Skip to main content
SpringerLink
Log in

Künstliche Intelligenz im Gesundheitswesen als Kernkompetenz? Status quo, Entwicklungslinien und disruptives Potenzial

  • Chapter
  • First Online:
Künstliche Intelligenz im Gesundheitswesen

  • 17k Accesses

Zusammenfassung

Der künstlichen Intelligenz wird gemeinhin ein hohes disruptives und marktzerstörerisches Potenzial zugeschrieben, weil durch sie eingeschliffene Routinen, Strukturen, Strategien und Geschäftsmodelle auf den Prüfstand gestellt werden. Der Beitrag widmet sich der Fragestellung, ob der Einsatz künstlich intelligenter Anwendungen im Gesundheitswesen die „bestehende Ordnung“ substituiert, komplementär arrondiert oder im Sinne der digitalen Assistenz unterstützt. Zudem ist zu klären, ob sich radikale KI-Visionen im pfadabhängigen, massenträgen und regulierten Gesundheitswesen überhaupt mit hoher Intensität umsetzen lassen. Der Grund hierfür ist in multiplen Umsetzungsbarrieren zu suchen, die revolutionären und flächendeckenden KI-Lösungen trotz technischer Machbarkeit im Wege stehen. Aus dem Blickfeld des ressourcenorientierten Ansatzes (Resource-based View) wird der Frage nachgegangen, ob und unter welchen Bedingungen die künstliche Intelligenz eine Kernkompetenz darstellt, die zu Disruption, Diskontinuität und Differenzierung (3-D-Modell) führen.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 89.00
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Hardcover Book
USD 119.99
Price excludes VAT (USA)
  • Durable hardcover edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Similar content being viewed by others

Literatur

  • Amoroso N., La Rocca M., Bruno S., Tommaso M., Monaco A., Bellotti R., & Tangaro S. (2017). Brain structural connectivity atrophy in Alzheimer’s disease. Medical Physics. https://arxiv.org/abs/1709.02369v1. Zugegriffen: 29. Okt. 2020.

  • Ardila D., Kiraly A. P., Bharadwaj S., Choi B., Reicher J. J., Peng L., Tse D.; Etemadi M.; Ye W.; Corrado G. Naidich D. P., & Shetty S. (2019). End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Natural Medicines, 25(8), 1319. https://doi.org/10.1038/s41591-019-0447-x.

  • Attia, Z. I., Friedman, P. A., Noseworthy, P. A., Lopez-Jimenez, F., Ladewig, D., Satam, G., Pellikka, P. A., Munger, T. M., Asirvatham, S. J., Scott, C. G., Carter, R. E., & Kapa, S. (2019) Age and sex estimation using artificial intelligence from standard 12-lead ECGs. Circulation: Arrhythmia and Electrophysiology, 12(9). https://doi.org/10.1161/CIRCEP.119.007284.

  • Attia, Z. I., Kapa, S., Lopez-Jimenez, F., McKie, P. M., Ladewig, D. J., Satam, G., Pellikka, P. A., Enriquez-Sarano, M., Noseworthy, P. A., Munger, T. M., Asirvatham, S. J., Scott, C. G., Carter, R. E., & Friedman, P. A. (2019). Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nature Medicine, 25(1), 70–74. https://doi.org/10.1038/s41591-018-0240-2.

    Article  Google Scholar 

  • Battineni, G., Chintalapudi, N., & Amenta, F. (2020). AI Chatbot Design during an Epidemic like the Novel Coronavirus. Healthcare, 8(2), 154. https://doi.org/10.3390/healthcare8020154.

    Article  Google Scholar 

  • Braun von Reinersdorff, A., Heitele, S., & Rasche, C. (2010). Pluralistischer Kompetenz- und Netzwerkwettbewerb als strategisches Paradigma der Gesundheitswirtschaft. In R. Kähler & S. Schröder (Hrsg.), Ökonomische Perspektiven von Sport und Gesundheit (S. 213–227). Hofmann Verlag.

    Google Scholar 

  • Braun von Reinersdorff, A., Margaria, T., & Rasche, C. (2012). Processes and data Integration in the networked healthcare. In T. Margaria & B. Steffen (Hrsg.), Leveraging applications of formal methods, verification and validation. Applications and case studies. ISoLA 2012. Lecture notes in computer science (Bd. 7610, S. 67–69). Springer. https://doi.org/10.1007/978-3-642-34032-1_7.

