeist hyperplastische Polypen im Rektosigmoid nach Beurteilung durch eine diagnostische AI zu belassen – auch hier könnten massiv Kosten eingespart werden.
Eine prospektive Studie aus dem Jahr 2022 von Hassan et al. konnte zeigen, dass der Einsatz einer diagnostischen AI mit endoskopischem Standardequipment gestattet, mit hoher Sicherheit (97,6 % NPV) hyperplastische Polypen im Rektosigmoid zu erkennen. Gleichzeitig zeigte sich eine Übereinstimmung von mehr als 96 % bei der Diagnose der AI und der entnommenen Histopathologie. Diese Studie eröffnet ein spannendes Feld in der Diagnostik von Colonpolypen ohne den Einsatz von zusätzlichem, teurem Equipment [33].
Weitere vielversprechende Entwicklungen zur Verbesserung der Koloskopie-Qualität werden aktuell erforscht. So zeigt sich eine AI schon jetzt besser als die Untersucher bei der Einschätzung der Grösse von Polypen [34].
Der Einfluss einer AI auf die Einhaltung der Rückzugszeit oder bei der Messung der Qualität der Darmvorbereitung – beides wesentliche Qualitätsmarker für eine Screeningkoloskopie – sind noch nicht ausreichend erforscht, aber es konnte gezeigt werden, dass eine AI (Endoangel), die die Rückzugszeit und vollständige Exposition der Colonschleimhaut überprüfte, zu einer erhöhten Polypendetektionsrate führte [35].

Endosonographie und AI – Match made in heaven?

Besonders im Bereich der Charakterisierung von Pankreaszysten und der Detektion des Pankreaskarzinomes bietet sich der Einsatz einer artifiziellen Intelligenz an. Dennoch ist die diagnostische Genauigkeit der Endosonographie stark abhängig von der Expertise des Untersuchers und unterliegt grossen Schwankungen von Untersucher zu Untersucher.
Sowohl im Bereich der Ausbildung in der Endosonographie als auch bei Detektion und Charakterisierung von Pankreasläsionen scheint der Einsatz einer AI von Vorteil zu sein [36, 37].
Lernen Auszubildende im Bereich der Endosonographie zunächst durch Annotation von Endosonographievideos die anatomischen Strukturen und mögliche Pathologien erkennen, lässt sich der visuelle Trainingsprozess (Erkennen einer Läsion) vom physisch-endoskopischen Lernprozess (Aufsuchen des Zielareals mit dem Endosonographiegerät und Halten der Position) trennen.
Kleinere Studien konnten zeigen, dass eine speziell trainierte AI bei der endosonographischen Detektion und Charakterisierung von Pankreaszysten und Pankreaskarzinomen hilfreich ist – hier ist jedoch eine Validierung und Bestätigung in grösseren Studien notwendig. Dies gilt ebenfalls für den Einsatz einer AI bei der endosonographisch gesteuerten Feinnadelbiopsie, wo die AI den optimalen Stichkanal bzw. die optimale Stichrichtung zur sicheren und akkuraten Gewebegewinnung voraussagen könnte, und ebenfalls vorhersagen könnte, inwiefern die Biopsie diagnostisch ist oder nicht [38, 39].

Administration – bald nur noch durch die AI?

Im Bereich der apparativen Diagnostik scheint der Einsatz von AI die ärztliche Tätigkeit immer mehr zu durchdringen und unsere diagnostischen und prognostischen Fähigkeiten stark zu verbessern. Wie aber kann der Einsatz einer AI unsere Arbeit im Alltag erleichtern und unsere Dokumentationslast verringern? Im Bereich der Endoskopie existieren zum jetzigen Zeitpunkt nur Studien aus dem Bereich der Koloskopie, ihr Ansatz lässt sich jedoch auf andere Areale der Gastroenterologie wie zum Beispiel die Gastroskopie oder die Sono- und Endosonographie übertragen. Eine Studiengruppe trainierte eine AI anhand von Koloskopievideos zur automatischen Erkennung von anatomischen Leitstrukturen wie der Ileummukosa, der Ileocökalklappe oder der Appendixgrube. Diese AI konnte die gelernten Strukturen mit hoher Sicherheit von normaler Mukosa und Polypen unterscheiden [40]. Hann et al. gingen einen Schritt weiter und entwickelten eine artifizielle Intelligenz, die automatisch die Rückzugszeit berechnete, automatisch Pathologien und anatomische Leitstrukturen dokumentierte und dies in einen Bericht integrierte [41].
Für die Zukunft könnte dies bedeuten, dass eine AI bei der automatischen Erstellung von Endoskopie- und Sonographie-Berichten sowie möglichweise auch bei der Abrechnung von Prozeduren unseren Arbeitsalltag verändern und erleichtern wird.

