Key points are not available for this paper at this time.
Die weitreichende Implementierung elektronischer Patientenakten hat zu einem vermehrten Einsatz von Künstlicher Intelligenz (KI) und Computermodellierung in der klinischen Medizin geführt. Die frühzeitige Erkennung und Behandlung kritischer Erkrankungen sind entscheidend für gute Ergebnisse, werden jedoch unter anderem durch die Komplexität der Umgebung und die oft unspezifische Natur der klinischen Präsentation erschwert. Zunehmend werden KI-Anwendungen als Entscheidungshilfen für beschäftigte oder abgelenkte Kliniker vorgeschlagen, um diese Herausforderung zu bewältigen. Datengetriebene "assoziative" KI-Modelle werden aus retrospektiven Datenregistern mit fehlenden Daten und ungenauen Zeitangaben erstellt. Assoziative KI-Modelle sind intransparent, ignorieren oft kausale Mechanismen und haben, obwohl sie potenziell nützlich für eine verbesserte Prognosetechnik sind, bisher nur begrenzte klinische Anwendbarkeit. Um klinisch nützlich zu sein, müssen KI-Tools den Kliniken am Bett umsetzbare Kenntnisse liefern. Die explizite Beschäftigung mit kausalen Mechanismen erhöht nicht nur die Validität und Replizierbarkeit des Modells, sondern fördert auch die Transparenz und hilft, Vertrauen von den Klinikern am Bett für die reale Nutzung von KI-Modellen in der Lehre und Patientenversorgung zu gewinnen.
Lal et al. (Fri,) haben diese Frage untersucht.