  • Brinker, T. J., Hekler, A., Enk, A. H., Klode, J., Hauschild, A., Berking, C., Schilling, B., Haferkamp, S., Schadendorf, D., Holland-Letz, T., Utikal, J. S., & von Kalle, C. (2019). Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task. European Journal Cancer, 113, 47–54. https://doi.org/10.1016/j.ejca.2019.04.001.

  • Dellazizzo, L., Potvin, S., Luigi, M., & Alexandre, D. (2020). Evidence on virtual reality–based therapies for psychiatric disorders: Meta-review of meta-analyses. Journal of Medical Internet Research, 22(8). https://doi.org/10.2196/20889.

  • Dezsó, R., Horváth, A., Unger, Z., Pollner, P., & Csabai, I. (2018). Detecting and classifying lesions in mammograms with deep learning. Scientific Reports, 8(4165). https://doi.org/10.1038/s41598-018-22437-z.

  • Eaton, M. (2015). Evolutionary humanoid robotics (Bde. SpringerBriefs in Intelligent Systems (Artificial Intelligence, Multiagent Systems, and Cognitive Robotics)). Springer. https://doi.org/10.1007/978-3-662-44599-0_5.

  • Esteva, A., Brett, K., Novoa, R. A., Justin, K., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542, 115–118. https://doi.org/10.1038/nature21056.

    Article  Google Scholar 

  • Fitzgerald, J. M., Ryan, C., Medernach, D., & Krawiec, K. (2015). An integrated approach to stage 1 breast cancer detection. Proceedings of the 2015 Annual Conference on Genetic and Evolutionary Computation (GECCO `15), July 2015, Association for Computing Machinery New York, (S. 1199–1206).1145/2739480.2754761.

  • Gossen, F., Margaria, T., & Steffen, B. (2020). Towards explainability in machine learning: The formal methods way. IT Professional, 22(4), 8–12.

    Google Scholar 

  • Gurovich, Y., Hanani, V., Omri, B., Nadav, G., Fleischer, N., Gelbman, D., Basel-Salmon, L., Krawitz, P. M., Kamphausen, S. B., Zenker, M., Bird, L. M., & Gripp, K. W. (2019). Identifying facial phenotypes of genetic disorders using deep learning. Nature Medicine, 25(1), 60–64. https://doi.org/10.1038/s41591-018-0279-0.

    Article  Google Scholar 

  • Hannun, A. Y., Rajpurkar, P., Haghpanahi, M., Tison, G. H., Bourn, C., Turakhia, M. P., & Ng, A. Y. (2019). Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nature Medicine, 25, 65–69. https://doi.org/10.1038/s41591-018-0268-3.

    Article  Google Scholar 

  • Knape, T., Hufnagl, P., & Rasche, C. (2019). Innovationsmanagement unter VUKA-Bedingungen: Gesundheit im Fokus von Digitalisierung, Datenanalytik, Diskontinuität und Disruption. In M. A. Pfannstiel, K. Kassel, & C. Rasche (Hrsg.), Innovationen und Innovationsmanagement im Gesundheitswesen – Technologien Produkte und Dienstleistungen voranbringen (S. 1–24). Springer.

    Google Scholar 

  • Lamprecht, A. L., Margaria, T., & Steffen B. (2008). Seven variations of an alignment workflow – An illustration of agile process design and management in Bio-jETI. Bioinformatics Research and Applications. ISBRA 2008. Lecture Notes in Computer Science, 4983, Springer. https://doi.org/10.1007/978-3-540-79450-9_42.

  • Langell, J. T. (2019). Evidence-based medicine: A data-driven approach to lean healthcare operations. International Journal of Healthcare Management, https://doi.org/10.1080/20479700.2019.1641650.

  • Liu, X., Faes, L., Kale, A. U., Wagner, S. K., Fu, D. J., Bruynseels, A., Mahendiran, T., Moraes, G., Shamdas, M., Kern, C., Ledsam, J. R., Schmid, M. K., Balaskas, K., Topol, E. J., Bachmann, L. M., Keane, P. A., & Denniston, A. K. (2019). A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: A systematic review and meta-analysis. Lancet Digital Health, 1(6), 271–297. https://doi.org/10.1016/S2589-7500(19)30123-2.

