Cover des Buchs: Regulierung intelligenter Medizinprodukte
Im Shop erwerben
, um zu prüfen, ob Sie einen Vollzugriff auf diese Publikation haben.
Monographie Kein Zugriff

Regulierung intelligenter Medizinprodukte

Eine Analyse unter besonderer Berücksichtigung der MPVO und DSGVO
Autor:innen:
Verlag:
 27.03.2023

Zusammenfassung

Die Medizin erzielt beachtliche Erfolge mit Medizinprodukten, die auf Künstlicher Intelligenz (KI) basieren. Im Gegensatz zu traditionellen Medizinprodukten zeichnen sich diese durch eine besondere Systemarchitektur und Programmierung aus. Das Werk untersucht umfassend, ob der bestehende Rechtsrahmen ausreicht, um Besonderheiten KI-basierter intelligenter Medizinprodukte aufzufangen, und inwieweit es einer zusätzlichen KI-Regulierung bedarf. Im Fokus stehen zentrale Vorgaben der MPVO und DSGVO, die bei Entwicklung und Einsatz intelligenter Medizintechnik einzuhalten sind. Das Werk hat damit immense praktische Relevanz. Die Arbeit wurde im September 2022 von der Universität Augsburg mit dem Wissenschaftspreis Medizinprodukterecht ausgezeichnet.

Schlagworte

Publikation durchsuchen

Bibliographische Angaben

Copyrightjahr
2023
Erscheinungsdatum
27.03.2023
ISBN-Print
978-3-7560-0421-8
ISBN-Online
978-3-7489-3672-5
Verlag
Nomos, Baden-Baden
Reihe
Schriften zum Bio-, Gesundheits- und Medizinrecht
Band
54
Sprache
Deutsch
Seiten
346
Produkttyp
Monographie

Inhaltsverzeichnis

KapitelSeiten
  1. Titelei/Inhaltsverzeichnis Kein Zugriff 1 - 20
    1. A. Problemaufriss und Untersuchungsgegenstand Kein Zugriff
    2. B. Gang der Darstellung Kein Zugriff
        1. I. Begriffsgenese Kein Zugriff
        2. II. Definitionsansätze Kein Zugriff
        3. III. KI im Rechtssinne Kein Zugriff
        4. IV. Verzicht auf Arbeitsdefinition Kein Zugriff
        1. I. Starke und schwache KI Kein Zugriff
          1. 1. Symbolische und statistische KI Kein Zugriff
            1. a) Funktionsweise und Komponenten Kein Zugriff
            2. b) Lernarten Kein Zugriff
          1. 1. Datenintensivität Kein Zugriff
          2. 2. Änderbarkeit und Adaptivität Kein Zugriff
          3. 3. White-Box- und Black-Box-Modelle Kein Zugriff
        1. I. Konzeption Kein Zugriff
          1. 1. Datenmenge und -zusammensetzung Kein Zugriff
          2. 2. Datenqualität Kein Zugriff
          3. 3. Datenaufteilung Kein Zugriff
        3. III. Modellauswahl Kein Zugriff
          1. 1. Allgemeines Kein Zugriff
          2. 2. Training künstlicher neuronaler Netze Kein Zugriff
          3. 3. Over- und Underfitting Kein Zugriff
        5. V. Modellvalidierung und Evaluation Kein Zugriff
        6. VI. Integration Kein Zugriff
        7. VII. Anwendungsbeispiel aus der Medizin Kein Zugriff
        8. VIII. Fazit Kein Zugriff
        1. I. Fehlerbehaftete und verzerrte Daten Kein Zugriff
          1. 1. Gefahren von Scheinkorrelationen Kein Zugriff
          2. 2. Berücksichtigung von Transparenzgraden und XAI-Methoden Kein Zugriff
        3. III. Komplexität und Interkonnektivität Kein Zugriff
        4. IV. Änderbarkeit im Betrieb Kein Zugriff
          1. 1. Autonomiegrade eines KI-Systems Kein Zugriff
          2. 2. Autonomiegrade in der Medizin Kein Zugriff
      2. B. Problemdimensionen und Folgerungen Kein Zugriff
          1. 1. Strategie „Künstliche Intelligenz für Europa“ Kein Zugriff
          2. 2. Ethik-Leitlinie für eine vertrauenswürdige KI Kein Zugriff
          3. 3. Weißbuch zur Künstlichen Intelligenz Kein Zugriff
          1. 1. KI-Strategie der Bundesregierung Kein Zugriff
          2. 2. Gutachten der Datenethikkommission Kein Zugriff
          3. 3. Enquete-Kommission des Bundestags Kein Zugriff
        3. III. U.S. Food and Drug Administration (FDA) Kein Zugriff
          1. 1. Allgemeine Initiativen Kein Zugriff
          2. 2. Initiativen aus dem Medizinproduktesektor Kein Zugriff
      2. B. „Innovationsermöglichungsrecht“ als regulatorisches Leitbild Kein Zugriff
        1. I. Regelungsstruktur und -ziele der MPVO und DSGVO Kein Zugriff
        2. II. Offenheit der Normen Kein Zugriff
        3. III. Technologieneutralität Kein Zugriff
        4. IV. Regulierung des gesamten Produktlebenszyklus Kein Zugriff
        5. V. Zwischenbilanz und erste Einschätzung Kein Zugriff
          1. 1. Begriffsbestimmung der Software und Einordnung als Medizinprodukt Kein Zugriff
          2. 2. Zweckbestimmung Kein Zugriff
          3. 3. Hauptwirkung Kein Zugriff
            1. a) Drohende Ausuferung durch Berücksichtigung entfernter Folgen Kein Zugriff
              1. (1) Auslegung Kein Zugriff
              2. (2) Orientierung an der IMDRF-Risikoklassifizierung Kein Zugriff
          2. 2. Zwischenfazit Kein Zugriff
          1. 1. Grundlegende Sicherheits- und Leistungsanforderungen Kein Zugriff
          2. 2. Softwarespezifische Anforderungen Kein Zugriff
          3. 3. Konkretisierung durch technische Normen Kein Zugriff
        4. IV. Zwischenfazit zu den Anforderungen an herkömmliche Software Kein Zugriff
          1. 1. Maschinelles Lernen als „Medical Device Software“ Kein Zugriff
          2. 2. „Vorhersage“, „Prognose“ und „Diagnose“ i.S.d. MPVO Kein Zugriff
          3. 3. Konkretisierungsbedarf des Software-Begriffs? Kein Zugriff
          4. 4. Zwischenfazit Kein Zugriff
          1. 1. Modellarchitektur Kein Zugriff
          2. 2. Art des Outputs Kein Zugriff
          3. 3. Korrelationen und stochastische Fehler Kein Zugriff
          4. 4. Blackbox Kein Zugriff
          5. 5. Zwischenfazit Kein Zugriff
            1. a) Blackbox – Transparenz, Interpretierbarkeit und Erklärbarkeit Kein Zugriff
            2. b) Performanz und Datenqualität Kein Zugriff
            3. c) Diskriminierung durch Verzerrungen Kein Zugriff
            4. d) IT-Sicherheit und Robustheit Kein Zugriff
          2. 2. Untergesetzliche Anforderungen – Ein Rück- und Ausblick Kein Zugriff
        4. IV. Zwischenfazit zu statischen KI-Systemen Kein Zugriff
          1. 1. Phase vor Inverkehrbringen Kein Zugriff
            1. a) Vorfrage: Technische Realisierbarkeit Kein Zugriff
            2. b) Regulatorische und praktische Konsequenzen Kein Zugriff
          3. 3. Zwischenfazit Kein Zugriff
          1. 1. Änderbarkeit und Adaptivität als Risikoerhöhung? Kein Zugriff
            1. a) Relevante Änderungen Kein Zugriff
            2. b) Regulatorische Konsequenzen unter der MPVO Kein Zugriff
            3. c) Zwischenfazit Kein Zugriff
            1. a) Regulatorische Vorgaben Kein Zugriff
            2. b) Anwendbarkeit auf intelligente Medizinprodukte Kein Zugriff
            1. a) Offline-Learning Kein Zugriff
