Susanne Michl ist Medizinethikerin und leitet die Arbeitsgruppe Medical Humanities und Medizinethik an der Charité Berlin. Sie spricht mit Kerstin Ritter über ethische und rechtliche Aspekte bei der Verwendung von KI im Krankenhausalltag. Wie durch die zunehmende Verwendung von KI-Systemen in der Medizin ethische Spannungsfelder entstehen und wie sich diese möglicherweise auf das Verhältnis von Ärzt:innen und Patient:innen auswirken, erfährst du in dieser Podcastfolge von Dr. med. KI.

Alexander Meyer befasst sich an der Charité und dem deutschen Herzzentrum Berlin damit, wie sich anhand klinischer Routinedaten lebensbedrohliche Ereignisse vorhersagen bzw. klassifizieren lassen. Hierbei wird datenbasiert ein "physiologischer Fingerabdruck" erstellt, der bei der Risikoberechnung eines Ernstfalls entscheidend sein kann. Welches KI-Verfahren hierbei Verwendung findet und ob das Verfahren reif für die klinische Praxis ist, erfährst du in dieser Podcastfolge von Dr. med. KI.

Manuela Benary ist Bioinformatikerin an der Berliner Charité und arbeitet dort am Comprehensive Cancer Center. In ihrem Kernprojekt beschäftigt sich mit personalisierten Therapiemöglichkeiten bei Patient*innen mit seltenen Tumorerkrankungen. Hierfür greift sie auf ein sogenanntes "molekulares Tumorboard" zurück. Was ein Tumorboard ist und inwiefern Daten und Machine Learning dabei eine Rolle spielen, ist u.a. Thema dieser Podcastfolge von Dr. med. KI.

Andrea Volkamer leitet an der Berliner Charité eine Arbeitsgruppe zum Thema strukturelle Bioinformatik und In-silico-Toxikologie. Hierbei gilt ihr besonderes Interesse dem computerbasierten Wirkstoffdesign, welches unter anderem das Ziel verfolgt, mithilfe von Algorithmen synthetische Moleküle zu priorisieren, die später im Wirkstoff eine hohe Erfolgsrate versprechen. Wie innerhalb dieser Methodenentwicklung Deep-Learning-Verfahren zum Einsatz kommen, wie ein Corona Impfstoff Open-Source-basiert entwickelt wird und weshalb ein Medikamentenentwicklungsprozess so lange dauert, erfahrt ihr in dieser Podcastfolge.

Marcel Naik ist Nephrologe und forscht an der Berliner Charité im Bereich Nierentransplantation. Um ein Prognosemodell zur Einschätzung des Risikos für ein Nierentransplantatversagen zu entwickeln, nutzt er eine klinische Datenbank, welche neue Möglichkeiten der Informationsextraktion aus Krankenakten von Transplantationspatient*innen bietet. Zur Entwicklung des Modells helfen neue Computertechnologien und KI-Verfahren. Wie dies genau aussieht, erläutert er in dieser Podcastfolge von Dr.med.KI.

Surjo Soekadar erforscht an der Charité, wie Neurotechnologien bei der Behandlung von neurologischen und psychologischen Erkrankungen eingesetzt werden könnnen. Mit Hilfe von Gehirn-Computer-Schnittstellen werden Hirnsignale analysiert und die Hirnaktivität gezielt verändert. Prof. Soekadar forscht, wie z.B. querschnitsgelähmte Patient*innen mithilfe eines hirngesteuerten Exoskelettes wieder Handbewegungen vollführen können. Dabei spielen maschinelle Lernverfahren eine wichtige Rolle.

Fabian Eitel ist Doktorand an der Charité in Berlin und forscht zu Algorithmen, die in Gehirnbildern neurologische und psychische Krankheiten erkennen. In dieser Podcastfolge erfährst du, welche Krankheiten sich am besten erkennen lassen, worin die Schwierigkeiten bei der Krankheitserkennung liegen und welche KI-Methoden dabei genutzt werden. Des Weiteren erfährst du, welche Rolle dabei Daten spielen.

Maschinelles Lernen und Deep Learning sind beides artverwandte Teilbereiche der Künstlichen Intelligenz. In dieser Podcastfolge erfährst du, worin die grundlegenden Unterschiede zwischen Maschinellem Lernen und Deep Learning bestehen. Des Weiteren werden wichtige Bereiche genannt, in denen Deep-Learning-Verfahren heute in der Medizin Anwendung finden.

Diese Podcast-Folge beschäftigt sich mit Funktionsweisen von Entscheidungsbäumen und linearer Regression. Zudem wird ergründet, worin der Unterschied zwischen Maschinellen- und Deep-Learning-Verfahren liegt.

Ein wesentliches Anwendungsfeld von Maschinellen Lernverfahren sind Klassifikationsprobleme. Diese Podcast-Folge beschäftigt sich mit sogenannten Evaluations-Metriken und wie sich Klassifikationsalgorithmen trainieren lassen.