    Article  Google Scholar 

  • Lohmann, P., Kocher, M., Ceccon, G., Bauer, E. K., Gabriele, S., Viswanathan, S., Ruge, M. I., Bernd, N., Shah, N. J., Fink, G. R., Langen, K.-J., & Galldiks, N. (2018). Combined FET PET/MRI radiomics differentiates radiation injury from recurrent brain metastasis. NeuroImage: Clinical, 537–542. https://doi.org/10.1016/j.nicl.2018.08.024.

  • Margaria, T., Boßelmann, S., Doedt, M., Floyd, B. D., & Steffen, B. (2012). Customer-oriented business process management: Vision and obstacles. In M. Hinchey & L. Coyle (Hrsg.), Conquering complexity (S. 407–429). Springer. https://doi.org/10.1007/978-1-4471-2297-5_16.

  • Margaria, T., Floyd, B. D., & Steffen, B. (2011). IT simply works: Simplicity and embedded systems design. IEEE 35th Annual Computer Software and Applications Conference Workshops (S. 194–199), July 2011 München. https://doi.org/10.1109/COMPSACW.2011.42.

  • Margaria, T., Hinchey, M., Raffelt, H., Rash, J. L., Rouff, C. A., & Steffen, B. (2006). Completing and adapting models of biological processes. Springer. https://doi.org/10.1007/978-0-387-34733-2_5.

    Book  Google Scholar 

  • Mei, X., Lee, H. C., Diao, K. Y., Huang, M., Lin, B., Liu, C., Xie, Z., Ma, Y. R., Philip, M., Chung, M., Bernheim, A., Mani, V., Calcagno, C., Li, K., Li, S., Shan, H., Lv, J., Zhao, T., Xia, J., … Yang, Y. (2020). Artificial intelligence–enabled rapid diagnosis of patients with COVID-19. Nature Medicine, 26, 1224–1228. https://doi.org/10.1038/s41591-020-0931-3.

    Article  Google Scholar 

  • Mori, Y., Kudo, S. E., Misawa, M., Saito, Y., Ikematsu, H., Hotta, K., Ohtsuka, K., Urushibara, F., Kataoka, S., Ogawa, Y., Maeda, Y., Takeda, K., Nakamura, H., Ichimasa, K., Kudo, T., Hayashi, T., Wakamura, K., Ishida, F., Inoue, H., … Mori, K. (2018). Real-time use of artificial intelligence in identification of diminutive polyps during colonoscopy: A prospective study. Annals of Internal Medicine, 169(6), 357–366. https://doi.org/10.7326/M18-0249.

    Article  Google Scholar 

  • Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342.

    Article  Google Scholar 

  • Pantanowitz, L., Quiroga-Garza, G. M., Bien, L., Heled, R., Laifenfeld, D., Linhart, C., Sandbank, J., Shach, A. A., Shalev, V.; Vecsler, M., Michelow, P., Hazelhurst, S., & Dhir, R. (2020). An artificial intelligence algorithm for prostate cancer diagnosis in whole slide images of core needle biopsies: A blinded clinical validation and deployment study. Lancet Digital Health, 2(8), 407–416. https://doi.org/10.1016/S2589-7500(20)30159-X.

    Article  Google Scholar 

  • Rasche, C. (1994). Wettbewerbsvorteile durch Kernkompetenzen – Ein ressourcenorientierter Ansatz, (Dissertation). Deutscher Universitätsverlag.

    Book  Google Scholar 

  • Rasche, C. (2002). Multifokales Management – Unternehmenskonzepte für den pluralistischen Wettbewerb (Habilitation). Deutscher Universitätsverlag.

    Google Scholar 

  • Rasche, C. (2007). Wettbewerbsstrategien. In R. Köhler, H.-U. Küpper, & A. Pfingsten (Hrsg.), Handwörterbuch der Betriebswirtschaft (Bd. 6., 6. Aufl., S. 1990–1999). Schäffer-Poeschel.

    Google Scholar 

  • Rasche, C. (2013). Big Data – Herausforderung für das Management. WISU, 41(8–9), 1076–1083.

