Abstract
Nach Jahrzenten turbulenter Forschung und Entwicklung mit mehreren bedeutsamen Rückschlägen während sogenannter KI-Winter, setzt sich künstliche Intelligenz allmählich in Alltagsapplikationen durch. Enorme Fortschritte in der Rechenleistung von moderner Hardware und die exponentielle Zunahme an verfügbaren Daten haben selbstlernende Modelle ermöglicht, die Aufgaben in verschiedensten Bereichen so gut wie oder sogar besser als menschliche Expert*innen erledigen. Allerdings ist die Einführung dieser Technologie in die Medizin und das Gesundheitswesen durch einige Faktoren merklich verlangsamt. Da medizinische Daten äußerst sensibel und dadurch überaus schützenswert sind, zählen Bedenken bezüglich der Privatsphäre von Patient*innen mitunter zu den herausforderndsten Hürden auf dem Weg zu großen Datensätzen, die für künstliche Intelligenz essenziell sind. Um diese im gegenwärtigen digitalen Zeitalter zu adressieren, braucht es Methoden zur Wahrung der Privatsphäre, die über das einfache Entfernen von Namen aus Datensätzen hinausgehen.
In dieser Arbeit werden Techniken, die in Literatur und Industrie Potential bewiesen haben, präsentiert und in drei Gruppen eingeteilt: Informationsverschleierung, Einsichtsprävention und Datensynthese. Weiters wurden im Rahmen dieser Arbeit Experimente mit Methoden aus allen drei Gruppen durchgeführt, um auch deren Praktikabilität zu erforschen. Für Informationsverschleierung wurden datenschutzfreundliche Methoden zur Datenverknüpfung (Privacy-preserving Record Linkage) untersucht und in einem operativen Register für Herzinsuffizienz Patient*innen angewandt. Um die Einsicht in Daten gänzlich zu umgehen (Einsichtsprävention), wurden neue Methoden des dezentralen Lernens erarbeitet. Um Datensynthese zu untersuchen, wurden Biosignale mittels generativer neuronaler Netzwerke (Generative Adversarial Networks) erzeugt. Zusätzlich wurde die Nützlichkeit von künstlicher Intelligenz im Gesundheitswesen mit weiteren Studien hervorgehoben. Die Ergebnisse dieser Arbeit zeigen nicht nur dass passende Methoden in Literaturarbeiten existieren, sondern auch, dass diese in echten, praktischen Anwendungen einsetzbar sind.
Methoden wie jene, die im Rahmen dieser Arbeit untersucht und präsentiert wurden, zielen darauf ab, die Einführung von künstlicher Intelligenz in Gesundheitsanwendungen zu beschleunigen, indem sie die Menge an verfügbarem Wissen – nicht zwingenderweise Daten – auf eine Weise erhöht, die die Privatsphäre von Patient*innen wahrt, und dadurch die Entwicklung von leistungsfähigeren digitalen Werkzeugen möglich macht. In Zeiten von überlasteten Gesundheitssystemen und alternden Bevölkerungen in vielen Industrieregionen, könnten solche Hilfsmittel Gesundheitsdienstleister*innen in Zukunft dabei unterstützen, ihren Patient*innen bessere und letztendlich auch effizientere Behandlung anbieten zu können.
In dieser Arbeit werden Techniken, die in Literatur und Industrie Potential bewiesen haben, präsentiert und in drei Gruppen eingeteilt: Informationsverschleierung, Einsichtsprävention und Datensynthese. Weiters wurden im Rahmen dieser Arbeit Experimente mit Methoden aus allen drei Gruppen durchgeführt, um auch deren Praktikabilität zu erforschen. Für Informationsverschleierung wurden datenschutzfreundliche Methoden zur Datenverknüpfung (Privacy-preserving Record Linkage) untersucht und in einem operativen Register für Herzinsuffizienz Patient*innen angewandt. Um die Einsicht in Daten gänzlich zu umgehen (Einsichtsprävention), wurden neue Methoden des dezentralen Lernens erarbeitet. Um Datensynthese zu untersuchen, wurden Biosignale mittels generativer neuronaler Netzwerke (Generative Adversarial Networks) erzeugt. Zusätzlich wurde die Nützlichkeit von künstlicher Intelligenz im Gesundheitswesen mit weiteren Studien hervorgehoben. Die Ergebnisse dieser Arbeit zeigen nicht nur dass passende Methoden in Literaturarbeiten existieren, sondern auch, dass diese in echten, praktischen Anwendungen einsetzbar sind.
Methoden wie jene, die im Rahmen dieser Arbeit untersucht und präsentiert wurden, zielen darauf ab, die Einführung von künstlicher Intelligenz in Gesundheitsanwendungen zu beschleunigen, indem sie die Menge an verfügbarem Wissen – nicht zwingenderweise Daten – auf eine Weise erhöht, die die Privatsphäre von Patient*innen wahrt, und dadurch die Entwicklung von leistungsfähigeren digitalen Werkzeugen möglich macht. In Zeiten von überlasteten Gesundheitssystemen und alternden Bevölkerungen in vielen Industrieregionen, könnten solche Hilfsmittel Gesundheitsdienstleister*innen in Zukunft dabei unterstützen, ihren Patient*innen bessere und letztendlich auch effizientere Behandlung anbieten zu können.
Originalsprache | Englisch |
---|---|
Qualifikation | Doktor / PhD |
Gradverleihende Hochschule |
|
Betreuer/-in / Berater/-in |
|
Datum der Bewilligung | 10 Dez. 2024 |
Publikationsstatus | Veröffentlicht - Dez. 2024 |
Research Field
- Exploration of Digital Health