EUVIMEDEUVIMED entdecken
Übersichtsarbeit

Künstliche Intelligenz und Machine Learning in der Auskultation – ein Ausblick auf das Projekt DigitaLung

Luca Hilberink, Pia Wehage, Milad Pashai Fakhri, Svenja Gaedcke, David DeLuca, Patricia Mattis, Jessica Rademacher

Pneumologie · 01.03.2025 · 79 (03) · 229-235

DOI: 10.1055/a-2507-1486 ↗

Kurz gefasst

Übersichtsarbeit in der Zeitschrift Pneumologie, erschienen am 01.03.2025. Verfasst von Luca Hilberink und 6 weiteren Autor:innen. Beteiligte Einrichtung: Respiratory Medicine and Infectious Diseases, Hannover Medical School, Hannover, Deutschland. Hauptthemen laut MEDLINE: Machine Learning, Auscultation, Artificial Intelligence, Lung Diseases. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 15 Literaturangaben. Gefördert von: Bundesministerium für Bildung und Forschung.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Die Auskultation ist eine der ärztlichen Schlüsselkompetenzen in der körperlichen Untersuchung. Hauptproblem der Auskultation ist die fehlende Objektivierbarkeit der Befunde und die große Abhängigkeit von der Erfahrung des Untersuchenden. Die Auskultation mittels Machine Learning und mithilfe neuronaler Netzwerke verspricht großes Potenzial für die Lösung dieser Probleme im klinischen Alltag. Es erfolgte eine selektive Recherche nach Studien in PubMed, anhand derer die Möglichkeiten des Machine Learnings in der medizinischen Diagnostik sichtbar werden. In allen detektierten Studien konnten signifikante Unterschiede zwischen den jeweiligen Testgruppen zugunsten der Künstlichen Intelligenz (KI) gezeigt werden. Neben den positiven Studienergebnissen konnten auch die Limitationen der KI analysiert und kritisch hinterfragt werden. Die medizinische Forschung befindet sich auf dem Gebiet der Künstlichen Intelligenz noch in den Anfängen. Perspektiven und Grenzen der KI müssen weiter untersucht werden und bedürfen großer Aufmerksamkeit in der Zusammenarbeit von Klinikern, Wissenschaftlern und KI-Experten. Öffentlich geförderte Projekte wie DigitaLung (Digitales Auskultationssystem zur Differenzialdiagnose von Lungenerkrankungen mittels Machine Learning), welches mittels KI die Lungenauskultation perspektivisch verbessern soll, helfen dabei, den diagnostischen Nutzen der KI für die Patientenversorgung zu erschließen, und könnten in Zukunft Möglichkeiten die Versorgung verbessern.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Machine LearningAuscultationArtificial IntelligenceLung DiseasesDiagnosis, Computer-AssistedHumansNeural Networks, Computer

Autor:innen und Institutionen

  • Respiratory Medicine and Infectious Diseases, Hannover Medical School, Hannover, Deutschland.
  • Biomedical Research in Endstage and Obstructive Lung Disease Hannover (BREATH), German Center for Lung Research (DZL), Hannover Medical School, Hannover, Deutschland.
  • Business Development Manager, Translational Biomedical Engineering, Fraunhofer Institute for Toxicology and Experimental Medicine ITEM, Hannover, Deutschland.

Förderung

  • Bundesministerium für Bildung und Forschung

Zitieren

APA

Hilberink, L., Wehage, P., Pashai Fakhri, M., Gaedcke, S., DeLuca, D., Mattis, P., & Rademacher, J. (2025). Künstliche Intelligenz und Machine Learning in der Auskultation – ein Ausblick auf das Projekt DigitaLung. Pneumologie, 79(03), 229-235. https://doi.org/10.1055/a-2507-1486

Vancouver

Hilberink L, Wehage P, Pashai Fakhri M, Gaedcke S, DeLuca D, Mattis P, et al. Künstliche Intelligenz und Machine Learning in der Auskultation – ein Ausblick auf das Projekt DigitaLung. Pneumologie. 2025;79(03):229-235. doi:10.1055/a-2507-1486

BibTeX
@article{Hilberink2025,
  author = {Hilberink, Luca and Wehage, Pia and Pashai Fakhri, Milad and Gaedcke, Svenja and DeLuca, David and Mattis, Patricia and Rademacher, Jessica},
  title = {Künstliche Intelligenz und Machine Learning in der Auskultation – ein Ausblick auf das Projekt DigitaLung},
  journal = {Pneumologie},
  year = {2025},
  volume = {79},
  number = {03},
  pages = {229--235},
  doi = {10.1055/a-2507-1486}
}
Kostenlos starten →