            2. b) Software-Limitierungen Kein Zugriff
            3. c) Antizipierte Konformitätsbewertung Kein Zugriff
          3. 3. Zwischenfazit Kein Zugriff
        4. IV. Produktidentifikation Kein Zugriff
          1. 1. Herstellereigenschaft und Pflichten des Herstellers Kein Zugriff
            1. a) Änderungen durch den Anwender bzw. Betreiber Kein Zugriff
            2. b) Autonome Weiterentwicklung Kein Zugriff
            3. c) Zwischenfazit Kein Zugriff
            1. a) Änderungen durch den Anwender bzw. Betreiber Kein Zugriff
            2. b) Autonome Weiterentwicklung Kein Zugriff
            3. c) Zwischenfazit Kein Zugriff
        6. VI. Zwischenfazit zu kontinuierlich lernenden KI-Systemen Kein Zugriff
      4. D. Zusammenfassung der Ergebnisse zum medizinprodukterechtlichen Rahmen Kein Zugriff
        1. I. Anonymitätsrisiken im KI-Kontext Kein Zugriff
          1. 1. Rechtslage unter der DSRL Kein Zugriff
            1. a) Berücksichtigung illegaler Mitteleinsätze Kein Zugriff
            2. b) Zurechnungsmaßstab für Mittel „einer anderen Person“ Kein Zugriff
            3. c) Zwischenfazit und Rekonstruktion der Kriterien Kein Zugriff
        3. III. Personenbezug von Trainings-, Validierungs- und Testdaten Kein Zugriff
          1. 1. Grundsatz Kein Zugriff
          2. 2. Ausnahmen Kein Zugriff
            1. a) Wissenszurechnung in Hacking-Szenarien Kein Zugriff
              1. (1) Modellwissen und Zugriffsrechte Kein Zugriff
              2. (2) Robustheit der Modellarchitektur Kein Zugriff
              3. (3) Trainingsumgebung Kein Zugriff
            3. c) Zwischenfazit Kein Zugriff
          1. 1. Integrierung geeigneter technischer Maßnahmen Kein Zugriff
          2. 2. Generelle Limitation datenschutzfreundlicher Prozesse Kein Zugriff
          3. 3. Konsequenzen Kein Zugriff
          1. 1. Datenmanagement Kein Zugriff
          2. 2. Privacy-Enhancing Technologies (PETs) Kein Zugriff
          3. 3. Modellauswahl und „Erklärbare KI“ Kein Zugriff
          4. 4. Ort des KI-Einsatzes Kein Zugriff
        2. II. Sicherheit der Verarbeitung Kein Zugriff
        3. III. Fazit Kein Zugriff
          1. 1. Allgemeine Präzisionsanforderungen der Zweckfestlegung Kein Zugriff
          2. 2. Präzisionsanforderungen bei der Modellentwicklung Kein Zugriff
          3. 3. Präzisionsanforderungen bei der Modellanwendung Kein Zugriff
          4. 4. Zwischenfazit Kein Zugriff
          1. 1. Allgemeine Anforderungen Kein Zugriff
          2. 2. Datenintensive ML-Modelle Kein Zugriff
          3. 3. Zwischenfazit Kein Zugriff
          1. 1. Allgemeine Anforderungen Kein Zugriff
          2. 2. Herausforderungen Kein Zugriff
          3. 3. Zwischenfazit Kein Zugriff
          1. 1. Entwicklungsphase – Richtigkeit und Aktualität von Trainings, Validierungs- und Testdaten Kein Zugriff
            1. a) „Richtigkeit“ von Prognosen Kein Zugriff
            2. b) Beurteilung der Richtigkeit des Outputs bei Blackbox-Modellen Kein Zugriff
        5. V. Zwischenfazit Kein Zugriff
          1. 1. Gesundheitsdaten Kein Zugriff
          2. 2. Genetische Daten Kein Zugriff
          3. 3. Biometrische Daten Kein Zugriff
          1. 1. Einwilligung Kein Zugriff
          2. 2. Behandlungsvertrag Kein Zugriff
          3. 3. Statistische Zwecke Kein Zugriff
          4. 4. Zwischenfazit Kein Zugriff
            1. a) Einwilligung Kein Zugriff
            2. b) Medizinische Diagnostik Kein Zugriff
          2. 2. Kontinuierlich lernende KI-Systeme Kein Zugriff
        1. I. Rechtsnatur Kein Zugriff
          1. 1. Automatisierte Entscheidung Kein Zugriff
          2. 2. Ausschließlichkeit automatisierter Entscheidung Kein Zugriff
          3. 3. Rechtliche Wirkung oder ähnlich erhebliche Beeinträchtigungen Kein Zugriff
        3. III. Intelligente Medizinprodukte als ADM-Systeme? Kein Zugriff
        4. IV. Regelungsdefizit? Kein Zugriff
        5. V. Innovationsfeindliche Wirkung Kein Zugriff
        6. VI. Fazit Kein Zugriff
        1. I. Identifizierbarkeit als Grundvoraussetzung Kein Zugriff
              1. (1) Erklärungsinhalt Kein Zugriff
              2. (2) Erklärungstiefe Kein Zugriff
              3. (3) Zwischenfazit Kein Zugriff
            2. b) Transparenzmaßstab für intelligente Medizinprodukte Kein Zugriff
            3. c) Zwischenfazit zur Transparenz Kein Zugriff
          2. 2. Recht auf Erklärung als „angemessene Maßnahme“ i.S.d. Art. 22 Abs. 3 DSGVO Kein Zugriff
          3. 3. Fazit Kein Zugriff
        3. III. Recht auf Berichtigung Kein Zugriff
          1. 1. Löschung einzelner Datenpunkte aus dem ML-Modell Kein Zugriff
          2. 2. Ausnahmen und Compliance-Strategien für medizinische Kontexte Kein Zugriff
        5. V. Fazit zu den Betroffenenrechten Kein Zugriff
      7. G. Datenschutzfolgenabschätzung Kein Zugriff
      8. H. Zusammenfassung der Ergebnisse zum datenschutzrechtlichen Rahmen Kein Zugriff
      1. A. Ausgangsbefund Kein Zugriff
        1. I. Antizipiertes Konformitätsbewertungsverfahren Kein Zugriff
        2. II. Schaffung abgrenzbarer Verantwortungsbereiche und Einführung weiterer Akteure Kein Zugriff
            1. a) Schaffung gesetzlicher Privilegierungen Kein Zugriff
            2. b) Schaffung gesetzlicher Vermutungsregeln bei Anonymitätsrisiken Kein Zugriff
          2. 2. Umgang mit Trainings-, Validierungs- und Testdaten Kein Zugriff
          1. 1. Dokumentationspflichten Kein Zugriff
          2. 2. Zugangspflichten Kein Zugriff
          1. 1. Bestehende Rechtslage Kein Zugriff
          2. 2. Erweiterungen Kein Zugriff
        6. VI. Menschliche Aufsicht Kein Zugriff
      3. C. Folgerungen und Folgefragen Kein Zugriff
      1. A. Hintergrund Kein Zugriff
      2. B. Regelungsarchitektur Kein Zugriff
        1. I. Anwendungsbereich Kein Zugriff
        2. II. Verbot bei unannehmbaren Risiken Kein Zugriff
          1. 1. Materielle Anforderungen an die Marktzulassung Kein Zugriff
          2. 2. Antizipiertes Konformitätsbewertungsverfahren Kein Zugriff
          3. 3. Nachweispflichten Kein Zugriff
        4. IV. Durchsetzung und Kontrolle Kein Zugriff
        5. V. Maßnahmen zur Innovationsförderung Kein Zugriff
          1. 1. Überregulierung durch zu weite KI-Definition Kein Zugriff
          2. 2. Terminologische Divergenzen Kein Zugriff
          3. 3. Pauschale Einstufung als Hochrisiko-KI-System Kein Zugriff
            1. a) Grundlegende Anforderungen für Hochrisiko-KI-Systeme Kein Zugriff
            2. b) Marktüberwachung Kein Zugriff
            3. c) Zwischenfazit Kein Zugriff
              1. (1) Fehlerfreiheit und Vollständigkeit Kein Zugriff
              2. (2) Verzerrungen Kein Zugriff
