Die Arbeit in der Medizintechnik ist spannend, weil sie besonders schnelle Fortschritte macht. Der Komplexitätsgrad in diesem Bereich wächst exponentiell.

Vorab ein paar wichtige Basisinformationen für dieses umfangreiche Fachgebiet:

1. Medizintechnik ist ein multidisziplinärer Bereich, in dem IT und physische Welt zusammenwirken. Du brauchst Kenntnisse in verschiedenen Fachgebieten und erfüllst eine Aufgabe, die für andere Menschen lebenswichtig sein kann.

2. Die Arbeit an medizinischen Geräten verlangt von Dir ein hohes Maß an Gründlichkeit und das Streben nach Perfektion.

3. Es gibt Aufsichtsbehörden, die gewährleisten sollen, dass die Produkte sicher sind.

Die Mitarbeit an medizinischen Projekten ist eine hochrelevante Tätigkeit, bringt aber auch gewisse Herausforderungen mit sich.

Du musst den gesamten Entwicklungsprozess im Auge haben – von Anfang bis Ende. Überlege auch, wie sich das System in einigen Jahren weiterentwickeln wird.

Die Entwicklung umfasst einen hohen Aufwand an Design, Architektur, Planung und Konstruktion, ohne dass immer gleich alle Details bekannt sind. So hast Du oftmals sehr interessante, aber auch knifflige Probleme zu lösen.

Du wirst versuchen, an alles gleichzeitig zu denken, weil es sich um einen komplizierten Prozess handelt und Medizingeräte oftmals hochkomplexe Systeme sind. Allerdings stehst Du in ständigem Kontakt mit dem Kunden, dem Development Team, den Requirement Engineers, den User Experience Teams, dem Maschinenbau ... letztlich mit der Gesamtheit aller Beteiligten. Kommunikation ist sehr wichtig – schließlich habt Ihr das gemeinsame Ziel herauszufinden, wie das Problem am besten zu lösen ist.

Heutzutage wollen alle immer möglichst sofort Ergebnisse sehen, aber in diesem Bereich ist das nicht zwangsweise so.

In der Entwicklung von Medizingeräten steckt mitunter jahrelange intensive Arbeit!

Es gibt eine ganze Reihe von Faktoren, die für die Entwicklungsdauer von Medizinprodukten eine Rolle spielen. Es ist zum Beispiel ein großer Unterschied, ob es um ein reines Softwaresystem geht oder um ein System mit einer Hardwarekomponente. Software ist relativ zugänglich, aber die Entwicklung von Hardware-Geräten dauert tatsächlich Jahre.

Es ist uns schon gelungen, ein Softwareprodukt innerhalb weniger Monate zu liefern, wie beispielsweise die COVID-19-Tracking-App des Gesundheitsdienstes in Großbritannien (NHS). Kaum jemals zuvor ist es gelungen, ein Medizinprodukt dermaßen kurzfristig am Markt einzuführen. Ermöglicht wurde dies durch den Einsatz einer großen Anzahl von Menschen, um die Entwicklungszeit und den gesamten Regulierungsprozess zu beschleunigen.

In der Medizinbranche arbeitest Du in einem großen Team, in dem alle an einem Strang ziehen. Dabei lernst Du ständig dazu: von den Requirements über die Risikoanalyse bis hin zu den Architekturen und zum Management.

Im Grunde ist es egal, in welchem Bereich Du arbeitest – worauf es ankommt, ist, dass Du auf dem Laufenden bleibst und die Arbeit anderer im Auge behältst. Wenn Du die Möglichkeit hast, zu experimentieren und neue Dinge auszuprobieren, dann solltest Du das unbedingt tun.

Ich habe in letzter Zeit viel über den Einsatz von maschinellem Lernen (ML) im medizinischen Kontext gelesen, weil es da viele Aufgaben gibt, die damit gut gelöst werden können. Diese Disziplin ist auf jeden Fall sehr anspruchsvoll, aber Du musst es auch so sehen: Je größer die Herausforderung, desto interessanter wird das Ganze.

Maschinelles Lernen ist gut, wenn es darum geht eine begrenzte Anzahl von Problemen zu lösen. Wenn Dein Ausgangsmaterial aber mit Stördaten durchsetzt ist, kommst Du mit ML vermutlich nicht weit.

Gerade die Bereitstellung „guter“ Daten ist eine große Herausforderung. Das Turing Institute in Großbritannien hat ML-Algorithmen für die Diagnose von COVID-19 analysiert. Dabei kam heraus, dass die Mehrzahl der in den vergangenen zwei Jahren auf den Markt gekommenen Anwendungen nicht besonders gut darin war, COVID-19 erfolgreich zu prognostizieren und zu diagnostizieren, was aber vor allem am Mangel einer guten Datengrundlage lag. Wenn es uns also gelingt, die Datenbereinigung in den Griff zu bekommen, können wir mithilfe von ML viele Tools für alle möglichen medizinischen Zwecke entwickeln. Ich bin in dieser Hinsicht recht optimistisch.

Es gibt einige von Google entwickelte Algorithmen, die bei der Erkennung von Netzhautveränderungen (Retinopathie) infolge von Diabetes oder bei bestimmten Krebsvorsorgeuntersuchungen eine mindestens ebenso hohe Genauigkeit erreichen wie medizinische Fachleute. Diese Algorithmen basieren auf Bilderkennung, und hierfür ist ML prädestiniert.

Allerdings herrscht Einigkeit darüber, dass Ärzte und Ärztinnen hierdurch keineswegs überflüssig werden – zumindest nicht in absehbarer Zeit.