Der künstliche Intelligenz Podcast copertina

Der künstliche Intelligenz Podcast

Der künstliche Intelligenz Podcast

Di: Martin Benes
Ascolta gratuitamente

Offerte di stagione | 0,99 €/mese per i primi 3 mesi

A seguire 9,99 €/mese – si applicano condizioni. Puoi disdire mensilmente.
Wie verändert Künstliche Intelligenz unser Leben – heute und morgen? Im künstliche Intelligenz Podcast tauchst du ein in die spannende Welt von KI, maschinellem Lernen, Deep Learning und neuronalen Netzen. Wir zeigen, wie intelligente Systeme Entscheidungen treffen, Unternehmen effizienter machen und unseren Alltag revolutionieren – verständlich, praxisnah und immer aktuell. Von Sprachmodellen wie ChatGPT über Robotik und Smart Factories bis zu KI in Medizin, Forschung, Bildung und kreativen Projekten – jede Folge liefert Einblicke in Trends, Chancen, Risiken und die Technologien der Zukunft. Gleichzeitig beleuchten wir gesellschaftliche, ethische und politische Fragen: Datenschutz, Deepfakes, KI-Regulierung und globale Wettläufe im Bereich künstlicher Intelligenz. Ob Einsteiger oder Profi: Begleite uns auf einer Reise durch die digitale Transformation und entdecke, wie KI unsere Arbeitswelt, Wirtschaft und Gesellschaft nachhaltig verändert. Jede Episode inspiriert, informiert und macht die Welt der künstlichen Intelligenz greifbar.Martin Benes Successo personale Sviluppo personale
Episodi
  • KI-Assistenz bei psychischen Erkrankungen: Zwischen digitaler Unterstützung und klinischer Verantwortung

    KI-Assistenz bei psychischen Erkrankungen: Zwischen digitaler Unterstützung und klinischer Verantwortung
    Oct 19 2026
    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀👉 https://podcast-mit-ki.systeme.io/home---werbung---Künstliche Intelligenz erreicht die psychische Gesundheitsversorgung Künstliche Intelligenz entwickelt sich zunehmend von einer Technologie für Datenanalyse und Automatisierung zu einem Werkzeug, das direkt mit Menschen kommuniziert. Besonders sichtbar ist diese Entwicklung im Bereich der psychischen Gesundheit. Chatbots und generative KI-Systeme können Gespräche führen, Informationen vermitteln, Übungen aus der kognitiven Verhaltenstherapie begleiten, Symptome strukturieren oder Menschen bei der Selbstreflexion unterstützen. Gleichzeitig wächst die Zahl der Menschen, die allgemein zugängliche Large Language Models für emotionale Unterstützung und psychische Probleme verwenden, obwohl diese Systeme ursprünglich häufig nicht für medizinische oder psychotherapeutische Anwendungen entwickelt wurden. Die Weltgesundheitsorganisation warnt deshalb davor, die schnelle Verbreitung generativer KI mit einer bereits ausreichend belegten klinischen Wirksamkeit gleichzusetzen. Der Begriff „KI-Assistenz“ beschreibt dabei ein breites Spektrum. Dazu gehören speziell entwickelte digitale Gesundheitsanwendungen ebenso wie KI-gestützte Systeme für Psychoedukation, Symptommonitoring oder therapeutische Übungen. Davon zu unterscheiden sind allgemeine Chatbots, die zwar sehr überzeugend kommunizieren können, aber nicht automatisch als medizinische oder psychotherapeutische Systeme zugelassen, klinisch validiert oder für die Behandlung einer psychischen Erkrankung vorgesehen sind. Diese Unterscheidung gewinnt an