            2. b) Transparenzanforderungen Kein Zugriff
            3. c) Anforderungen an die menschliche Aufsicht Kein Zugriff
            4. d) Konformitätsbewertung durch Benannte Stellen nach der MPVO Kein Zugriff
          6. 6. Inkongruente Pflichten der Wirtschaftsakteure Kein Zugriff
          1. 1. Unklares Verhältnis Kein Zugriff
          2. 2. Ergänzungen um KI-spezifische Rechtsgrundlagen Kein Zugriff
          3. 3. Extensive Zugriffsrechte der Marktüberwachungsbehörden Kein Zugriff
          4. 4. Inkongruente Pflichten der Wirtschaftsakteure Kein Zugriff
        3. III. Dreidimensionale Regulierungsdynamik Kein Zugriff
      5. E. Zwischenbilanz zum KI-VO-E Kein Zugriff
      6. F. Ausblick Kein Zugriff
  6. Literaturverzeichnis Kein Zugriff 319 - 346

Literaturverzeichnis (420)

  1. Abel, Ralf B., Automatisierte Entscheidungen im Einzelfall gem. Art. 22 DS-GVO – Anwendungsbereich und Grenzen im nicht-öffentlichen Bereich, ZD 2018, 304–307. Google Scholar öffnen
  2. acatech (Hrsg.), Machine Learning in der Medizintechnik. Analyse und Handlungsempfehlungen (acatech POSITION), München 2020, abrufbar unter https://www.acatech.de/publikation/machine-learning-in-der-medizintechnik/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  3. Adamson, Adewole S./Smith, Avery, Machine Learning and Health Care Disparities in Dermatology, JAMA Dermatology 154 (2018), 1247–1248. Google Scholar öffnen
  4. AI Watch, AI Standardisation Landscape: State of play and link to the EC proposal for an AI regulatory framework, 2021, abrufbar unter https://op.europa.eu/de/publication-detail/-/publication/36c46b8e-e518-11eb-a1a5-01aa75ed71a1/language-en (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  5. Albrecht-Zölch, Janet, Testdaten und Testdatenmanagement. Vorgehen, Methoden und Praxis, Heidelberg 2018. Google Scholar öffnen
  6. Alexanderson, Bengt, Die hippokratische Schrift Prognostikon. Überlieferung und Text, Göteborg 1963. Google Scholar öffnen
  7. Al-Rubaie, Mohammad/Chang, J. Morris, Privacy-Preserving Machine Learning: Threats and Solutions, IEEE Security & Privacy 17 (2019), 49–58, abrufbar unter https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8677282 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  8. Amann, Julia/Blasimme, Alessandro/Vayena, Effy/Frey, Dietmar/Madai, Vince I., Explainability for artificial intelligence in healthcare: a multidisciplinary perspective, BMC Medical Informatics and Decision Making 20 (2020), 310–319, abrufbar unter https://link.springer.com/content/pdf/10.1186/s12911-020-01332-6.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  9. Anhalt, Erhard/Dieners, Peter (Hrsg.), Praxishandbuch Medizinprodukterecht, 2. Aufl., München 2017. Google Scholar öffnen
  10. Anton, Marie/Wollersen, Heike, Aktueller Stand der MDR-Implementierung sechs Monate nach MDR-Geltungsbeginn, MPR 2021, 205–209. Google Scholar öffnen
  11. Anton, Marie/Wollersen, Heike, Implementierung der MDR: Aktueller Stand, MPR 2020, 41–44. Google Scholar öffnen
  12. Apel, Simon/Kaulartz, Markus, Rechtlicher Schutz von Machine Learning-Modellen, RDi 2020, 24–34. Google Scholar öffnen
  13. Article 29 Data Protection Working Party, Opinion 03/2013 on purpose limitation, adopted on 2 April 2013, WP 203, abrufbar unter https://datenschutz.hessen.de/sites/datenschutz.hessen.de/files/WP_203.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  14. Artikel-29-Datenschutzgruppe, Leitlinien zu automatisierten Entscheidungen im Einzelfall einschließlich Profiling für die Zwecke der Verordnung 2016/679, angenommen am 3. Oktober 2017 zuletzt überarbeitet und angenommen am 6. Februar 2018, WP 251rev.01, abrufbar unter https://datenschutz.hessen.de/sites/datenschutz.hessen.de/files/wp251rev01_de.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  15. Artikel-29-Datenschutzgruppe, Stellungnahme 5/2014 zu Anonymisierungstechniken, angenommen am 10. April 2014, WP216, abrufbar unter https://datenschutz.hessen.de/sites/datenschutz.hessen.de/files/wp216_de.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  16. Auernhammer, Katja/Tavakoli Kolagari, Ramin/Zoppelt, Markus, Attacks on Machine Learning: Lurking Danger for Accountability, Proceedings of the AAI Workshop on Artificial Intelligence Safety 2019 (Vol-2301), Paper 2, 1–9, abrufbar unter http://ceur-ws.org/Vol-2301/paper_2.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  17. Aunkofer, Benjamin, Machine Learning: Online vs Offline, 08.03.2018, in: Data Science Blog, abrufbar unter https://data-science-blog.com/blog/2018/03/08/machine-learning-online-vs-offline-lernen/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  18. Bajorat, Sven/Wettmarshausen, Sascha/Spitzenberger, Folker, Künstliche Intelligenz: KI-basierte In-vitro-Diagnostika vor dem Hintergrund der IVDR und dem europäischen KI-Konzept, MPJ 2021, 277–288. Google Scholar öffnen
  19. Becker, Eva-Maria/Schwab, David, Big Data im Gesundheitswesen – Datenschutzrechtliche Zulässigkeit und Lösungsansätze, ZD 2015, 151–155. Google Scholar öffnen
  20. Bilski, Nico/Schmid, Thomas, Verantwortungsfindung beim Einsatz maschinell lernender Systeme, NJOZ 2019, 657–661. Google Scholar öffnen
  21. Binns, Reuben/Paterson, Andrew, Privacy attacks on AI models, 12.08.2019, in: Information Commissioner´s Office (ICO), AI Blog, abrufbar unter https://ico.org.uk/about-the-ico/news-and-events/ai-blog-privacy-attacks-on-ai-models/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  22. Bischoff, Claudia, Pseudonymisierung und Anonymisierung von personenbezogenen Forschungsdaten im Rahmen klinischer Prüfungen von Arzneimitteln (Teil I) – Gesetzliche Anforderungen, PharmR 2020, 309–315. Google Scholar öffnen
  23. Bischoff, Claudia/Wiencke, Julia, Datenschutzrechtliche Voraussetzungen klinischer Prüfungen. Das Verhältnis von AMG und DS-GVO, ZD 2019, 8–13. Google Scholar öffnen
  24. Bitkom, Bundesverband Informationswirtschaft, Telekommunikation und Neue Medien e.V., Position Paper – Bitkom principles for the Artificial Intelligence (AI) Act, 04.08.2021, abrufbar unter https://www.bitkom.org/sites/main/files/2021-08/2021august_bitkomposition_aiact.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  25. Blaeser, Markus, Chancen und Risiken der Digitalisierung in Klinik, Praxis und Pflege. Datenschutz im Wandel, RDG 2017, 174–180. Google Scholar öffnen
  26. Blättel-Mink, Birgit/Schulz-Schaeffer, Ingo/Windeler, Arnold (Hrsg.), Handbuch Innovationsforschung. Sozialwissenschaftliche Perspektiven, Wiesbaden 2021. Google Scholar öffnen
