Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten, klicken Sie hier
#Neues aus der Industrie
{{{sourceTextContent.title}}}
ECR 2021: KI-Lösungen im Kampf gegen Knochen- und Gelenkkrankheiten
{{{sourceTextContent.subTitle}}}
Da die medizinische Welt mit dem ECR 2021 die Bildgebungstechnologie in den Fokus rückt, sprachen wir mit Dr. Richard Ljuhar, Mitbegründer und CEO von ImageBiopsy Lab (IB Lab).
{{{sourceTextContent.description}}}
Das in Wien ansässige Unternehmen, das KI-Technologien für den muskuloskelettalen Bereich (MSK) entwickelt, wurde kürzlich bei den EuroMinnies 2021 als bester neuer Anbieter im Bereich Radiologie ausgezeichnet und seine Deeptech-Lösungen sind an mehr als 100 Standorten in Europa und den USA installiert.
MedicalExpo e-Magazin: Wie kam es zu Ihrer KI-Software für MSK-Erkrankungen?
Dr. Richard Ljuhar: Das Gründerteam hat die meiste Zeit seiner Karriere auf dem Gebiet der Osteoporose-Bewertung und -Erkennung verbracht und wurde häufig mit Anfragen nach zuverlässigeren Methoden zur Krankheitsvorhersage konfrontiert. Bestehende Methoden wie die radiologische Messung der Knochenmineraldichte (BMD) mittels Dual-Energy-Röntgenabsorptiometrie (DXA) wurden als nicht geeignet angesehen, das gesamte Spektrum der Festigkeit und Struktur des Knochens zu erfassen (was wiederum mit Frakturrisikofaktoren zusammenhängt). Daher war die ursprüngliche Idee, fortschrittliche Bildverarbeitungsalgorithmen zu verwenden, um relevante Parameter der Knochenmikroarchitektur aus einem Plainfilm (2D)-Röntgenbild zu extrahieren. Solche Informationen könnten entscheidende Hinweise liefern und einen Einblick in die Knochengesundheit geben, ohne dass eine schmerzhafte und invasive Knochenbiopsie erforderlich ist
MedicalExpo e-Magazin: Wie funktioniert Ihre Technologie?
Dr. Richard Ljuhar: IB Lab zielt darauf ab, die Art und Weise, wie Knochen- und Gelenkerkrankungen derzeit diagnostiziert werden, zu verändern. Technologien wie KI-gestützte Software bieten eine neuartige Möglichkeit, Bilddaten in strukturierte Gesundheitsinformationen zu übersetzen. IB Lab hat eine einzigartige, auf MSK-Analysen fokussierte digitale Workflow-Plattform namens IBLAB ZOO entwickelt (und zertifiziert). Unsere Deeptech-Technologie basiert auf modernsten Bilderkennungsalgorithmen und KI, trainiert auf Datensätzen, die aus einem zugänglichen Bildpool von 10 Millionen medizinischen Bildern verschiedener Formate extrahiert wurden. Der anfängliche Fokus unserer MSK-Plattform lag auf 2D-Röntgenmodulen für Knie, Hüfte, Hand und Wirbelsäule. Die strukturierten Informationen, die aus den Bilddaten extrahiert werden, ermöglichen es uns nicht nur, den aktuellen Arbeitsablauf zu unterbrechen, indem wir für eine Standardisierung sorgen und die Diagnosegenauigkeit erhöhen, sondern auch neue Einblicke in die Vorhersage von Krankheitsausbrüchen und Behandlungsergebnissen zu schaffen.
MedicalExpo e-Magazin: Welchen Unterschied macht die Technologie für Patienten und medizinisches Fachpersonal?
Dr. Richard Ljuhar: Gezielte Behandlungsoptionen sorgen für eine kürzere Leidenszeit, eine schnellere Genesung durch die Anwendung objektiver Beurteilungen/Progressionsmessungen und die Verhinderung/Verzögerung des Fortschreitens der Krankheit, was zu besseren Ergebnissen führt. Verbesserte und gut strukturierte Berichte sorgen für eine ideale Patientenkommunikation. MSK-Diagnosen sind oft zeitaufwändig und subjektiv. IB Lab unterstützt Radiologen und Orthopäden bei ihrer täglichen Entscheidungsfindung mit standardisierten, schnellen und ressourceneffizienten KI-basierten Softwarelösungen für automatisierte Messungen auf Röntgenbildern, die den Arbeitsablauf beschleunigen und die Zeit und Qualität der Patientenversorgung verbessern.
IB Lab Anwendungen können bis zu drei Minuten Interpretationszeit pro Röntgenbild einsparen, was für einen Radiologen bis zu 45 bis 60 zusätzliche Minuten pro Tag bedeutet.
MedicalExpo e-Magazin: Wie sieht Ihrer Meinung nach die Zukunft der Radiologie aus?
Dr. Richard Ljuhar: Ich denke, wir sind uns alle einig, dass Radiologen (oder allgemeiner gesagt, menschliche Leser) nicht durch Software-Algorithmen ersetzt werden können. Aber ich bin überzeugt, dass die Ärzte die Vorteile der digitalen Gesundheit nutzen werden. In ein paar Jahren wird es keine Bildstudie mehr geben, die von Radiologen gesehen wird, die nicht zuvor von einem KI-Algorithmus voranalysiert worden ist
"In ein paar Jahren wird es keine Bildstudie mehr geben, die von Radiologen gesehen wird, die nicht vorher von einem KI-Algorithmus voranalysiert wurde." (Credit: IB Lab)
KI im Gesundheitswesen ist ein relativ neuer Markt mit großem Wachstumspotenzial aufgrund der einfacheren Integration. Es wird erwartet, dass die globale Marktgröße von KI im Gesundheitswesen von 4,18 Milliarden Euro im Jahr 2020 auf 38,5 Milliarden Euro im Jahr 2026 ansteigen wird. Es wird prognostiziert, dass er in diesem Prognosezeitraum mit einer durchschnittlichen jährlichen Wachstumsrate von 44,9 % wachsen wird. Die wichtigsten Faktoren, die das Marktwachstum vorantreiben, sind das steigende Datenvolumen im Gesundheitswesen und die zunehmende Komplexität der Datensätze, die den Bedarf an KI vorantreiben, der steigende Bedarf, die hohen Kosten im Gesundheitswesen zu senken, die steigende Rechenleistung und die sinkenden Hardwarekosten, eine wachsende Anzahl von branchenübergreifenden Partnerschaften und Kooperationen sowie das steigende Ungleichgewicht zwischen dem Gesundheitspersonal und den Patienten, das den Bedarf an verbesserten Gesundheitsdienstleistungen vorantreibt.
MedicalExpo e-Magazin: Welche weiteren spannenden Entwicklungen sagen Sie voraus?
Dr. Richard Ljuhar: Wir werden viel besser darin werden, Krankheiten vorherzusagen. Meiner Meinung nach ist das der Schlüssel, um das Gesundheitswesen und die Gesellschaft nachhaltig zu beeinflussen. Ich sehe KI als das Werkzeug, das uns helfen wird, diese Entwicklung voranzutreiben. Sie hat das Potenzial, Ärzten die nötigen Werkzeuge an die Hand zu geben, um Informationen aus Gesundheitsdaten zu extrahieren, die derzeit zwar vorhanden, aber nicht zugänglich sind.
{{medias[41042].description}}