Bedeutung, weil sprachlich leistungsfähige KI leicht den Eindruck einer menschlichen therapeutischen Beziehung erzeugen kann. Ein Large Language Model kann empathisch formulierte Antworten generieren, Zusammenhänge erklären und auf vorherige Gesprächsinhalte Bezug nehmen. Daraus folgt jedoch nicht, dass das System menschliches Erleben versteht oder über die klinische Urteilsfähigkeit einer Psychotherapeutin, eines Psychotherapeuten oder einer Ärztin beziehungsweise eines Arztes verfügt. Was KI heute bei psychischen Erkrankungen leisten kann Eine der etabliertesten Anwendungen liegt in der digitalen Begleitung von Interventionen. KI kann beispielsweise Informationen über psychische Gesundheit vermitteln und Nutzer durch strukturierte Übungen führen. Besonders häufig wird dabei auf Prinzipien der kognitiven Verhaltenstherapie zurückgegriffen. Systeme können dabei helfen, Gedanken zu dokumentieren, Verhaltensmuster zu reflektieren oder Übungen zwischen professionellen Behandlungsterminen zu unterstützen. Ein Beispiel für eine kommerzielle Anwendung ist Wysa, eine KI-gestützte Plattform für psychische Gesundheit. Das Unternehmen verweist auf klinische Studien und wissenschaftliche Kooperationen und beschreibt Anwendungen unter anderem für Depression, Angst und chronische Schmerzen. Die Existenz wissenschaftlicher Untersuchungen bedeutet allerdings nicht, dass jede Funktion einer solchen Plattform für jede psychische Erkrankung gleichermaßen wirksam oder geeignet ist. Auch Forschungsgruppen untersuchen zunehmend generative KI als Bestandteil digitaler psychologischer Interventionen. Eine 2025 veröffentlichte randomisierte kontrollierte Studie mit 540 Erwachsenen untersuchte beispielsweise eine generative-KI-gestützte Anwendung mit Elementen der kognitiven Verhaltenstherapie. Gegenüber einem digitalen Arbeitsbuch erhöhte das KI-System die Häufigkeit und Dauer der Nutzung deutlich. Bei Angst- und Depressionssymptomen wurden dagegen vergleichbare Ergebnisse zwischen den beiden Gruppen beobachtet. Das Ergebnis ist deshalb besonders interessant: KI kann die Interaktion mit einer digitalen Intervention deutlich steigern, ohne dass daraus automatisch eine stärkere therapeutische Wirkung folgt. Weitere Untersuchungen kommen zu ähnlichen, aber nicht vollständig einheitlichen Ergebnissen. Eine 2026 veröffentlichte systematische Übersichtsarbeit und Metaanalyse zu kommerziellen KI-Chatbots analysierte 52 Studien, darunter 22 randomisierte kontrollierte Studien mit insgesamt mehr als 110.000 Studienteilnahmen. Für depressive Symptome zeigte sich gegenüber Kontrollgruppen ein kleiner bis moderater statistischer Effekt. Die Autoren weisen zugleich darauf hin, dass die klinische Bedeutung des durchschnittlichen Effekts begrenzt sein kann und die Ergebnisse für Angststörungen wesentlich unsicherer ausfallen. Damit zeichnet sich ein wichtiges Muster ab: Die Forschung liefert zunehmend Hinweise darauf, dass bestimmte KI-basierte digitale Interventionen psychische Symptome beeinflussen können. Gleichzeitig ist die wissenschaftliche Datenlage sehr unterschiedlich und hängt stark vom konkreten System, der Zielgruppe, der Intervention, der ...
    Mostra di più Mostra meno
    27 min
  • Gesundheitsdatenbanken: Chancen für die Forschung