  27. Bleckat, Alexander, Anwendbarkeit der Datenschutzgrundverordnung auf künstliche Intelligenz, DuD 2020, 194–198. Google Scholar öffnen
  28. Boehme-Neßler, Volker, Das Ende der Anonymität. Wie Big Data das Datenschutzrecht verändert, DuD 2016, 419–423. Google Scholar öffnen
  29. Boenisch, Franziska, Privatsphäre und Maschinelles Lernen. Über Gefahren und Schutzmaßnahmen, DuD 2021, 448–452. Google Scholar öffnen
  30. Bonifazi, Fedele/Volpe, Elisabette/Digregorio, Giuseppe/Giannuzzi, Viviana/Ceci, Adriana, Machine Learning Systems Applied to Health Data and System, European Journal of Health Law 27 (2020), 242–258. Google Scholar öffnen
  31. Bomhard, David/Merkle, Marieke, Europäische KI-Verordnung. Der aktuelle Kommissionsentwurf und praktische Auswirkungen, RDi 2021, 276–283. Google Scholar öffnen
  32. Borges, Georg, Rechtliche Rahmenbedingungen für autonome Systeme, NJW 2018, 977–982. Google Scholar öffnen
  33. Bostrom, Nick, How Long Before Superintelligence?, 2008, abrufbar unter https://nickbostrom.com/superintelligence.html (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  34. Brauneck, Jens, DSGVO: Neue Anwendbarkeit durch neue Definition personenbezogener Daten?, EuZW 2019, 680–688. Google Scholar öffnen
  35. Bräutigam, Peter/Schmidt-Wudy, Florian, Das geplante Auskunfts- und Herausgaberecht des Betroffenen nach Art. 15 der EU-Datenschutzgrundverordnung. Ein Diskussionsbeitrag zum anstehenden Trilog der EU-Gesetzgebungsorgane, CR 2015, 56–63. Google Scholar öffnen
  36. Brink, Stefan/Eckhardt, Jens, Wann ist ein Datum ein personenbezogenes Datum – Anwendungsbereich des Datenschutzrechts, ZD 2015, 205–212. Google Scholar öffnen
  37. Brink, Stefan/Wolff, Heinrich Amadeus (Hrsg.), BeckOK Datenschutzrecht, 38. Edition, München 2021. Google Scholar öffnen
  38. Brinker, Titus J./Hekler, Achim/Enk, Alexander H./Klode, Joachim/ Hauschild, Axel/Berking, Carola/Schilling, Bastian/Haferkamp, Sebastian/Schadendorf, Dirk/Holland-Letz, Tim/Utikal, Jochen Sven/von Kalle, Christof, Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task, European Journal of Cancer 113 (2019), 47–54. Google Scholar öffnen
  39. Brownlee, Jason, Train-Test Split for Evaluating Machine Learning Algorithms, 26.08.2020, abrufbar unter https://machinelearningmastery.com/train-test-split-for-evaluating-machine-learning-algorithms/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  40. Brownlee, Jason, 14 Different Types of Learning in Machine Learning, 11.11.2019, abrufbar unter https://machinelearningmastery.com/types-of-learning-in-machine-learning/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  41. Bundesamt für Sicherheit in der Informationstechnik, AI Cloud Service Compliance Criteria Catalogue (AIC4), 2021, 1–54, abrufbar unter https://www.bsi.bund.de/SharedDocs/Downloads/EN/BSI/CloudComputing/AIC4/AI-Cloud-Service-Compliance-Criteria-Catalogue_AIC4.pdf?__blob=publicationFile&v=4 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  42. Bundesinstituts für Arzneimittel und Medizinprodukte, Abgrenzung und Klasifizierung, abrufbar unter https://www.bfarm.de/DE/Medizinprodukte/Aufgaben/Abgrenzung-und-Klassifizierung/_node.html (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  43. Bundesministerium für Wirtschaft und Energie (BMWi) (Hrsg.), Ergebnispapier Künstliche Intelligenz und Recht im Kontext von Industrie 4.0., April 2019, abrufbar unter https://www.plattform-i40.de/IP/Redaktion/DE/Downloads/Publikation/kuenstliche-intelligenz-und-recht.pdf?__blob=publicationFile&v=4 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  44. Bundesregierung, Eckpunkte einer Datenstrategie, 18.11.2019, abrufbar unter https://www.bundesregierung.de/resource/blob/974430/1693626/60b196d5861f71cdefb9e254f5382a62/2019-11-18-pdf-datenstrategie-data.pdf?download=1 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  45. Bundesverband Digitale Wirtschaft (BVDW) e.V., Stellungnahme zum Verordnungsvorschlag der EU-Kommission für einen Rechtsrahmen für Künstliche Intelligenz, 06.08.2021, abrufbar unter https://www.bvdw.org/fileadmin/bvdw/upload/publikationen/digitalpolitik/BVDW_Stellungnahme_EU_KI.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  46. Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e.V. (Hrsg.), Blick in die Blackbox. Nachvollziehbarkeit von KI-Algorithmen in der Praxis, 2019, abrufbar unter https://www.bitkom.org/sites/main/files/2019-10/20191016_blick-in-die-blackbox.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  47. Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e.V. (Hrsg.), Machine Learning und die Transparenzanforderungen der DS-GVO, 2018, abrufbar unter https://www.bitkom.org/sites/default/files/file/import/180926-Machine-Learning-und-DSGVO.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  48. Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e.V./Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (Hrsg.), Künstliche Intelligenz. Wirtschaftliche Bedeutung, gesellschaftliche Herausforderungen, menschliche Verantwortung, 2017, abrufbar unter https://www.dfki.de/fileadmin/user_upload/import/9744_171012-KI-Gipfelpapier-online.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  49. Bundesverband Medizintechnologie e.V., Positionen zum Entwurf des „Artificial Intelligence Act“ (AIA), 02.08.2021, abrufbar unter https://www.bvmed.de/download/bvmed-positionspapier-zum-entwurf-des-artificial-intelligence-act-aia (zuletzt abgerufen: 20.03.2022) Google Scholar öffnen
  50. Bundesverband Medizintechnologie e.V., BVMed-Positionen zum Entwurf des „Artificial Intelligence Act“ (AIA), MPR 2021, 176–182. Google Scholar öffnen
  51. Card, Dallas, What everyone needs to know about interpretability in machine learning, 25.05.2018, abrufbar unter https://towardsdatascience.com/what-everyone-needs-to-know-about-interpretability-in-machine-learning-d5ce16730407 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  52. Card, Dallas, The „black box“ metaphor in machine learning, 05.07.2017, abrufbar unter https://dallascard.medium.com/the-black-box-metaphor-in-machine-learning-4e57a3a1d2b0 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  53. Caspari, Maren Jara, Bericht aus Brüssel. Der europäische Rechtsrahmen für Künstliche Intelligenz, PharmR 2021, 625–627. Google Scholar öffnen
  54. Cepic, Michael, Broad Consent: Die erweiterte Einwilligung in der Forschung, ZD-Aktuell 2021, 05214. Google Scholar öffnen
