Das Problem, das kein Krankenhaus allein lösen konnte
In den schlimmsten Monaten der Pandemie standen Krankenhäuser weltweit vor der gleichen betrieblichen Widersprüchlichkeit: Sie verfügten über genügend Daten, um KI-Modelle zu trainieren, die vorhersagten, welche Patienten sich verschlechtern würden, konnten diese Daten jedoch nicht teilen. HIPAA in den USA, die Datenschutz-Grundverordnung (DSGVO) in Europa und vergleichbare Regelungen in Dutzenden von Ländern verwandelten jede Datenübertragung in ein rechtliches Risiko mit einer potenziellen Haftung von mehreren Millionen Dollar. Das Ergebnis war eine absurde Fragmentierung: Jede Institution trainierte ihre eigenen Modelle mit kleinen Stichproben, wodurch Werkzeuge entstanden, die innerhalb ihrer Mauern gut funktionierten und beim Überqueren der Straße zusammenbrachen.
EXAM — das in einem kooperativen Prozess zwischen 20 Krankenhäusern entwickelte Modell — bekämpfte diesen Widerspruch durch seine Architektur. Es verlangte nicht die Daten. Es verlangte etwas intelligenteres: die Lehren, die aus diesen Daten gewonnen wurden.
Mit Hilfe des föderierten Lernens trainierte jedes Krankenhaus das Modell lokal anhand seiner eigenen Röntgenbilder und klinischen Historie und teilte anschließend nur die mathematischen Aktualisierungen des Modells, nicht die Patientendaten. Das globale Modell absorbierte das verteilte Wissen aus 20 verschiedenen Quellen, ohne dass Daten eine institutionelle Grenze überschritten. Das Ergebnis war ein Sprung von 16% bei der Präzision und 38% bei der Generalisierung im Vergleich zu zentralisierten Modellen, die mit homogenen Datensätzen trainiert wurden. Dieser Unterschied ist nicht nur statistisch marginal: Im Triage-Bereich der Intensivpflege hat jeder Prozentpunkt an Präzision einen Namen und ein Gesicht.
Warum Generalisierung wichtiger ist als lokale Präzision
Der Indikator, der mich an EXAM am meisten interessiert, ist nicht die 16%ige Verbesserung der Präzision. Es ist die 38%ige Verbesserung der Generalisierung. Hier liegt das strategische Argument, das die meisten Analysen dieses Werkzeugs übersehen.
Ein KI-Modell im Gesundheitswesen, das im Krankenhaus, in dem es trainiert wurde, gut funktioniert, jedoch in einem anderen Zentrum versagt, hat einen kommerziellen Wert, der außerhalb dieses Kontexts nahe null ist. Es ist, praktisch gesprochen, ein nicht übertragbares Asset. Als NYU Langone sein eigenes Modell mit 5.200 Röntgenbildern entwickelte und bis zu 80% Präzision bei der Vorhersage einer schweren COVID-19-Verlauf erreichte, baute es ein mächtiges Werkzeug für NYU Langone auf. Die unbeantwortete Frage ist, wie viel von dieser Leistung bestehen bleibt, wenn die Demografie des Patienten, das Bildprotokoll oder die radiologischen Geräte wechseln.
EXAM, das gleichzeitig auf der Heterogenität von 20 verschiedenen Institutionen mit unterschiedlichen Populationen trainiert wurde, schafft ein Modell, das bereits Variabilität erlebt hat. Es muss diese nicht nachträglich verallgemeinern, da sie während des Trainings aufgenommen wurde. Dies hat direkte Auswirkungen auf jedes Krankenhaus, das erwägt, solche Werkzeuge zu übernehmen: Ein Modell mit 38% mehr Generalisierung reduziert erheblich die Kosten für ein lokales Neutrainieren, die in KI-Projekten im Gesundheitswesen zwischen 30% und 60% des Implementierungsbudgets ausmachen können.
Die föderierte Architektur ist nicht nur ein Mechanismus zum Schutz der Privatsphäre. Sie ist ein Mechanismus zur Senkung der variablen Kosten für jedes teilnehmende Knoten.
Die Ökonomie der Zusammenarbeit ohne Vertrauen
Was EXAM aufgebaut hat, ist in Bezug auf die Anreizstruktur etwas, was die Pharmaindustrie seit Jahrzehnten versucht hat, ohne es zu erreichen: wettbewerbsfähige Zusammenarbeit ohne Abgabe strategischer Vermögenswerte. Jedes Krankenhaus gab das Lernen ab, behielt jedoch die Daten, die das urheberrechtlich geschützte Rohmaterial darstellen, das ihre Position in zukünftigen Modellen unterstützt.