    Gesundheitsdatenbanken: Chancen für die Forschung
    Oct 12 2026
    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀👉 https://podcast-mit-ki.systeme.io/home---werbung---Gesundheitsdaten werden zur Forschungsinfrastruktur Gesundheitsdatenbanken gehören inzwischen zu den wichtigsten digitalen Infrastrukturen der modernen medizinischen Forschung. Sie sammeln, strukturieren und verknüpfen Informationen, die unter anderem aus elektronischen Patientenakten, Registern, klinischen Studien, Laboruntersuchungen, Bildgebung, Genomsequenzierungen oder epidemiologischen Erhebungen stammen können. Dadurch entsteht eine Datenbasis, mit der wissenschaftliche Fragestellungen untersucht werden können, die mit einzelnen Studien oder kleinen Patientengruppen nur schwer zu beantworten wären. Die Weltgesundheitsorganisation betrachtet Daten ausdrücklich als Grundlage fundierter Maßnahmen im öffentlichen Gesundheitswesen und betont den wissenschaftlichen und gesundheitspolitischen Nutzen des Datenaustauschs. Gleichzeitig betreibt die WHO zahlreiche Datenbanken, die Informationen zu Krankheiten, Impfungen, Arzneimitteln, medizinischen Technologien, Gesundheitssystemen und Forschung bereitstellen. (Weltgesundheitsorganisation) Die Bedeutung solcher Systeme wächst insbesondere deshalb, weil Gesundheitsversorgung zunehmend digital stattfindet. Elektronische Gesundheitsakten erzeugen kontinuierlich strukturierte und teilweise longitudinal verfügbare Informationen. Für die Forschung kann dadurch ein Perspektivwechsel entstehen: Nicht nur speziell für eine Studie erhobene Daten werden ausgewertet, sondern zunehmend auch Daten, die ursprünglich im Rahmen der medizinischen Versorgung oder anderer Prozesse entstanden sind. Dabei muss zwischen der primären und der sekundären Nutzung von Gesundheitsdaten unterschieden werden. Die primäre Nutzung betrifft beispielsweise die Behandlung eines Patienten. Die sekundäre Nutzung bezeichnet dagegen die spätere Verwendung bereits vorhandener Daten für andere Zwecke, etwa wissenschaftliche Forschung, Gesundheitspolitik oder Innovation. Genau diese sekundäre Nutzung steht im Zentrum zahlreicher aktueller Initiativen. Von einzelnen Datensätzen zu vernetzten Datenräumen Der wissenschaftliche Wert einer Gesundheitsdatenbank hängt nicht allein von der Menge der gespeicherten Informationen ab. Entscheidend ist auch, ob Daten aus unterschiedlichen Quellen miteinander vergleichbar und technisch nutzbar sind. Unterschiedliche Formate, medizinische Begriffssysteme, Dokumentationsstandards und nationale Regelungen können die Zusammenführung erheblich erschweren. Die Europäische Kommission beschreibt die fehlende Interoperabilität als eine zentrale Herausforderung der digitalen Gesundheitsversorgung. Gesundheitsdaten werden in unterschiedlichen Einrichtungen und Formaten gespeichert, wodurch der Austausch zwischen Systemen erschwert wird. Das betrifft nicht nur Patienten und medizinisches Personal, sondern auch Forscher, die für wissenschaftliche Untersuchungen auf qualitativ hochwertige und möglichst vergleichbare Daten angewiesen sind. (Public Health) Eine wichtige Entwicklung besteht deshalb in der Standardisierung. Internationale Initiativen wie die Global Alliance for Genomics and Health, kurz GA4GH, arbeiten an technischen Standards und Governance-Modellen für den verantwortungsvollen Austausch genomischer und gesundheitsbezogener Daten. Dazu gehören unter anderem standardisierte Datenmodelle, Schnittstellen, Zugriffsmechanismen und Verfahren für die Beschreibung genetischer Varianten. (ga4gh.org) Die Standardisierung ist besonders bei genomischen Daten relevant. Genetische Informationen können in Verbindung mit klinischen Daten wichtige Erkenntnisse über Krankheiten, Krankheitsrisiken oder mögliche Therapieansätze liefern. Damit solche Daten jedoch institutions- und länderübergreifend analysiert werden können, müssen Computer die verwendeten Begriffe und Strukturen eindeutig interpretieren können. Standards wie die von GA4GH entwickelten Spezifikationen sollen genau diese technische Interoperabilität verbessern. (ga4gh.org) Der European Health Data Space als wichtiger Schritt In Europa ist der European Health Data Space, kurz EHDS, eine der bedeutendsten aktuellen Entwicklungen. Die entsprechende EU-Verordnung wurde am 5. März 2025 im Amtsblatt der Europäischen Union veröffentlicht und trat am 26. März 2025 in Kraft. Sie schafft einen gemeinsamen rechtlichen und technischen Rahmen für die Nutzung und den Austausch elektronischer Gesundheitsdaten innerhalb der Europäischen Union. (Public Health) Der EHDS verfolgt dabei zwei miteinander verbundene Ziele. Zum einen soll der Zugang von Menschen zu ihren eigenen elektronischen Gesundheitsdaten verbessert und der Austausch dieser Daten über Grenzen hinweg erleichtert werden. Zum anderen soll die sichere Weiterverwendung bestimmter ...
    Mostra di più Mostra meno
    20 min
  • KI-gestützte Diagnosen: Validierung und Vertrauen