  55. Chen, Sen/Xue, Minhui/Fan, Lingling/Hao, Shuang/Xu, Lihua/Zhu, Haojin/Li, Bo, Automated Poisoning Attacks and Defenses in Malware Detection Systems: An Adversial Machine Learning Approach, Computer & Security 73 (2018), 326–344, abrufbar unter https://lingling-fan.github.io/llfan_files/Computers&Security.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  56. Chibanguza, Kuuya Josef/Kuß, Christian/Steege, Hans (Hrsg.), Künstliche Intelligenz. Recht und Praxis automatisierter und autonomer Systeme, Baden-Baden 2022. Google Scholar öffnen
  57. Conrad, Conrad S., Künstliche Intelligenz: Neue Einwilligungslösungen zum Datenschutz, InTeR 2021, 147–154. Google Scholar öffnen
  58. Conrad, Conrad S., Verarbeitung biometrischer Daten – sind die neuen Geschäftsmodelle zulässig?, K&R 2020, 253–259. Google Scholar öffnen
  59. Conrad, Conrad S., Künstliche Intelligenz und die DSGVO – Ausgewählte Problemstellungen, K&R 2018, 741–746. Google Scholar öffnen
  60. Conrad, Conrad S., Kann die Künstliche Intelligenz den Menschen entschlüsseln? – Neue Forderungen zum Datenschutz, DuD 2018, 541–546. Google Scholar öffnen
  61. Consoli, Sergio/Recupero, Diego Reforgiato/Petkovic, Milan (Hrsg.), Data Science for Healthcare. Methodologies und Applications, Cham 2019. Google Scholar öffnen
  62. Culik, Nicolai/Döpke, Christian, Zweckbindungsgrundsatz gegen unkontrollierten Einsatz von Big Data-Anwendungen. Analyse möglicher Auswirkungen der DS-GVO, ZD 2017, 226–230. Google Scholar öffnen
  63. Dammann, Ulrich, Erfolge und Defizite der EU-Datenschutzgrundverordnung. Erwarteter Fortschritt, Schwächen und überraschende Innovationen, ZD 2016, 307–314. Google Scholar öffnen
  64. Datenethikkommission, Gutachten der Datenethikkommission, Potsdam 2019, abrufbar unter https://www.bmi.bund.de/SharedDocs/downloads/DE/publikationen/themen/it-digitalpolitik/gutachten-datenethikkommission.pdf?__blob=publicationFile&v=6 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  65. Datenschutzaufsichtsbehörden des Bundes und der Länder, Datenschutzkonferenz, Positionspapier der DSK zu empfohlenen technischen und organisatorischen Maßnahmen bei der Entwicklung und dem Betrieb von KI-Systemen, 06.11.2019, 1–23, abrufbar unter https://www.datenschutzkonferenz-online.de/media/en/20191106_positionspapier_kuenstliche_intelligenz.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  66. Datenschutzaufsichtsbehörden des Bundes und der Länder, Datenschutzkonferenz, Hambacher Erklärung zur Künstlichen Intelligenz – Entschließung der 97. Konferenz der unabhängigen Datenschutzaufsichtsbehörden des Bundes und der Länder Hambacher Schloss – vom 03.04.2019, abrufbar unter https://www.bfdi.bund.de/SharedDocs/Downloads/DE/DSK/DSKEntschliessungen/97DSK_HambacherErklaerung.pdf?__blob=publicationFile&v=3 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  67. Datenschutzkonferenz, Liste der Verarbeitungsvorgängen der DSK für den nicht-öffentlichen Bereich, sog. „Blacklist“ der DSK für Datenschutz-Folgeabschätzungen, Version 1.1 vom 17.10.2018, abrufbar unter https://datenschutzkonferenz-online.de/media/ah/20181017_ah_DSK_DSFA_Muss-Liste_Version_1.1_Deutsch.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  68. Dehmel, Susanne, Rück- und Ausblick zur DS-GVO – Was war, was ist, was kommen sollte, ZD 2020, 62–65. Google Scholar öffnen
  69. Denga, Michael, Deliktische Haftung für künstliche Intelligenz. Warum die Verschuldenshaftung des BGB auch künftig die bessere Schadensausgleichsordnung bedeutet, CR 2018, 69–78. Google Scholar öffnen
  70. Der Bundesbeauftragte für den Datenschutz und die Informationsfreiheit, Positionspapier zur Anonymisierung unter der DSGVO unter besonderer Berücksichtigung der TK-Branche vom 29.06.2020, abrufbar unter https://www.bfdi.bund.de/SharedDocs/Downloads/DE/Konsultationsverfahren/1_Anonymisierung/Positionspapier-Anonymisierung.pdf;jsessionid=1B354CB0D92C9E4EDA0C15855EA1757A.intranet211?__blob=publicationFile&v=4 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  71. Dettling, Heinz-Uwe, Doktor KI. Potenziale und rechtliche Herausforderungen für intelligente Medizinprodukte, LR 2019, 204–206. Google Scholar öffnen
  72. Dettling, Heinz-Uwe, Künstliche Intelligenz als Herausforderung des Medizinprodukterechts. Formallogische und stochastische Grundlagen, MPJ 2019, 176–187. Google Scholar öffnen
  73. Dettling, Heinz-Uwe, Künstliche Intelligenz und digitale Unterstützung ärztlicher Entscheidungen in Diagnostik und Therapie – Arzt-, arzneimittel- und medizinprodukterechtliche Aspekte –, PharmR 2019, 633–642. Google Scholar öffnen
  74. Dettling, Heinz-Uwe/Krüger, Stefan, Digitalisierung, Algorithmisierung und Künstliche Intelligenz im Pharmarecht, PharmR 2018, 513–522. Google Scholar öffnen
  75. Dettling, Heinz-Uwe/Krüger, Stefan, Erste Schritte im Recht der Künstlichen Intelligenz. Entwurf der "Ethik-Leitlinien für eine vertrauenswürdige KI", MMR 2019, 211–217. Google Scholar öffnen
  76. Deutsche Industrie- und Handelskammertag/Spectaris, Patientenversorgung mit innovativen Medizinprodukten in Gefahr, 01.02.2019, abrufbar unter https://www.spectaris.de/index.php?id=199&L=0&tx_news_pi1[news]=332 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  77. Deutsches Institut für Normung e.V., Künstliche Intelligenz. Mit Normung und Standardisierung innovationsfreundliche Rahmenbedingungen für die Technologie der Zukunft schaffen, Januar 2019, abrufbar unter https://www.din.de/blob/300540/ee6c35719f2172d1cc000552b1a6bcf2/kuenstliche-intelligenz-mit-normung-und-standardisierung-innovationsfreundliche-rahmenbedingungen-fuer-die-technologie-der-zukunft-schaffen-data.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  78. Deutsches Institut für Normung e.V./Deutsche Kommission Elektrotechnik/Bundesministerium für Wirtschaft und Energie, Deutsche Normungsroadmap Künstliche Intelligenz, November 2020, abrufbar unter (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  79. Diercks, Christian, Neue Technologien im Gesundheitswesen und rechtliche Herausforderungen: InTeRview mit Professor Christian Dierks, InTeR 2018, 166–167. Google Scholar öffnen
  80. Dietel, Moritz/Lewalter, Ivo, mHealth-Anwendungen als Medizinprodukte. Vereinbarkeit mit dem HWG und Ausblick auf die neue EU-Medizinprodukteverordnung, PharmR 2017, 53–57. Google Scholar öffnen
  81. Dilmegani, Cem, Top 10 Privacy Enhancing Technologies (PETs) & Uses in 2022, 10.02.2022, AIMultiple Information Security Posts, abrufbar unter https://research.aimultiple.com/privacy-enhancing-technologies/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  82. DIN e.V./DKE, Position Paper on the EU “Artificial Intelligence Act”, Juni 2021, abrufbar unter https://www.dke.de/resource/blob/2072932/c50ed443e81c47f8860b3f5c2b3b0742/positionspapier-artificial-intelligence-act---download-data.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  83. DIVISIO, Die Grundlagen des Maschine Learning, 24.04.2019, in: Divisio Blog, abrufbar unter https://divis.io/2019/04/ki-leicht-erklaert-teil-4-die-grundlagen-des-machine-learning/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  84. Djeffal, Christian, Art. 22 DSGVO als sozio-technische Gestaltungsnorm. Eine Neuinterpretation der Regelung von automatisierten Entscheidungen, DuD 2021, 529–533. Google Scholar öffnen