Diese Architektur löst ein Governance-Problem, das Dutzende von ähnlichen Initiativen paralysiert hat. Universitätskrankenhäuser teilen keine klinischen Daten mit konkurrierenden Institutionen, nicht weil sie böswillige Organisationen sind, sondern weil Patientendaten gleichzeitig ein reguliertes Asset, ein Forschungsaktiv und eine rechtliche Verbindlichkeit sind. Jedes Kooperationsmodell, das die Abgabe dieses Vermögenswerts erfordert, trifft auf eine institutionelle Barriere, die kein Vertrag guter Absichten überwinden kann.
Das föderierte Lernen beseitigt diese Barriere. Und indem es diese beseitigt, eröffnet es die Möglichkeit, global skalierbare Modelle auf Daten zu erstellen, die andernfalls in perpetuellen Silos verbleiben würden. Das Massachusetts General Hospital entwickelte sein eigenes vorab trainiertes System zur Bewertung der Schwere von Lungenerkrankungen auf der Grundlage von mehr als 224.000 Röntgenbildern aus dem CheXpert-Datensatz von Stanford und verfeinerte es auf 314 COVID-Fällen. Ein beträchtlicher Aufwand an Datenengineering für eine Stichprobe, die im Kontext von EXAM node mehr im Netzwerk wäre.
Der Unterschied in der Skalierung ist nicht nur technisch. Es ist ein Unterschied in der Art der Fragen, die jedes Modell zuverlässig beantworten kann. Modelle, die auf Zehntausenden von Röntgenbildern aus einer einzigen Quelle trainiert wurden, beantworten Fragen zu dieser Quelle gut. Modelle, die auf der Heterogenität von 20 verschiedenen Krankenhaus-Systemen trainiert wurden, beantworten Fragen über den menschlichen Zustand im Allgemeinen.
Eine Metaanalyse von neun Studien über KI, die auf Brust-Röntgenbilder für COVID-19 angewendet wird, berichtete von einem Bereich unter der Kurve von 0,98, eine Zahl, die in jedem anderen diagnostischen Kontext außergewöhnlich wäre. Dieselbe Analyse weist darauf hin, dass nur 22% der überprüften Studien externe Validierung verwendet haben. Die restlichen 78% entwickelten Werkzeuge, die außerhalb des Kontextes, in dem sie entstanden, nicht getestet wurden.
Das Modell, das der Gesundheitssektor kopieren sollte
Es gibt ein strukturelles Muster, wie die Digitalisierung im Gesundheitswesen tendenziell scheitert, das EXAM direkt unterbricht. Die gewohnte Trägheit führt zu einer Branche, in der jedes große Krankenhauszentrum sein eigenes KI-Werkzeug entwickelt, meist mit nicht rückzahlbaren Forschungsfinanzierungen, ohne Monetarisierungsarchitektur und mit geringem Wartungsaufwand nach der Veröffentlichung. Das Ergebnis ist ein Friedhof akademisch solider und praktisch toter Modelle.
Die föderierte Architektur öffnet eine andere Logik. Ein Konsortium von Krankenhäusern, das Modellaktualisierungen — nicht Daten — teilt, kann ein kollektives Asset aufrechterhalten, dessen Wartungskosten sich auf alle Teilnehmer verteilen, während der Nutzen mit jedem zusätzlichen Knoten skaliert. Das ist ein Kostenmodell mit Eigenschaften, die sich sehr von der isolierten proprietären Entwicklung unterscheiden.
Für Führungskräfte im Gesundheitswesen, die Investitionen in klinische KI bewerten, ist die betriebliche Frage nicht, ob sie diese Werkzeuge übernehmen sollen. Es ist, ob ihre Institution diese Werkzeuge so gestaltet, dass sie in ihren eigenen Mauern gefangen bleibt oder mit jedem neuen Partner, der sich dem Netzwerk anschließt, präziser wird. Ein Modell, das sich mit der Zeit verbessert, ohne die Privatsphäre der Patienten zu gefährden, ist nicht nur ein technologischer Vorteil; es ist die einzige finanziell nachhaltige Architektur für die medizinische KI auf lange Sicht.
Die Entscheidungsträger, die heute technologische Architekturentscheidungen im Gesundheitswesen treffen, wählen zwischen dem Aufbau von Vermögenswerten, die im Isolation abwerten, oder dem Aufbau von Vermögenswerten, die durch Zusammenarbeit an Wert gewinnen. Die Beweise von EXAM zeigen, dass die zweite Option mehr Ertrag bringt, weniger Wartungskosten verursacht und keinen sensiblen Vermögenswert opfert, um dies zu erreichen. Das ist das Audit, das jeder C-Level im Sektor vor der Unterzeichnung des nächsten KI-Vertrags durchführen sollte: ob sein technologisches Investitionsmodell die Daten seiner Patienten als extraktive Rohstoffe verwendet, die eingesperrt bleiben, oder ob es die Architektur hat, diese Informationen in Treibstoff umzuwandeln, der die diagnostische Fähigkeit des gesamten umliegenden Netzwerks anhebt.
