moneta: Mary-Anne Hartley, Sie haben eine KI gebaut, die medizinisches Wissen vermitteln kann. Warum braucht die Welt so etwas?
Mary-Anne Hartley Large Language Models (LLM) schaffen Zugang zu einem der wichtigsten Elemente der Medizin: Information. Als Ärztin sehe ich die Hauptaufgabe der Medizin tatsächlich in der Bereitstellung der richtigen Informationen zur richtigen Zeit am richtigen Ort. Wenn sie vertrauenswürdig sind, können diese medizinischen LLM Menschen helfen, die normalerweise nie einen Arzt aufsuchen würden.
Mit anderen Worten: Es geht nicht um Regionen mit Top-Spitalinfrastruktur, es geht um sogenannte Low-Resource-Settings. Was bedeutet das?
Am ehesten gibt wohl die Ärztedichte einen Eindruck. In der Schweiz wie im restlichen Europa liegt sie typischerweise bei 50 bis maximal 70 Ärzten pro 10 000 Einwohnern. In Afrika liegt sie vielerorts nicht einmal bei einem Arzt pro 10 000 Einwohner.
Und was genau kann Ihr Sprachmodell «Meditron» da leisten?
Stellen Sie es sich ein wenig vor wie ein Copy and Paste von ärztlichem Wissen. Normalerweise ist eine solche Vervielfältigung ja sehr aufwendig und teuer, das geht nur über die Ausbildung weiterer Ärztinnen und Ärzte. Mit einer KI, die dieses Fachwissen gesammelt hat, wird alles plötzlich sehr einfach!
Moment, medizinische Versorgung ist doch viel mehr als einfach Information?
Das stimmt, aber als Grundlage braucht es diese Information unbedingt. Man kann Berge von teuren Medikamenten zur Verfügung haben – wenn man nicht weiss, wann und wie man sie am besten einsetzt, sind sie absolut wertlos.
Wie muss ich mir den «Meditron»-Service konkret vorstellen: eine Sprach-KI, die auf dem Smartphone läuft, für alle Menschen offen zugänglich?
Zunächst einmal müssen wir sicherstellen, dass die KI gute und brauchbare Auskünfte gibt. Deshalb testen wir das Modell derzeit ausgiebig und bringen ihm bei, wie es kontextabhängig die bestmöglichen Informationen liefern kann. Dann stellen wir es in einem ersten Schritt Ärztinnen und Ärzten zur Verfügung. Wenn es sich bewährt, können wir den Zugang auch für das Pflegepersonal öffnen und zum Schluss auch direkt für Patienten.
Welches sind weitere Herausforderungen, wenn man ein solches System speziell in Low-Resource-Settings einsetzen möchte?
Die Trainingsdaten müssen unbedingt die besondere Situation fern der westlichen Hochpreismedizin repräsentieren, das ist nicht einfach. Die verfügbare Fachliteratur bildet das kaum ab. Darum gibt es bei uns eine weitere Trainingsebene: Lokale Ärztinnen und Ärzte versuchen, gezielt Schwachstellen zu finden und das System entsprechend richtig zu biegen.
Sie legen den Fokus fürs Erste ganz auf nichtwestliche Gebiete. Könnten solche Systeme auch bei uns helfen, die Kosten in den Griff zu bekommen?
Warum nicht? Die effizientere Verteilung von Ressourcen ist ja auch bei uns zentral. Haben Sie schon einmal von «Doctor Fatigue» gehört? Ärztinnen und Ärzte sind konstant überlastet, es wäre schon viel gewonnen, wenn die KI ihnen im administrativen Bereich Arbeit abnehmen könnte. Aber es geht noch weiter, ich stelle mir eine solche Assistenz-KI wie ein «listening device» vor, das sich ganz unauffällig zwischen Arzt und Patient fügt. Dann klebt der Arzt nicht mehr an seinem Gerät oder seiner Tabelle und hat wieder mehr Augenkontakt.
Aber die Vorbehalte, dass Menschen nicht noch mehr Maschinen wollen im medizinischen Kontext, können Sie schon verstehen?
Ganz ehrlich: Dieses Narrativ «Mensch gegen Maschine» finde ich gefährlich. Es muss um Mensch und Maschine gehen, um die Art und Weise, wie uns die KI am besten assistieren kann. Aber, um den Fokus noch einmal auf die Low-Resource-Settings zu verschieben: Falls da eine Angst ist, dass die Maschine einen Menschen ersetzen könnte, der doch eigentlich gute Arbeit macht – das ist ja eben der Punkt, dass es dort diese Menschen gar nicht gibt, die man ersetzen würde. Die KI hilft da, klaffende Leerstellen zu füllen.