Patienten und AI – Welche Rolle spielen wir noch?

Es gibt nur wenige Studien, die sich mit der Wahrnehmung der AI aus ärztlicher Perspektive bzw. der Perspektive der Patienten beschäftigen. Eine der wenigen Studien aus der Endoskopie zeigt anhand einer Umfrage bei 24 spezialisierten Endoskopikern, dass diese zwar gutes Grundwissen über eine AI besassen und von den Fähigkeiten einer AI in Bezug auf Polypendetektion und Erleichterung der administrativen Tätigkeiten überzeugt waren, jedoch starke Zweifel am Einbezug einer AI in klinische Entscheidungen haben [42].
Eine deutsche Studie befragte 452 Teilnehmer über ihr Vorwissen und ihre Einstellung in Bezug auf die artifizielle Intelligenz. Fast alle Teilnehmer kannten das Prinzip der AI und mehr als 55 % waren positiv gegenüber dem Einsatz einer AI in der diagnostischen Medizin eingestellt. Die Mehrheit der Befragten bestand jedoch darauf, dass die Ergebnisse, die mittels einer AI erzielt wurden, durch einen Arzt kontrolliert und im klinischen Kontext interpretiert und angewendet werden [43].
Auch die Frage, ob eine AI einen erfahrenen Ausbildner in der Endoskopie und anderen Fachdisziplinen obsolet machen wird, bleibt zu klären. Die meisten neuronalen Netzwerke werden mittels Bilder und Szenarien geschult, die häufige Befunde und Fallbeispiele beinhalten.
Der Wert einer AI bei seltenen Befunden und komplexen klinischen und ethischen Entscheidungen, wo die Erfahrung eines erfahrenen Klinikers bzw. Endoskopikers aktuell unersetzlich ist, wird sich erst noch zeigen müssen.
Eine weitere Fragebogenstudie stellte fest, dass Patienten in Bezug auf den Einsatz einer diagnostischen AI deutlich reservierter waren als junge Gastroenterolog/innen in Ausbildung, da sie fürchteten, den persönlichen Kontakt zu ihrem Arzt zu verlieren [44]. Es bleibt zu klären, ob Patienten in der Zukunft auf dem Einsatz einer AI bestehen werden, um die diagnostischen Fähigkeiten des behandelnden Arztes in ihrem Sinne zu optimieren. Die vorliegenden Studien zeigen jedoch auch, dass die Rolle des Arztes/Ärztin für die Patienten zentral bleibt.

ChatGPT – der Alleskönner

Ein weiteres Tool, das sowohl die Wissenschaft, die Lehre, aber auch die Patientenversorgung verändert, ist ChatGPT, das textliche Inhalte, Bilder, Videos, aber auch Audiodateien auf der Basis einer AI verwendet, um neue Inhalte (wissenschaftliche Publikationen, Patientenberichte, Beantwortung von Emails und Patientenfragen) zu generieren.
Besonders bei der Erstellung von Patientenberichten, administrativen Aufgaben, der Beantwortung von Patientenfragen zum Thema Endoskopie, aber auch der Feststellung und dem Aufgebot des Patienten im richtigen Nachsorgeintervall wird ChatGPT die administrativen Aufgaben von Gastroenterlogen/innen massiv erleichtern können [4547].
Grosse Bedenken bleiben allerdings bei der Erstellung wissenschaftlicher Publikationen und beim Einsatz in der Ausbildung – es konnte zwar gezeigt werdend, dass ChatGPT bei der Erstellung sinnvoller Multiple-Choice-Fragen hilfreich sein kann, der Inhalt jedoch immer noch auf Richtigkeit durch Experten überprüft werden muss [48]. Des Weiteren ist ChatGPT im Bereich der Gastroenterologie noch nicht fähig, das amerikanische Rezertifizierungsexamen der Amerikanischen Gesellschaft für Gastroenterologie zu bestehen [49].

