Towards clinical implementation of artificial intelligence in cancer care: Concept mapping analysis of provincial workshop findings

Diese Studie nutzt eine Konzeptkartierung von 48 Teilnehmern des BC Cancer Summit, um ein stufenweises Implementierungsrahmenwerk für KI in der Krebsversorgung zu entwickeln, das auf der Erkenntnis basiert, dass Stakeholder klinische Vorteile und Effizienzgewinne höher bewerten und als umsetzbarer ansehen als systemweite Governance-Herausforderungen.

Das Wesentliche

🤖 KI im Krebszentrum: Ein gemeinsamer Bauplan für die Zukunft

Stellen Sie sich vor, das Krebszentrum ist wie ein riesiger, hochkomplexer Flughafen. Tausende von Passagieren (Patienten) müssen sicher, schnell und mit der besten Versorgung an ihr Ziel gebracht werden. Dazu arbeiten Piloten, Lotsen, Bodenpersonal, Sicherheitskräfte und Techniker zusammen.

Jetzt kommt eine neue Technologie hinzu: Künstliche Intelligenz (KI). Man kann sich die KI wie einen superschnellen, unermüdlichen digitalen Assistenten vorstellen, der den ganzen Flughafen überwachen kann. Aber wie bringt man diesen Assistenten in den Betrieb, ohne dass das Chaos ausbricht?

Genau das haben die Forscher in dieser Studie herausfinden wollen. Sie haben nicht nur im Labor gesessen, sondern einen großen Workshop mit allen Beteiligten organisiert – von Ärzten und Pflegekräften bis hin zu Patienten, IT-Experten und KI-Entwicklern.

1. Die große Ideen-Sammlung (Der Brainstorming-Teil)

Stellen Sie sich vor, alle 48 Teilnehmer am Workshop hatten einen Stapel mit 265 kleinen Zetteln. Auf jedem Zettel stand eine Idee, eine Sorge oder ein Wunsch bezüglich der KI.

• Ein Zettel: „Die KI könnte uns helfen, Diagnosen schneller zu stellen!" (Ein Wunsch)
• Ein anderer Zettel: „Was passiert, wenn die KI einen Fehler macht und wir nicht wissen, wer verantwortlich ist?" (Eine Sorge)

Am Ende wurden diese Zettel gesäubert und auf 100 wichtige Aussagen reduziert.

2. Das Sortierspiel (Die Analyse)

Jetzt kam ein kleines Expertengremium (13 Personen) ins Spiel. Sie durften diese 100 Zettel wie Karten in einem Kartenspiel sortieren.

• Die Aufgabe: „Legen Sie alle Zettel zusammen, die für Sie thematisch zusammengehören."
• Die Bewertung: Danach mussten sie für jeden Zettel zwei Fragen beantworten:
  1. Wie wichtig ist das? (1 = unwichtig, 5 = extrem wichtig)
  2. Wie leicht ist es umzusetzen? (1 = unmöglich, 5 = ganz einfach)

3. Das Ergebnis: Zwei große Lager (Die Cluster)

Als die Forscher die Karten auf dem Tisch betrachteten, sahen sie zwei große Gruppen, die sich wie zwei verschiedene Lagerhäuser verhielten:

• Lager A: „Die Hürden und Sicherheitsnetze"
  Hier lagen die Zettel mit den Sorgen: Datenschutz, wer haftet bei Fehlern, darf die KI nicht zu viel Macht bekommen, und wie verhindert man Vorurteile in der KI.

  • Die Erkenntnis: Alle fanden diese Dinge sehr wichtig, aber sie sagten auch: „Das ist schwer umzusetzen." Es ist wie der Versuch, einen neuen, strengen Sicherheitscode für den ganzen Flughafen zu erfinden – wichtig, aber kompliziert und zeitaufwendig.