    KI-gestützte Diagnosen: Validierung und Vertrauen
    Oct 5 2026
    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀👉 https://podcast-mit-ki.systeme.io/home---werbung---Von der Mustererkennung zur klinischen Entscheidung Künstliche Intelligenz entwickelt sich zu einem zunehmend wichtigen Werkzeug in der medizinischen Diagnostik. Systeme auf Basis von Machine Learning und Deep Learning können medizinische Bilder analysieren, Labor- und Patientendaten auswerten, diagnostische Wahrscheinlichkeiten berechnen oder Ärzte bei der Erstellung von Differenzialdiagnosen unterstützen. Mit dem Aufkommen leistungsfähiger Large Language Models hat sich das Anwendungsspektrum zusätzlich erweitert. Moderne Systeme können medizinische Informationen in natürlicher Sprache verarbeiten und daraus diagnostische Hypothesen oder Entscheidungshilfen ableiten. Die Weltgesundheitsorganisation (WHO) sieht bereits heute Anwendungen von KI unter anderem in Diagnostik und klinischer Versorgung. (Weltgesundheitsorganisation) Dabei ist zwischen verschiedenen Formen medizinischer KI zu unterscheiden. Ein spezialisiertes System zur Erkennung auffälliger Strukturen in einer Röntgenaufnahme erfüllt eine andere Aufgabe als ein Sprachmodell, das aus einer Krankengeschichte mögliche Diagnosen ableitet. Ebenso unterscheiden sich Systeme zur Früherkennung, Triage, Risikobewertung, Prognose und Therapieunterstützung erheblich. Die FDA weist deshalb darauf hin, dass unterschiedliche medizinische Anwendungen unterschiedliche Bewertungsmaßstäbe und Referenzstandards erfordern. (U.S. Food and Drug Administration) Die zentrale Frage lautet daher nicht mehr ausschließlich, ob eine KI eine Diagnose erstellen kann. Entscheidend ist vielmehr, ob ihre Ergebnisse unter realen klinischen Bedingungen zuverlässig, nachvollziehbar und sicher genug sind, um in medizinische Entscheidungen einbezogen zu werden. Die Validierung beginnt mit der richtigen Fragestellung Die Leistungsfähigkeit eines KI-Systems lässt sich nicht sinnvoll anhand einer einzigen Kennzahl beurteilen. Ein Modell kann beispielsweise bei der Erkennung einer bestimmten Erkrankung eine hohe Trefferquote erreichen, gleichzeitig aber bei bestimmten Patientengruppen deutlich schlechter funktionieren. Auch die klinische Bedeutung eines Fehlers hängt von der jeweiligen Anwendung ab. Ein System, das Patienten mit hoher Wahrscheinlichkeit einer weiteren Untersuchung zuführt, stellt andere Anforderungen als ein System, das eine lebenswichtige Diagnose ausschließt. Deshalb muss zunächst präzise definiert werden, wofür ein System eingesetzt werden soll. Die sogenannte Intended Use beschreibt den vorgesehenen Zweck und bildet eine wesentliche Grundlage für die spätere Bewertung. Die WHO nennt die klare Festlegung des vorgesehenen Einsatzes, externe Validierung, Datenqualität, Dokumentation und Risikomanagement ausdrücklich als wichtige Elemente einer verantwortungsvollen Regulierung von KI im Gesundheitswesen. (Weltgesundheitsorganisation) Besonders wichtig ist die Trennung zwischen Entwicklung und Validierung. Ein Modell kann auf einem großen Datensatz hervorragende Ergebnisse erzielen, ohne deshalb automatisch in einer anderen Klinik oder bei einer anderen Bevölkerungsgruppe ebenso zuverlässig zu funktionieren. Unterschiede bei Geräten, Untersuchungsbedingungen, Patientengruppen, Dokumentationsweisen oder Versorgungssystemen können die Ergebnisse beeinflussen. Externe Validierung ist deshalb ein wesentlicher Bestandteil der Vertrauensbildung. Sie untersucht, ob die Leistungsfähigkeit eines Modells auch außerhalb der Daten gegeben ist, mit denen es entwickelt oder optimiert wurde. Gerade bei medizinischer KI ist diese Übertragbarkeit entscheidend, weil ein System nicht nur unter idealisierten Forschungsbedingungen funktionieren muss, sondern in einer heterogenen klinischen Realität. Genauigkeit ist nicht dasselbe wie klinischer Nutzen Die Diskussion über KI-Diagnostik konzentriert sich häufig auf die Frage, ob ein Algorithmus besser als ein Mensch diagnostizieren kann. Diese Betrachtung greift jedoch zu kurz. In der Medizin zählt nicht allein die diagnostische Genauigkeit eines einzelnen Systems, sondern die Frage, ob seine Verwendung tatsächlich zu besseren Entscheidungen und besseren Ergebnissen für Patienten führt. Ein Modell kann beispielsweise eine Krankheit auf Bildern sehr zuverlässig erkennen, ohne dadurch automatisch die Behandlung zu verbessern. Umgekehrt kann eine KI mit einer Ärztin oder einem Arzt besonders wertvoll sein, obwohl sie selbst nicht in jedem Fall die beste Diagnose liefert. Sie kann beispielsweise zusätzliche Differenzialdiagnosen vorschlagen, relevante Informationen hervorheben oder auf Zusammenhänge aufmerksam machen, die andernfalls übersehen werden könnten. Eine 2025 in Nature Medicine veröffentlichte randomisierte Studie untersuchte den Einsatz von GPT-4...
    Mostra di più Mostra meno
    18 min
adbl_web_anon_alc_button_suppression_t1
Ancora nessuna recensione