Mapping the Evolution of Artificial Intelligence in Healthcare, 2017–2025: An Integrated Bibliometric and Latent Dirichlet Allocation Topic Modelling Analysis
Diese Studie integriert standardmäßige bibliometrische Analysen mit der Latent Dirichlet Allocation (LDA) Topic-Modellierung auf einem kuratierten Korpus von 2.631 Dokumenten zur KI im Gesundheitswesen aus den Jahren 2017 bis 2025, um Keyword-Beschränkungen zu überwinden, und offenbart eine Reifungsbahn von einsatzbereiten Anwendungen hin zu governance-abhängigen Grenzbereichen wie Large Language Models und erklärbarer KI.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Landschaft der modernen Medizin wird im Stillen durch eine mächtige neue Kraft umgestaltet: künstliche Intelligenz. Jahrzehntelang haben Computer Ärzten geholfen, Aufzeichnungen zu organisieren und grundlegende Berechnungen durchzuführen, doch die heutigen Systeme lernen, Muster in medizinischen Bildern zu erkennen, Patientenergebnisse vorherzusagen und sogar klinische Notizen zu entwerfen. Dieser Wandel vollzieht sich so schnell, dass es für Krankenhausleiter und Forscher schwierig ist, ein klares Bild davon zu bekommen, wohin sich das Feld entwickelt. Sie benötigen einen Weg, um den riesigen Ozean neuer Forschung zu kartieren und dabei zwischen Ideen zu unterscheiden, die bereit für den realen Einsatz sind, und solchen, die noch reine Experimente darstellen. Um dies zu tun, müssen sie tausende wissenschaftliche Arbeiten sichten, aber das bloße Zählen von Wörtern oder das Verlassen auf die Labels, die Autoren zur Beschreibung ihrer Arbeit wählen, erfasst oft nicht die tiefere Bedeutung. Verschiedene Wissenschaftler verwenden möglicherweise unterschiedliche Wörter für dieselbe Idee oder dieselben Wörter für verschiedene Dinge, was einen Nebel erzeugt, der die wahren Trends verbirgt.
Ein Forscherteam am K J Somaiya Institute of Management in Mumbai beschloss, diesen Nebel zu lichten, indem sie zwei verschiedene Arten der Datenbetrachtung kombinierten. Sie sammelten eine massive Sammlung von 2.631 wissenschaftlichen Artikeln, die zwischen 2017 und 2025 veröffentlicht wurden, mit einem spezifischen Fokus darauf, wie künstliche Intelligenz im Gesundheitswesen angewendet wird. Anstatt nur Titel und Schlagworte zu lesen, verwendeten sie eine Computermethode, die die Titel und Abstracts der Artikel liest, um verborgene Themen zu finden – ganz ähnlich wie ein Bibliothekar, der dem Inhalt eines Gesprächs zuhört, anstatt nur den Betreff auf einem Brief zu lesen. Indem sie dieses tiefe Lesen mit einer Standardanalyse darüber koppelten, wer wen zitiert und welche Fachzeitschriften am aktivsten sind, erstellten sie eine detaillierte Karte der Evolution des Feldes. Ihre Arbeit zeigt nicht nur auf, welche Technologien reifen, sondern auch, welche aufstrebenden Ideen unter dem Radar des traditionellen Forschungs-Trackings fliegen.
Die Forscher fanden heraus, dass das Feld explosionsartig gewachsen ist, wobei die Anzahl der Publikationen von etwa 87 im Jahr 2017 auf 731 im Jahr 2025 anstieg. Dieser Anstieg war besonders stark um das Jahr 2020 herum, getrieben durch die dringende Notwendigkeit von Werkzeugen, die helfen sollten, die COVID-19-Pandemie zu diagnostizieren und zu verfolgen. Als sie die meistzitierten Arbeiten analysierten, sahen sie, dass der frühe Fokus stark auf dem Einsatz von Computern zum Lesen medizinischer Bilder, wie Röntgenaufnahmen und Scans, sowie auf der Verbindung von Wearable-Geräten mit Hospitalsystemen lag. Diese Bereiche haben nun einen Punkt der Reife erreicht, was bedeutet, dass die grundlegenden technischen Probleme weitgehend gelöst sind und die aktuelle Forschung darauf ausgerichtet ist, diese Werkzeuge für spezifische Krankheiten wie Herzerkrankungen oder Diabetes zu verfeinern.
Die bedeutendste Entdeckung der Forscher kam jedoch aus der Methode des tiefen Lesens, die Themen aufdeckte, die durch Standard-Schlagwortsuchen völlig unentdeckt geblieben waren. Während die traditionelle Analyse ein klares Bild von Bildgebung und Wearables zeichnete, übersah sie zwei schnell wachsende Bereiche: den Einsatz von Large Language Models zum Schreiben klinischer Notizen und die dringende Notwendigkeit von Regeln, um zu erklären, wie eine künstliche Intelligenz ihre Entscheidungen trifft. Die Computeranalyse identifizierte, dass diese Themen in ihrer Popularität explodieren, doch sie waren in den Standard-Schlagwortkarten unsichtbar, weil Wissenschaftler eine große Vielfalt an Begriffen verwendeten, um sie zu beschreiben. Dies deutet darauf hin, dass sich das Feld über das bloße Bauen smarter Werkzeuge hinausbewegt und sich darum sorgt, wie man sie regelt und wie man sie in den täglichen Papierkram von Krankenhäusern integriert.
Die Forscher ordneten diese Erkenntnisse in eine klare Zeitlinie der Einsatzbereitschaft ein. Sie stellten fest, dass Technologien zum Lesen medizinischer Bilder und zur Überwachung von Patienten mittels Sensoren bereit sind, jetzt in Krankenhäusern eingesetzt zu werden. Andere Bereiche, wie etwa der Einsatz von künstlicher Intelligenz, um Ärzten beim Schreiben von Patientenakten zu helfen oder um die Privatsphäre von Patienten beim Datenaustausch zwischen verschiedenen Krankenhäusern zu schützen, befinden sich noch in einer Phase des rapiden Wachstums. Diese neueren Felder sind noch nicht bereit für den breiten Einsatz, da sie zuerst neue Gesetze und Sicherheitsrahmen erfordern. Die Studie kommt zu dem Schluss, dass für Krankenhausleiter und Investoren die wertvollste Erkenntnis nicht nur darin besteht, was heute funktioniert, sondern zu erkennen, welche aufstrebenden Technologien am Horizont liegen und Vorbereitung erfordern, bevor sie sicher adaptiert werden können. Durch die Verwendung dieses kombinierten Ansatzes aus dem Zählen von Zitaten und dem Lesen nach verborgenen Themen lieferte das Team einen zuverlässigen Weg, die Zukunft der Medizintechnik zu sehen, bevor sie für alle anderen offensichtlich wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.