    Google Scholar 

  • Rasche, C., & Margaria, T. (2013). Value on Data (VoD): Big Data als Chance zur Entscheidungsoptimierung in Kliniken. WISU, 41(2), 182–190.

    Google Scholar 

  • Rasche, C., Braun von Reinersdorff, A., Knoblach, B., & Fink, D. (2018). Digitales Unternehmen im Gesundheitswesen. In M. A. Pfannstiel, P. Da-Cruz, & C. Rasche (Hrsg.), Entrepreneurship im Gesundheitswesen, Digitalisierung – Innovation – Gesundheitsversorgung, (Bd. III, S. 1–31). Springer.

    Google Scholar 

  • Rasche, C., Brehmer, N., Fink, D., & Knoblach, B. (2019). Political impact management. WISU, 47(1), 78–87.

    Google Scholar 

  • Rasche, C., Margaria, T., & Floyd, B. D. (2017). Service model innovation in hospitals: Beyond expert organizations. In M. A. Pfannstiel & C. Rasche (Hrsg.), Service business model innovation in healthcare and hospital management – Models Strategies Tools (S. 1–19). Springer Nature.

    Google Scholar 

  • Rasche, C., Margaria, T., & Braun von Reinersdorff, A. B. (2010). Value delivery through IT-based healthcare architecture. In 25 Jahre ressourcen- und kompetenzorientierte. Forschung Strategisches Kompetenz-Management. Gabler.

    Google Scholar 

  • Rasche, C., Schultz, C., & Braun von Reinersdorff, A. (2020). EID-Leadership im Gesundheitswesen – Entrepreneurship, Innovation, Digitalisierung. FOR-MED. Zeitschrift für das Management im Gesundheitswesen, 1(1), 1–11.

    Google Scholar 

  • Tasnim, M., Stroulia, & E. (2019) Detecting depression from voice. In M. J. Meurs & F. Rudzicz (Hrsg.), Advances in Artificial Intelligence. Canadian AI 2019. Lecture Notes in Computer Science (Bd. 11489). Springer.https://doi.org/10.1007/978-3-030-18305-9_47.

  • Urban, G., Tripathi, P., Alkayali, T., Mittal, M., Jalali, F., Karnes, W., & Baldi, P. (2018). Deep learning localizes and identifies polyps in real time with 96 % accuracy in screening colonoscopy. Gastroenterology, 155(4), 1069–1078. https://doi.org/10.1053/j.gastro.2018.06.037.

    Article  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Humanwissenschaftliche Fakultät, Wirtschafts- und Sozialwissenschaftliche Fakultät, Department für Sport- und Gesundheitswissenschaften, Universität Potsdam, Lehrstuhl für Management, Sportökonomie & Professional Services, Potsdam, Deutschland

    Christoph Rasche

  2. Wirtschafts- und Sozialwissenschaftliche Fakultät, Department für Sport- und Gesundheitswissenschaften, Lehrstuhl für Management, Sportökonomie & Professional Services, Potsdam, Deutschland

    Adriana A. Reinecke

  3. Department of Computer Science and Information Systems and, Lero – The Irish Software Research Centre, University of Limerick, Limerick, Irland

    Tiziana Margaria

Authors
  1. Christoph Rasche
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Adriana A. Reinecke
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Tiziana Margaria
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Christoph Rasche .

Editor information

Editors and Affiliations

  1. Hochschule für angewandte Wissenschaften Neu-Ulm, Fakultät Gesundheitsmanagement, Neu-Ulm, Deutschland

    Mario A. Pfannstiel

Rights and permissions

Reprints and permissions

Copyright information

© 2022 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Rasche, C., Reinecke, A.A., Margaria, T. (2022). Künstliche Intelligenz im Gesundheitswesen als Kernkompetenz? Status quo, Entwicklungslinien und disruptives Potenzial. In: Pfannstiel, M.A. (eds) Künstliche Intelligenz im Gesundheitswesen. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-33597-7_2

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-33597-7_2

  • Published:

  • Publisher Name: Springer Gabler, Wiesbaden

  • Print ISBN: 978-3-658-33596-0

  • Online ISBN: 978-3-658-33597-7

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation