KI-Diagnostik: Algorithmen erkennen Wundkomplikationen präziser als medizinisches Personal

Forschende des Zukunftslabors Gesundheit nutzen Convolutional Neural Networks und Föderiertes Lernen zur Behandlung und Ursachenforschung chronischer Wunden.

Chronische Wunden stellen für das Gesundheitssystem und vor allem für die betroffenen Patientinnen und Patienten eine enorme Belastung dar. In Deutschland leiden schätzungsweise zwischen 800.000 und vier Millionen Menschen unter Wunden, die nur sehr langsam oder gar nicht verheilen. Die Folgen sind oft dauerhafte Schmerzen und eine massiv eingeschränkte Mobilität im Alltag. Eine der tückischsten Komplikationen in diesem Bereich ist die sogenannte Wundmazeration. Dabei weicht die Haut im Wundbereich auf, was den Heilungsprozess zusätzlich hemmt und im schlimmsten Fall dazu führen kann, dass ursprünglich akute Verletzungen erst chronisch werden.

Das Problem in der klinischen Praxis ist die Zeit. Je früher eine Mazeration erkannt wird, desto schneller kann die Wunde adäquat versorgt werden. Doch die Diagnose ist schwierig: Die Veränderung entsteht oft schleichend, wird durch Verbände verdeckt und kann leicht mit anderen Hautveränderungen verwechselt werden. Hier setzen Forschende des niedersächsischen Zukunftslabors Gesundheit an und untersuchten, ob Künstliche Intelligenz (KI) in der Lage ist, diese Komplikation zuverlässiger zu identifizieren als der Mensch.

Für die Studie nutzten die Wissenschaftler ein Convolutional Neural Network (CNN), eine KI-Architektur, die speziell auf die Auswertung von Bilddaten optimiert ist. In der Medizin werden solche Netze bereits erfolgreich zur Klassifizierung von Hautveränderungen oder zur Tumorekrennung eingesetzt. Als Datenbasis dienten 30 von Experten geprüfte Bilder, von denen die Hälfte eindeutig mazerierte Wunden zeigte. Das Ergebnis war deutlich: Während das trainierte KI-Modell 90 % der Bilder korrekt zuordnete, erreichte das zum Vergleich herangezogene medizinische Personal – insgesamt 481 Pflegekräfte und Ärzte aus deutschen Kliniken – im Durchschnitt lediglich eine Trefferquote von 79,3 %.

Besonders interessant ist die Erkenntnis der Forschenden zu den Einflussfaktoren der menschlichen Diagnosefähigkeit. Entgegen der landläufigen Meinung, dass vor allem die langjährige Berufserfahrung ausschlaggebend sei, konnte die Studie diese Annahme widerlegen. Die Auswertung nach Alter, Geschlecht oder Arbeitsjahren zeigte keine signifikanten Vorteile. Stattdessen basierte die Expertise primär auf spezifischer fachlicher Qualifikation. Nur Pflegekräfte mit Wundqualifikation und Fachärzte aus der Dermatologie erzielten mit rund 85 % Genauigkeit Ergebnisse, die näher an die Leistung der KI heranreichten. Dennoch bleibt ein Restrisiko: Auch die KI irrt sich in 10 % der Fälle. Wenn unerfahrenes Personal blind auf die Technik vertraut, besteht die Gefahr von Fehldiagnosen.

Über die reine Bilddiagnostik hinaus plant das Team, die Ursachen seltener chronischer Wunden mithilfe von KI-basierten Routinedatenanalysen zu erforschen. Viele dieser Wundformen sind bisher kaum verstanden, da die Patientendaten über viele Kliniken verteilt sind und eine gemeinsame Datengrundlage fehlt. Um den strengen deutschen Datenschutz zu wahren und dennoch wertvolle Erkenntnisse aus demografischen Daten, Laborwerten oder Medikamentenplänen zu gewinnen, setzt das Zukunftslabor auf Föderiertes Lernen (Federated Learning).