  85. Döpke, Christian F./Jülicher, Tim, Digitale Transformation im Spiegel juristischer Grundlagendisziplinen, InTeR 2019, 16–20. Google Scholar öffnen
  86. Dornis, Tim W., Die "Schöpfung ohne Schöpfer". Klarstellungen zur "KI-Autonomie" im Urheber- und Patentrecht, GRUR 2021, 784–792. Google Scholar öffnen
  87. Dreyer, Stephan/Schulz, Wolfgang, Was bringt die Datenschutz-Grundverordnung für automatisierte Entscheidungssysteme? Potenziale und Grenzen der Absicherung individueller, gruppenbezogener und gesellschaftlicher Interessen, Gütersloh 2018. Google Scholar öffnen
  88. Drittenbass, Joel, Regulierung von autonomen Robotern. Angewendet auf den Einsatz von autonomen Medizinrobotern: Eine datenschutzrechtliche und medizinprodukterechtliche Untersuchung, Zürich 2021. Google Scholar öffnen
  89. Droste, Wiebke, Intelligente Medizinprodukte: Verantwortlichkeiten des Herstellers und ärztliche Sorgfaltspflichten, MPR 2018, 109–115. Google Scholar öffnen
  90. Eberbach, Wolfram, Wird die ärztliche Aufklärung zur Fiktion? (Teil 2) – Zu den divergierenden Realitäten von Medizin und Recht –, MedR 2019, 111–117. Google Scholar öffnen
  91. Ebers, Martin/Heinze, Christian/Krügel, Tina/Steinrötter, Björn (Hrsg.), Künstliche Intelligenz und Robotik, Rechtshandbuch, München 2020. Google Scholar öffnen
  92. Ebers, Martin, Standardisierung Künstlicher Intelligenz und KI-Verordnungsvorschlag, RDi 2021, 588–597. Google Scholar öffnen
  93. Ebers, Martin/Hoch, Veronika/Rosenkranz, Frank/Ruschemeier, Hannah/Steinrötter, Björn, Der Entwurf für eine EU-KI-Verordnung: Richtige Richtung mit Optimierungsbedarf. Eine kritische Bewertung durch Mitglieder der Robotics & AI Law Society (RAILS), RDi 2021, 528–537. Google Scholar öffnen
  94. Ebert, Andreas/Spiecker gen. Döhmann, Indra, Der Kommissionsentwurf für eine KI-Verordnung der EU. Die EU als Trendsetter weltweiter KI-Regulierung, NVwZ 2021, 1188–1193. Google Scholar öffnen
  95. Edwards, Lilian/Veale, Michael, Slave to the Algorithm? Why a 'Right to an Explanation' Is Probably Not the Remedy You Are Looking For, 16 Duke Law & Technology Review (2017), 18–84, abrufbar unter https://scholarship.law.duke.edu/cgi/viewcontent.cgi?article=1315&context=dltr (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  96. Ehmann, Eugen/Selmayr, Martin (Hrsg.), DS-GVO Datenschutz-Grundverordnung, Kommentar, 2. Aufl., München 2018. Google Scholar öffnen
  97. Eickbusch, Julia, Die Zweckbestimmung von Medizinprodukten, MPR 2021, 52–59. Google Scholar öffnen
  98. Eickbusch, Julia, Die Zweckbestimmung von Medizinprodukten und ihre Auswirkung auf Haftung und Verantwortlichkeit von Anwendern und Betreibern, Baden-Baden 2020. Google Scholar öffnen
  99. Engelmann, Christoph/Brunotte, Nico/Lütkens, Hanna, Regulierung von Legal Tech durch die KI-Verordnung, DRi 2021, 317–323. Google Scholar öffnen
  100. Ernst, Christian, Algorithmische Entscheidungsfindung und personenbezogene Daten, JZ 2017, 1026–1036. Google Scholar öffnen
  101. Ernst, Stefan, Die Einwilligung nach der Datenschutzgrundverordnung. Anmerkungen zur Definition nach Art. 4 Nr. 11 DS-GVO, ZD 2017, 110–114. Google Scholar öffnen
  102. Ernsthaler, Jürgen, Editorial. Industrie 4.0 erfordert keine juristische Revolution, InTeR 2017, 1–2. Google Scholar öffnen
  103. Esteva, Andre/Kuprel, Brett/Novoa, Roberto A./Ko, Justin/Swetter, Susan M./Blau, Helen M./Thrun, Sebastian, Dermatologist-level classification of skin cancer with deep neural networks, Nature 542 (2017), 115–118. Google Scholar öffnen
  104. Etzkorn, Philipp, Bedeutung der „Entwicklungslücke“ bei selbstlernenden Systemen. Rechtliche Fragen zur fortdauernden Softwareentwicklung durch maschinelles Lernen im Praxiseinsatz, MMR 2020, 360–365. Google Scholar öffnen
  105. Europäische Kommission, Vorschlag für eine Verordnung des Europäischen Parlaments und des Rates über harmonisierte Vorschriften zum fairen Zugang zu und Verwendung von Daten (Data Act), 23.2.2022, COM(2022) 68 final. Google Scholar öffnen
  106. Europäische Kommission, Vorschlag für eine Verordnung des Europäischen Parlaments und des Rates zur Festlegung harmonisierter Vorschriften für Künstliche Intelligenz (Gesetz über Künstliche Intelligenz) und zur Änderung bestimmter Rechtsakte der Union, 21.4.2021, COM (2021) 206 final. Google Scholar öffnen
  107. Europäische Kommission, Vorschlag für eine Verordnung des Europäischen Parlaments und des Rates über europäische Daten-Governance (Daten-Governance-Gesetz), 25.11.2020, COM(2020) 767 final. Google Scholar öffnen
  108. Europäische Kommission, Mitteilung an das Europäische Parlament, den Rat, den Europäischen Wirtschafts- und Sozialausschuss und den Ausschuss der Regionen – Eine Europäische Datenstrategie, 19.2.2020, COM(2020) 66 final. Google Scholar öffnen
  109. Europäische Kommission, Weißbuch zur Künstlichen Intelligenz – ein europäisches Konzept für Exzellenz und Vertrauen, 19.2.2020, COM(2020) 65 final. Google Scholar öffnen
  110. Europäische Kommission, Mitteilung an das Europäische Parlament, den Europäischen Rat, den Rat, den Europäischen Wirtschafts- und Sozialausschuss und den Ausschuss der Regionen, 7.12.2018, „Koordinierter Plan für künstliche Intelligenz“, COM(2018) 795 final. Google Scholar öffnen
  111. Europäische Kommission, Mitteilung an das Europäische Parlament, den Europäischen Rat, den Rat, den Europäischen Wirtschafts- und Sozialausschuss und den Ausschuss der Regionen, „Künstliche Intelligenz für Europa“, 25.4. 2018, COM(2018) 237 final. Google Scholar öffnen
  112. Europäische Kommission, New EU Rules to Ensure Safety of Medical Devices, 2018, abrufbar unter https://ec.europa.eu/health/system/files/2020-07/md_generic_fs_en_0.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  113. Europäische Kommission, Mitteilung der Kommission an das Europäische Parlament, den Rat, den Europäischen Wirtschaft- und Sozialausschuss und den Ausschuss der Regionen, Bessere Ergebnisse durch bessere Rechtsetzung – Eine Agenda der EU, 19.5.2015, COM(2015) 215 final. Google Scholar öffnen
  114. Europäischer Datenschutzausschuss, Work Programme 2021/2022, abrufbar unter https://edpb.europa.eu/system/files/2021-03/edpb_workprogramme_2021-2022_en.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  115. Europäischer Datenschutzausschuss/Europäischer Datenschutzbeauftragter, Gemeinsame Stellungnahme 5/2021 zum Vorschlag für eine Verordnung des Europäischen Parlaments und des Rates zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (Gesetz über künstliche Intelligenz) und zur Änderung bestimmter Rechtsakte der Union, 18.06.2021, abrufbar unter https://edps.europa.eu/system/files/2021-10/2021-06-18-edpb-edps_joint_opinion_ai_regulation_de.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  116. Europäischer Rat, Schlussfolgerungen zu den Themen Migration, digitales Europa, Sicherheit und Verteidigung sowie Außenbeziehungen, 19.10.2017, EUCO 14/17. Google Scholar öffnen
  117. Europäischer Wirtschafts- und Sozialausschuss, Vorschlag für eine Verordnung des Europäischen Parlaments und des Rates zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (Gesetz über künstliche Intelligenz) und zur Änderung bestimmter Rechtsakte der Union, INT/940, 22.09.2021, abrufbar unter https://edz.bib.uni-mannheim.de/edz/doku/wsa/2021/ces-2021-2482-de.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  118. Europäischer Wirtschafts- und Sozialausschuss, Stellungnahme zum Thema „Künstliche Intelligenz – die Auswirkungen der künstlichen Intelligenz auf den (digitalen) Binnenmarkt, sowie Produktion, Verbrauch, Beschäftigung und Gesellschaft“ (Initiativstellungnahme), 31.08.2017, ABl. EU 2017/C 288/1. Google Scholar öffnen
  119. Europäisches Parlament, Rahmen für die ethischen Aspekte von künstlicher Intelligenz, Robotik und damit zusammenhängende Technologien, 20.10.2020, (2020/2012(INL)). Google Scholar öffnen
  120. Europäisches Parlament, Bericht mit Empfehlungen an die Kommission zu zivilrechtlichen Regelungen im Bereich Robotik, 27.01.2017 (2015/2103(INL)). Google Scholar öffnen
  121. European Coordination Committee of the Radiological, Electromedical and Healthcare IT Industry, Feedback. Commission proposal for a European Artificial Intelligence Act, 01.07.2021, abrufbar unter https://www.cocir.org/fileadmin/Position_Papers_2021/COCIR_Feedback_AI_Regulation_-_1_July_2021.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  122. European Coordination Committee of the Radiological, Electromedical and Healthcare IT Industry, Artificial Intelligence in EU Medical Device Legislation, Mai 2021, abrufbar unter https://www.cocir.org/fileadmin/Publications_2021/COCIR_Analysis_on_AI_in_medical_Device_Legislation_-_May_2021.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  123. Feiler, Lukas/Forgó, Nikolaus (Hrsg.), EU-DSGVO. EU-Datenschutz-Grundverordnung, Wien 2016. Google Scholar öffnen
  124. Ferretti, Agata/Schneider, Manuel/Blasimme, Alessandro, European Data Protection Law Review 3 (2018), 320–332. Google Scholar öffnen
  125. Food and Drug Administration, Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) Action Plan, Januar 2021, abrufbar unter https://cacmap.fda.gov/media/145022/download (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  126. Food and Drug Administration, Executive Summary for the Patient Engagement Advisory Meeting. Artificial Intelligence (AI) and Machine Learning (ML) in Medical Device, 22.10.2020, abrufbar unter https://www.fda.gov/media/142998/download (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  127. Food and Drug Administration, Proposed Regulatory Framework for Modifications to Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) – Discussion Paper and Request for Feedback, 02.04.2019, abrufbar unter https://cacmap.fda.gov/media/122535/download (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  128. Food and Drug Administration/Health Canada/Medicines & Healthcare products Regulatory Agency, Good Machine Learning Practice for Medical Device Development: Guiding Principles, Oktober 2021, abrufbar unter https://www.fda.gov/media/153486/download (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  129. Fosch-Villaronga, Eduard/Kieseberg, Peter/Li, Tiffany, Humans Forget, Machines Remember: Artificial Intelligence and the Right to Be Forgotten, Computer Security & Law Review 34 (2018), 304–313. Google Scholar öffnen
  130. Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. (Hrsg.), Maschinelles Lernen. Eine Analyse zu Kompetenzen, Forschung und Anwendung, 2018, abrufbar unter https://www.bigdata-ai.fraunhofer.de/content/dam/bigdata/de/documents/Publikationen/Fraunhofer_Studie_ML_201809.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  131. Fraunhofer-Institut für intelligente Analyse- und Informationssysteme IAIS (Hrsg.), Zukunftssichere Lösungen für Maschinelles Lernen. Machine Learning Operations (MLOPS) – Prozesse für Entwicklung, Integration und Betrieb, 2020, abrufbar unter http://publica.fraunhofer.de/documents/N-615557.html (zuletzt abgerufen 20.03.2022). Google Scholar öffnen
  132. Fraunhofer-Institut für intelligente Analyse- und Informationssysteme IAIS (Hrsg.), Vertrauenswürdiger Einsatz von künstlicher Intelligenz. Handlungsfelder aus philosophischer, ethischer, rechtlicher und technologischer Sicht als Grundlage für eine Zertifizierung von künstlicher Intelligenz, Sankt Augustin 2019, abrufbar unter https://www.iais.fraunhofer.de/content/dam/iais/KINRW/Whitepaper_KI-Zertifizierung.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  133. Frederikson, Matt/Jha, Somesh/Ristenpart, Thomas, Model Inversion Attacks that Exploit Confidence Information and Basic Countermeasures, Proceedings of the 22nd ACM SIGSAC Conference on Computer and Communications Security (CCS) 2015, 1322–1333, abrufbar unter https://dl.acm.org/doi/pdf/10.1145/2810103.2813677 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  134. Frochte, Jörg, Maschinelles Lernen. Grundlagen und Algorithmen in Python, 2. Aufl., München 2019. Google Scholar öffnen
  135. Frost, Yannick, Künstliche Intelligenz in Medizinprodukten und damit verbundene medizinprodukte- und datenschutzrechtliche Herausforderungen, MPR 2019, 117–125. Google Scholar öffnen
  136. Frost, Yannick/Kießling, Marlene, Künstliche Intelligenz im Bereich des Gesundheitswesens und damit verbundene haftungsrechtliche Herausforderungen, MPR 2020, 178–185. Google Scholar öffnen
  137. Gassner, Ulrich M., Regulierung intelligenter Medizinprodukte – reine Effekthascherei, oder was?, MPR 2022, 35–36. Google Scholar öffnen
  138. Gassner, Ulrich M., Intelligente Medizinprodukte – Regulierungsperspektiven und Zertifizierungspraxis, MPR 2021, 41–52. Google Scholar öffnen