Zusammenfassung und Ausblick

Zusammenfassend hat die AI bereits in vielen Bereichen der gastroenterologischen Tätigkeit – wenn auch noch unbemerkt – Einzug gehalten. Grosse Metanalysen zum Einsatz der AI im oberen und speziell unteren gastrointestinalen Trakt im Bereich der Koloskopie weisen darauf hin, dass der Einsatz der AI für Patienten einen Vorteil in Bezug auf die Diagnose verschiedener gastrointestinaler Erkrankungen hat. Es bleibt noch festzustellen, ob der flächendeckende Einsatz einer AI tatsächlich die Inzidenz und Mortalität z. B. des Kolonkarzinomes senken wird oder die Last der Administration durch AI gesteuerte automatisierte Dokumentation beim medizinischen Personal wirklich sinkt. Feststeht jedoch jetzt schon, dass die AI in der Gastroenterologie angekommen ist.
Es bleibt jedoch zu bedenken, dass eine artifizielle Intelligenz nur so gut ist wie die Daten, die in sie eingespeist werden. Diese werden von fehlbaren und beeinflussbaren Menschen generiert, sodass die Möglichkeit eines von einem Bias geprägten Algorithmus nicht von der Hand zu weisen ist [50]. Wie dies den ärztlichen Entscheidungsprozess beeinflusst und damit das Outcome der Patienten, ist noch nicht klar. Auch ist die rechtliche Komponente des Einsatzes (oder nicht Einsatzes) einer AI zu klären – wer zeichnet in Fällen eines AI-Versagens verantwortlich für eine Fehldiagnose oder Behandlung?
Weiterhin stellen sich ethische Fragen über die in AI-Datensets verwendeten anonymisierten Patientendaten – wird in der Zukunft zu einer Aufklärung zur Endoskopie gehören, dass Bilddaten eine artifizielle Intelligenz eingespeist werden [51]?
Diese Fragen werden sich erst mit dem täglichen Gebrauch einer AI im Alltag klären und regeln lassen – unsere Pflicht ist es, nicht blind der artifiziellen Intelligenz zu trauen, sondern sie mit kritischem Menschenverstand anzuwenden und zu regulieren.

Einhaltung ethischer Richtlinien

Interessenkonflikt

H.S. Heinrich und P. Bauerfeind geben an, dass kein Interessenkonflikt besteht.
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.
Open Access Dieser Artikel wird unter der Creative Commons Namensnennung 4.0 International Lizenz veröffentlicht, welche die Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle ordnungsgemäß nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden.
Die in diesem Artikel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern sich aus der Abbildungslegende nichts anderes ergibt. Sofern das betreffende Material nicht unter der genannten Creative Commons Lizenz steht und die betreffende Handlung nicht nach gesetzlichen Vorschriften erlaubt ist, ist für die oben aufgeführten Weiterverwendungen des Materials die Einwilligung des jeweiligen Rechteinhabers einzuholen.
Weitere Details zur Lizenz entnehmen Sie bitte der Lizenzinformation auf http://​creativecommons.​org/​licenses/​by/​4.​0/​deed.​de.