• Lager B: „Der Turbo für den Alltag"
  Hier lagen die Zettel mit den Vorteilen: Die KI hilft beim Schreiben von Berichten, sortiert Patienten für die Dringlichkeit, übersetzt medizinische Fachbegriffe in einfache Sprache oder findet Muster, die das menschliche Auge übersehen hat.

  • Die Erkenntnis: Diese Dinge wurden als sehr wichtig und gleichzeitig als relativ leicht umsetzbar bewertet. Das ist wie der Einbau von automatischen Rolltreppen oder einem digitalen Check-in-Kiosk – es erleichtert den Alltag sofort.

4. Der „Go-Zone"-Plan (Was tun wir zuerst?)

Die Forscher haben eine Art Wetterkarte erstellt, um zu sehen, wo das Wetter am besten ist für den Start. Sie teilten die Ideen in vier Bereiche ein:

1. Der „Sofort-Start"-Bereich (Hoch wichtig & Machbar): Das sind die Gewinner! Hier sollten wir sofort anfangen. Beispiel: KI, die Ärzten hilft, ihre Dokumentation schneller zu erledigen, damit sie mehr Zeit für die Patienten haben.
2. Die „Investitions"-Zone (Hoch wichtig & Schwer machbar): Das sind die langfristigen Projekte. Wir müssen hier forschen und Regeln schaffen, aber es wird dauern. Beispiel: Neue Gesetze für die Haftung von KI.
3. Die „Quick-Win"-Zone (Weniger wichtig & Leicht machbar): Dinge, die man schnell machen kann, aber die nicht das Herzstück sind.
4. Die „Weg damit"-Zone (Weder wichtig noch machbar): Dinge, die man erst einmal vergessen kann.

5. Was bedeutet das für uns? (Die Moral der Geschichte)

Die wichtigste Botschaft dieser Studie ist: Wir müssen nicht alles auf einmal machen.

Stellen Sie sich vor, Sie bauen ein neues Haus.

• Viele wollen sofort die Fundamente (Gesetze, Sicherheit, Ethik) perfekt machen, bevor sie auch nur einen Nagel einschlagen. Das ist wichtig, aber es dauert ewig.
• Andere wollen sofort die Möbel (Hilfen im Alltag) aufstellen, damit man sofort wohnen kann.

Die Studie sagt: Machen Sie beides, aber in der richtigen Reihenfolge.
Nutzen Sie zuerst die KI-Tools, die den Ärzten und Patienten sofort helfen (wie die Möbel), um Vertrauen aufzubauen und Zeit zu sparen. Gleichzeitig arbeiten Sie im Hintergrund weiter an den Fundamenten (den Gesetzen und Sicherheitsnetzen), damit das Haus in 5 Jahren noch sicher steht.

Zusammenfassend:
Die KI im Krebsbereich ist kein Zauberstab, der alle Probleme über Nacht löst. Es ist eher wie ein neues Werkzeug im Werkzeugkasten. Die Studie hat uns geholfen herauszufinden, welche Werkzeuge wir heute schon benutzen können, um den Alltag zu erleichtern, und woran wir morgen noch arbeiten müssen, damit alles sicher bleibt. Und das Beste daran: Alle – vom Patienten bis zum Programmierer – waren an diesem Plan beteiligt.

Technische Zusammenfassung

Technische Zusammenfassung: Umsetzung von KI in der Krebsversorgung – Konzeptmapping-Analyse

1. Problemstellung und Hintergrund
Künstliche Intelligenz (KI) verspricht, die Qualität, Effizienz und Ergebnisse in der Gesundheitsversorgung erheblich zu verbessern. Die Onkologie ist aufgrund ihrer multidisziplinären Natur, der hohen Komplexität der Krankheitsbilder und des intensiven Koordinationsbedarfs zwischen verschiedenen Fachbereichen (medizinische, strahlentherapeutische und chirurgische Onkologie sowie unterstützende Pflege) ein idealer Kandidat für KI-Anwendungen.
Trotz des allgemeinen Interesses an KI in der Medizin fehlt es jedoch an spezifischen Studien, die die Perspektiven von Patienten und Fachkräften direkt auf die Implementierung von KI in der Krebsversorgung ausrichten. Bisherige Forschung hat oft nur allgemeine Haltungen untersucht, ohne die einzigartigen Nuancen der Onkologie oder die Notwendigkeit einer evidenzbasierten (EB) Implementierung unter Einbeziehung aller Stakeholder (von Entwicklern bis zu Patienten) systematisch zu erfassen. Das Ziel dieser Studie war es, ein strukturiertes Verständnis der Prioritäten, Bedenken und wahrgenommenen Vorteile zu entwickeln, um eine verantwortungsvolle und effektive Implementierung zu steuern.

2. Methodik
Die Studie verwendete einen partizipativen, gemischten Methoden-Ansatz, der auf dem Konzeptmapping (Concept Mapping) nach dem Framework von Trochim basiert. Der Prozess umfasste sechs Stufen:

• Kontext und Datenerhebung: Im Rahmen des „BC Cancer Summit 2024" (Vancouver, Kanada) wurde ein interaktiver Workshop mit 48 Teilnehmern durchgeführt. Diese Gruppe umfasste Patienten, Angehörige, KI-Forscher, Onkologen, IT-Experten und Administratoren.
• Generierung von Aussagen: Die Teilnehmer generierten 265 Aussagen zu drei Leitfragen: Bedenken, Vorteile und Prioritäten für KI in der Krebsversorgung.
• Aufbereitung: Nach Deduplizierung und Neuformulierung blieben 100 eindeutige Aussagen übrig.
• Sortierung und Bewertung (Expert Panel): Ein zweiter, sorgfältig ausgewählter Expertengremium (n=13) sortierte diese 100 Aussagen in thematische Gruppen und bewertete jede Aussage auf einer 5-Punkte-Likert-Skala hinsichtlich Wichtigkeit (1–5) und Durchführbarkeit/Umsetzbarkeit (1–5).
• Statistische Analyse:
  • Multidimensionale Skalierung (MDS): Erzeugte eine zweidimensionale räumliche Darstellung der Aussagen, basierend auf der Häufigkeit, mit der sie gemeinsam sortiert wurden (Koinzidenzmatrix).
  • Hierarchisches Clustering (Ward-Methode): Identifizierte Hauptcluster und Subcluster basierend auf den MDS-Koordinaten. Die optimale Clusteranzahl wurde mittels Silhouette-Analyse und Elbow-Methode bestimmt.
  • Subgruppenanalyse: Vergleich der Bewertungen zwischen klinischem (n=7) und nicht-klinischem Personal (n=6) mittels Mann-Whitney-U-Test und t-Test.
  • Go-Zone-Analyse: Eine quadratische Matrix, die Aussagen basierend auf ihrer relativen Wichtigkeit und Durchführbarkeit in vier Quadranten einteilt (z. B. „Hohe Priorität/Hohe Durchführbarkeit").
• Software: Die Analyse wurde in Python (v3.12) durchgeführt; der Code ist öffentlich auf GitHub verfügbar.

3. Wichtige Beiträge und Ergebnisse

• Strukturierung des Datenraums: Aus den 100 Aussagen wurden zwei Hauptcluster identifiziert:

  1. Cluster 1: „Herausforderungen und Sicherheitsmaßnahmen für die KI-Implementierung" (62 Aussagen).
  2. Cluster 2: „Klinische Vorteile und Effizienzgewinne" (38 Aussagen).
     Jeder Hauptcluster wurde weiter in vier thematische Subcluster unterteilt (insgesamt 8 Subcluster).

• Quantitative Bewertung:

  • Cluster 2 (Vorteile/Effizienz) erhielt signifikant höhere Bewertungen für sowohl Wichtigkeit (Mittelwert 3,50 vs. 3,14; p < .001) als auch Durchführbarkeit (Mittelwert 3,62 vs. 2,99; p < .001) im Vergleich zu Cluster 1.
  • Es gab einen großen Effekt (Cohen's d = 0,94 für Wichtigkeit, d = 1,59 für Durchführbarkeit).
  • Innerhalb von Cluster 1 war die Wichtigkeit signifikant höher als die Durchführbarkeit (p = .005), was auf ein „Wissens-Handlungs-Lücke" bei Governance-Themen hindeutet. In Cluster 2 war die Durchführbarkeit höher als die Wichtigkeit (p = .007).

• Subcluster-Erkenntnisse:

  • Die Subcluster in Cluster 2 (z. B. direkte Workflow-Verbesserungen, klinische Qualitätssteigerung) wurden als am durchführbarsten eingestuft.
  • Die Subcluster in Cluster 1 (z. B. ethische Überlegungen, regulatorische Fragen, Datenschutz) wurden als wichtig, aber weniger durchführbar eingestuft.
  • Subgruppenvergleich: Es gab keine signifikanten Unterschiede in der Wichtigkeit zwischen klinischem und nicht-klinischem Personal. Klinische Teilnehmer bewerteten die Durchführbarkeit von Cluster 2 jedoch signifikant höher als nicht-klinische Teilnehmer (p = .029).

• Go-Zone-Analyse:

  • Quadrant I (Hohe Wichtigkeit / Hohe Durchführbarkeit): 36 Aussagen (36%). Dies sind sofort umsetzbare Prioritäten (z. B. Reduzierung des administrativen Aufwands, Unterstützung bei der Dokumentation).
  • Quadrant III (Hohe Wichtigkeit / Niedrige Durchführbarkeit): 13 Aussagen (13%). Dies sind strategische Prioritäten, die langfristige Investitionen und Forschung erfordern (z. B. Datenschutzrahmen, regulatorische Klarheit).

4. Signifikanz und Implikationen

• Strategische Roadmap: Die Studie liefert einen evidenzbasierten, stakeholder-gestützten Rahmen, der Organisationen hilft, KI-Implementierungen zu sequenzieren. Sie unterscheidet klar zwischen sofort umsetzbaren, workflow-integrierten Tools und systemweiten Governance-Anforderungen, die längerfristige Investitionen benötigen.
• Implementierungswissenschaft: Die Ergebnisse stützen die Theorie, dass die Akzeptanz von KI stark von der Kompatibilität mit bestehenden Arbeitsabläufen abhängt. Während klinische Unterstützungstools als Erweiterung der aktuellen Praxis gesehen werden, erfordern Governance- und Ethikfragen tiefgreifende institutionelle Veränderungen.
• Praktischer Nutzen: Der vorgestellte Ansatz (Konzeptmapping + Go-Zone-Analyse) bietet ein konkretes Werkzeug für Entscheidungsträger, um Ressourcen gezielt einzusetzen: Kurzfristige „Quick Wins" (Workflow-Optimierung) parallel zu langfristigen Investitionen in Infrastruktur und Politik (Datengovernance).
• Einzigartigkeit: Dies ist die erste Studie, die Konzeptmapping verwendet, um die Perspektiven von Endnutzern (Patienten und Fachkräfte) in der Onkologie spezifisch für KI zu kartieren, wodurch eine Lücke in der Literatur geschlossen wird, die bisher eher thematische Reviews als quantitative räumliche Analysen nutzte.

Fazit:
Die Studie zeigt, dass Stakeholder KI-Anwendungen, die den klinischen Workflow direkt unterstützen und Effizienz steigern, als hochprioritär und umsetzbar ansehen. Gleichzeitig werden systemische Herausforderungen (Datenschutz, Ethik, Regulation) als extrem wichtig, aber aktuell schwerer umsetzbar wahrgenommen. Ein gestaffelter Implementierungsansatz, der beide Bereiche adressiert, wird als Schlüssel für eine erfolgreiche und verantwortungsvolle Einführung von KI in der Krebsversorgung empfohlen.