Hinweis des Verlags

Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral.
Literatur
1.
Zurück zum Zitat Ge Z et al (2023) Using deep learning and explainable artificial intelligence to assess the severity of gastroesophageal reflux disease according to the Los Angeles Classification System. Scand J Gastroenterol 58:596–604 CrossRefPubMed Ge Z et al (2023) Using deep learning and explainable artificial intelligence to assess the severity of gastroesophageal reflux disease according to the Los Angeles Classification System. Scand J Gastroenterol 58:596–604 CrossRefPubMed
2.
Zurück zum Zitat Sallis BF et al (2018) An algorithm for the classification of mRNA patterns in eosinophilic esophagitis: Integration of machine learning. J Allergy Clin Immunol 141:1354–1364.e9 CrossRefPubMed Sallis BF et al (2018) An algorithm for the classification of mRNA patterns in eosinophilic esophagitis: Integration of machine learning. J Allergy Clin Immunol 141:1354–1364.e9 CrossRefPubMed
5.
Zurück zum Zitat Ali S et al (2021) A pilot study on automatic three-dimensional Quantification of Barrett’s esophagus for risk stratification and therapy monitoring. Gastroenterology 161:865–878.e8 CrossRefPubMed Ali S et al (2021) A pilot study on automatic three-dimensional Quantification of Barrett’s esophagus for risk stratification and therapy monitoring. Gastroenterology 161:865–878.e8 CrossRefPubMed
6.
Zurück zum Zitat Ebigbo A et al (2021) Endoscopic prediction of submucosal invasion in Barrett’s cancer with the use of artificial intelligence: A pilot study. Endoscopy 53:878–883 CrossRefPubMed Ebigbo A et al (2021) Endoscopic prediction of submucosal invasion in Barrett’s cancer with the use of artificial intelligence: A pilot study. Endoscopy 53:878–883 CrossRefPubMed
12.
Zurück zum Zitat Shen Y et al (2023) Real-time evaluation of helicobacter pylori infection by convolution neural network during white-light endoscopy: a prospective, multicenter study (with video). Clin Transl Gastroenterol 14:e643 CrossRefPubMedPubMedCentral Shen Y et al (2023) Real-time evaluation of helicobacter pylori infection by convolution neural network during white-light endoscopy: a prospective, multicenter study (with video). Clin Transl Gastroenterol 14:e643 CrossRefPubMedPubMedCentral
16.
Zurück zum Zitat Zhao S et al (2019) Magnitude, risk factors, and factors associated with adenoma miss rate of tandem colonoscopy: a systematic review and meta-analysis. Gastroenterology 156:1661–1674.e11 CrossRefPubMed Zhao S et al (2019) Magnitude, risk factors, and factors associated with adenoma miss rate of tandem colonoscopy: a systematic review and meta-analysis. Gastroenterology 156:1661–1674.e11 CrossRefPubMed
17.
Zurück zum Zitat Repici A et al (2020) Efficacy of real-time computer-aided detection of colorectal neoplasia in a randomized trial. Gastroenterology 159:512–520.e7 CrossRefPubMed Repici A et al (2020) Efficacy of real-time computer-aided detection of colorectal neoplasia in a randomized trial. Gastroenterology 159:512–520.e7 CrossRefPubMed
18.
Zurück zum Zitat Ainechi D et al (2022) Impact of artificial intelligence on colorectal polyp detection for early-career endoscopists: an international comparative study. Scand J Gastroenterol 57:1272–1277 CrossRefPubMed Ainechi D et al (2022) Impact of artificial intelligence on colorectal polyp detection for early-career endoscopists: an international comparative study. Scand J Gastroenterol 57:1272–1277 CrossRefPubMed
20.
Zurück zum Zitat Biscaglia G et al (2022) Real-time, computer-aided, detection-assisted colonoscopy eliminates differences in adenoma detection rate between trainee and experienced endoscopists. Endosc Int Open 10:E616–E621 CrossRefPubMedPubMedCentral Biscaglia G et al (2022) Real-time, computer-aided, detection-assisted colonoscopy eliminates differences in adenoma detection rate between trainee and experienced endoscopists. Endosc Int Open 10:E616–E621 CrossRefPubMedPubMedCentral
21.
Zurück zum Zitat Shaukat A et al (2022) Computer-aided detection improves adenomas per colonoscopy for screening and surveillance colonoscopy: a randomized trial. Gastroenterology 163:732–741 CrossRefPubMed Shaukat A et al (2022) Computer-aided detection improves adenomas per colonoscopy for screening and surveillance colonoscopy: a randomized trial. Gastroenterology 163:732–741 CrossRefPubMed
23.
Zurück zum Zitat Wallace MB et al (2022) Impact of artificial intelligence on miss rate of colorectal neoplasia. Gastroenterology 163:295–304.e5 CrossRefPubMed Wallace MB et al (2022) Impact of artificial intelligence on miss rate of colorectal neoplasia. Gastroenterology 163:295–304.e5 CrossRefPubMed
24.
Zurück zum Zitat Xu H et al (2023) Artificial intelligence–assisted colonoscopy for colorectal cancer screening: a multicenter randomized controlled trial. Clin Gastroenterol Hepatol 21:337–346.e3 CrossRefPubMed Xu H et al (2023) Artificial intelligence–assisted colonoscopy for colorectal cancer screening: a multicenter randomized controlled trial. Clin Gastroenterol Hepatol 21:337–346.e3 CrossRefPubMed
25.
Zurück zum Zitat El Zoghbi M et al (2023) Artificial intelligence–assisted optical diagnosis: a comprehensive review of its role in leave-in-situ and resect-and-discard strategies in colonoscopy. Clin Transl Gastroenterol 14:e640 CrossRefPubMedPubMedCentral El Zoghbi M et al (2023) Artificial intelligence–assisted optical diagnosis: a comprehensive review of its role in leave-in-situ and resect-and-discard strategies in colonoscopy. Clin Transl Gastroenterol 14:e640 CrossRefPubMedPubMedCentral
26.
Zurück zum Zitat Levy I, Bruckmayer L, Klang E, Ben-Horin S, Kopylov U (2022) Artificial intelligence-aided colonoscopy does not increase adenoma detection rate in routine clinical practice. Am J Gastroenterol 117:1871–1873 CrossRefPubMed Levy I, Bruckmayer L, Klang E, Ben-Horin S, Kopylov U (2022) Artificial intelligence-aided colonoscopy does not increase adenoma detection rate in routine clinical practice. Am J Gastroenterol 117:1871–1873 CrossRefPubMed
27.
Zurück zum Zitat Wang P et al (2020) Effect of a deep-learning computer-aided detection system on adenoma detection during colonoscopy (CADe-DB trial): a double-blind randomised study. Lancet Gastroenterol Hepatol 5:343–351 CrossRefPubMed Wang P et al (2020) Effect of a deep-learning computer-aided detection system on adenoma detection during colonoscopy (CADe-DB trial): a double-blind randomised study. Lancet Gastroenterol Hepatol 5:343–351 CrossRefPubMed
28.
Zurück zum Zitat Desai M et al (2022) High-definition colonoscopy compared with cuff- and cap-assisted colonoscopy: results from a multicenter, prospective, randomized controlled trial. Clin Gastroenterol Hepatol 20:2023–2031.e6 CrossRefPubMed Desai M et al (2022) High-definition colonoscopy compared with cuff- and cap-assisted colonoscopy: results from a multicenter, prospective, randomized controlled trial. Clin Gastroenterol Hepatol 20:2023–2031.e6 CrossRefPubMed
29.
Zurück zum Zitat Zorzi M et al (2022) Adenoma detection by Endocuff-assisted versus standard colonoscopy in an organized screening program: The ’‘ItaVision’ randomized controlled trial. Endoscopy 54:138–147 CrossRefPubMed Zorzi M et al (2022) Adenoma detection by Endocuff-assisted versus standard colonoscopy in an organized screening program: The ’‘ItaVision’ randomized controlled trial. Endoscopy 54:138–147 CrossRefPubMed
30.
Zurück zum Zitat Spadaccini M et al (2023) Combination of mucosa-exposure device and computer-aided detection for adenoma detection during colonoscopy: a randomized trial. Gastroenterology 165:244–251.e3 CrossRefPubMed Spadaccini M et al (2023) Combination of mucosa-exposure device and computer-aided detection for adenoma detection during colonoscopy: a randomized trial. Gastroenterology 165:244–251.e3 CrossRefPubMed
32.
Zurück zum Zitat Troya J et al (2022) The influence of computer-aided polyp detection systems on reaction time for polyp detection and eye gaze. Endoscopy 54:1009–1014 CrossRefPubMedPubMedCentral Troya J et al (2022) The influence of computer-aided polyp detection systems on reaction time for polyp detection and eye gaze. Endoscopy 54:1009–1014 CrossRefPubMedPubMedCentral
33.
Zurück zum Zitat Hassan C, Balsamo G, Lorenzetti R, Zullo A, Antonelli G (2022) Artificial intelligence allows leaving-in-situ colorectal polyps. Clin Gastroenterol Hepatol 20:2505–2513.e4 CrossRefPubMed Hassan C, Balsamo G, Lorenzetti R, Zullo A, Antonelli G (2022) Artificial intelligence allows leaving-in-situ colorectal polyps. Clin Gastroenterol Hepatol 20:2505–2513.e4 CrossRefPubMed
34.
Zurück zum Zitat Kwak MS, Cha JM, Jeon JW, Yoon JY, Park JW (2022) Artificial intelligence-based measurement outperforms current methods for colorectal polyp size measurement. Dig Endosc 34:1188–1195 CrossRefPubMed Kwak MS, Cha JM, Jeon JW, Yoon JY, Park JW (2022) Artificial intelligence-based measurement outperforms current methods for colorectal polyp size measurement. Dig Endosc 34:1188–1195 CrossRefPubMed
35.
Zurück zum Zitat Gong D et al (2020) Detection of colorectal adenomas with a real-time computer-aided system (ENDOANGEL): a randomised controlled study. Lancet Gastroenterol Hepatol 5:352–361 CrossRefPubMed Gong D et al (2020) Detection of colorectal adenomas with a real-time computer-aided system (ENDOANGEL): a randomised controlled study. Lancet Gastroenterol Hepatol 5:352–361 CrossRefPubMed
37.
Zurück zum Zitat Muhammad W et al (2019) Pancreatic cancer prediction through an artificial neural network. Front Artif Intell 2: Muhammad W et al (2019) Pancreatic cancer prediction through an artificial neural network. Front Artif Intell 2:
39.
Zurück zum Zitat Ishikawa T et al (2022) Development of a novel evaluation method for endoscopic ultrasound-guided fine-needle biopsy in pancreatic diseases using artificial intelligence. Diagnostics 12: Ishikawa T et al (2022) Development of a novel evaluation method for endoscopic ultrasound-guided fine-needle biopsy in pancreatic diseases using artificial intelligence. Diagnostics 12:
40.
Zurück zum Zitat Taghiakbari M et al (2023) Automated detection of anatomical landmarks during colonoscopy using a deep learning model. J Can Assoc Gastroenterol 6:145–151 CrossRefPubMedPubMedCentral Taghiakbari M et al (2023) Automated detection of anatomical landmarks during colonoscopy using a deep learning model. J Can Assoc Gastroenterol 6:145–151 CrossRefPubMedPubMedCentral
43.
Zurück zum Zitat Fritsch SJ et al (2022) Attitudes and perception of artificial intelligence in healthcare: A cross-sectional survey among patients. Digit Health 8: Fritsch SJ et al (2022) Attitudes and perception of artificial intelligence in healthcare: A cross-sectional survey among patients. Digit Health 8:
44.
Zurück zum Zitat van der Zander QEW et al (2022) Artificial intelligence in (gastrointestinal) healthcare: patients’ and physicians’ perspectives. Sci Rep 12: van der Zander QEW et al (2022) Artificial intelligence in (gastrointestinal) healthcare: patients’ and physicians’ perspectives. Sci Rep 12:
48.
Zurück zum Zitat Klang E et al (2023) Advantages and pitfalls in utilizing artificial intelligence for crafting medical examinations: a medical education pilot study with GPT‑4. BMC Med Educ 23: Klang E et al (2023) Advantages and pitfalls in utilizing artificial intelligence for crafting medical examinations: a medical education pilot study with GPT‑4. BMC Med Educ 23:
50.
Zurück zum Zitat Ferryman K, Mackintosh M, Ghassemi M (2023) Considering biased data as informative artifacts in AI-assisted health care. N Engl J Med 389:833–838 CrossRefPubMed Ferryman K, Mackintosh M, Ghassemi M (2023) Considering biased data as informative artifacts in AI-assisted health care. N Engl J Med 389:833–838 CrossRefPubMed
51.
Zurück zum Zitat Ahmad OF, Stoyanov D, Lovat LB (2020) Barriers and pitfalls for artificial intelligence in gastroenterology: ethical and regulatory issues Ahmad OF, Stoyanov D, Lovat LB (2020) Barriers and pitfalls for artificial intelligence in gastroenterology: ethical and regulatory issues
Metadaten
Titel
Die Rolle der artifiziellen Intelligenz in der Gastroenterologie – Already changing the game!
verfasst von
PD Dr. med. Henriette S. Heinrich
Peter Bauerfeind
Publikationsdatum
27.11.2023
Verlag
Springer Vienna
Erschienen in
Schweizer Gastroenterologie / Ausgabe 4/2023
Print ISSN: 2662-7140
Elektronische ISSN: 2662-7159
DOI
https://doi.org/10.1007/s43472-023-00118-1

Weitere Artikel der Ausgabe 4/2023

Schweizer Gastroenterologie 4/2023 Zur Ausgabe

Editorial

Editorial

Editoriale

Editoriale