  139. Gassner, Ulrich M., Künstliche Intelligenz in der Medizin – no human in the loop?, in Koch, Arndt/Kubiciel, Michael/Wollenschläger, Ferdinand/Wurmnest, Wolfgang (Hrsg.), Festschrift 50 Jahre Juristische Fakultät Augsburg, Tübingen 2021, 243–272. Google Scholar öffnen
  140. Gassner, Ulrich M., Dimensionen der Risikoregulierung im Medizinprodukterecht, MPR 2020, 162–168. Google Scholar öffnen
  141. Gassner, Ulrich M., Software als Medizinprodukt – zwischen Regulierung und Selbstregulierung, MPR 2016, 109–115. Google Scholar öffnen
  142. Gassner, Ulrich M., MedTech meets M-Health, MPR 2015, 73–82. Google Scholar öffnen
  143. Gassner, Ulrich M./Juknat, Ulrich, Regulatory Approaches to AI in Medical Practice, European Pharmaceutical Law Review 3 (2019), 176–183. Google Scholar öffnen
  144. Gassner, Ulrich M./Schreiegg, Tobias, Klinische Bewertung und Leistungsbewertung von Medizinprodukte-Software – normative Integration und globale Konvergenz, MPR 2020, 104–108. Google Scholar öffnen
  145. Gassner, Ulrich M./Schreiegg, Tobias, Software als Medizinprodukt – Brüsseler Spitzen, MPR 2019, 198–201. Google Scholar öffnen
  146. Gausling, Tina, Künstliche Intelligenz im Anwendungsbereich der Datenschutz-Grundverordnung, PinG 2019, 61–70. Google Scholar öffnen
  147. Geminn, Christian, Die Regulierung Künstlicher Intelligenz - Anmerkungen zum Entwurf eines Artificial Intelligence Act, ZD 2021, 354–359. Google Scholar öffnen
  148. Gerberding, Johannes/Wagner, Gert G., Qualitätssicherung für „Predictive Analytics“ durch digitale Algorithmen, ZRP 2019, 116–119. Google Scholar öffnen
  149. Gerhart, Markus, MDR Regel 11: Der Klassifizierungs-Albtraum?, 11.10.2021, in: Blog Johner Institut, abrufbar unter https://www.johner-institut.de/blog/regulatory-affairs/mdr-regel-11/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  150. Gesmann-Nuissl, Dagmar, Künstliche Intelligenz – den ersten Schritt vor dem zweiten tun!, InTeR 2018, 105–106. Google Scholar öffnen
  151. Gierschmann, Sybille, Gestaltungsmöglichkeiten durch systematisches und risikobasiertes Vorgehen – Was ist schon anonym? Planung und Bewertung der Risiken der Anonymisierung, ZD 2021, 482–486. Google Scholar öffnen
  152. Gierschmann, Sybille/Schlender, Katharina/Stentzel, Rainer/Veil, Winfried (Hrsg.), Kommentar Datenschutz-Grundverordnung, Köln 2017. Google Scholar öffnen
  153. Glatzner, Florian, Profilbildung und algorithmenbasierte Entscheidungen. Regulierungsbedarf aus Verbrauchersicht, DuD 2020, 312–315. Google Scholar öffnen
  154. Glauner, Patrick, Schriftliche Stellungnahme vom 02.05.2021 für das am 06.05.2021 stattfindende gemeinsame Fachgespräch der Ausschüsse für die Angelegenheiten der Europäischen Union des Deutschen Bundestages und der französischen Assemblée nationale zur Politik der EU im Bereich der Künstlichen Intelligenz (KI) und insbesondere dem Verordnungsvorschlag der Europäischen Kommission zu KI (COM(2021) 206 final), abrufbar unter https://drive.google.com/file/d/1SjhxLCjcdzqpg8BjBCG-CMTGLpASeUNT/view (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  155. Gola, Peter (Hrsg.), Datenschutz-Grundverordnung VO (EU) 2016/679 Kommentar, 2. Aufl., München 2018. Google Scholar öffnen
  156. Gold, Kevin, Norvig vs. Chomsky and the Fight for the Future of AI, 21.06.2011, abrufbar unter https://www.tor.com/2011/06/21/norvig-vs-chomsky-and-the-fight-for-the-future-of-ai/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  157. Golla, Sebastian J., Arzt, Patient und Assistenzsystem, InTeR 2015, 194–197. Google Scholar öffnen
  158. Goodfellow, Ian J./Pouget-Abadie, Jean/Mirza, Mehdi/Xu, Bing/Warde-Farley, David/Ozair, Sherjil/Courville, Aaron/Bengio, Yoshua., Generative Adversarial Nets, Proceedings of the 27th International Conference on Neural Information Processing Systems (NIPS´14), Vol. 2, 2672–2680, abrufbar unter https://proceedings.neurips.cc/paper/2014/file/5ca3e9b122f61f8f06494c97b1afccf3-Paper.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  159. Graf, Angela, Revision des europäischen Rechtsrahmens für Medizinprodukte: Einfluss auf die Klassifizierung von Medizinprodukten, PharmR 2017, 57–61. Google Scholar öffnen
  160. Graf, Angela/Heil, Maria/Oeben, Marc, Die MDR-Übergangsvorschriften – Zeitliche Perspektiven für Medizinproduktehersteller, MPR 2017, 15–20. Google Scholar öffnen
  161. Grafenstein von, Maximilian, Das Zweckbindungsprinzip zwischen Innovationsoffenheit und Rechtssicherheit. Zur mangelnden Differenzierung der Rechtsgüterbetroffenheit in der Datenschutzgrund-VO, DuD 2015, 789–795. Google Scholar öffnen
  162. Grinblat, Roman/Etterer, Daniela/Plugmann, Philipp (Hrsg.), Innovationen im Gesundheitswesen. Rechtliche und ökönomische Rahmenbedingungen und Potentiale, Wiesbaden 2022. Google Scholar öffnen
  163. Guerra-Bretaña, Rosa Mayelin/Flórez-Rendón, Andrea Lucía, Impact of regulations on innovation in the field of medical devices, Research on Biomedical Engineering 34 (2018), 356–367. Google Scholar öffnen
  164. Haagen, Christian, Verantwortung für Künstliche Intelligenz. Ethische Aspekte und zivilrechtliche Anforderungen bei der Herstellung von KI-Systemen, Robotik und Recht Band 22, Baden-Baden 2021. Google Scholar öffnen
  165. Hacker, Philipp, Europäische und nationale Regulierung von Künstlicher Intelligenz, NJW 2020, 2142–2147. Google Scholar öffnen
  166. Hacker, Philipp, Immaterialgüterrechtlicher Schutz von KI-Trainingsdaten, GRUR 2020, 1025–1033. Google Scholar öffnen
  167. Hacker, Philipp/Krestel, Ralf/Grundmann, Stefan/Naumann, Felix, Explainable AI under contract and tort law: legal incentives and technical challenges, Artificial Intelligence and Law 28 (2020), 415–436. Google Scholar öffnen
  168. Haimerl, Martin, Anmerkungen zum Vorschlag für die EU-Verordnung zur künstlichen Intelligenz, 21. April 2021, abrufbar unter https://www.researchgate.net/profile/Martin-Haimerl/publication/358403175_Beitrag_zur_Public_Consultation_Feedback_zum_Vorschlag_fur_die_EU-Verordnung_zur_kunstlichen_Intelligenz_vom_21_April_2021/links/6200ca03b44cbe422729b00a/Beitrag-zur-Public-Consultation-Feedback-zum-Vorschlag-fuer-die-EU-Verordnung-zur-kuenstlichen-Intelligenz-vom-21-April-2021.pdf?origin=publication_detail (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  169. Halevi, Shai/Rabin, Tal (Hrsg.), Theory of Cryptography, Third Theory of Cryptography Conference, TCC, 2006, New York, NY, USA, March 4–7 2006, Proceedings, Berlin 2006. Google Scholar öffnen
  170. Hanika, Heinrich (Hrsg.), Künstliche Intelligenz, Robotik und autonome Systeme in der Gesundheitsversorgung, Sternenfels 2020. Google Scholar öffnen
  171. Hänold, Stefanie, KI-Forschung in der Medizin benötigt eine Reform datenschutzrechtlicher Regelungen, Newsdienst ZD-Aktuell 2020, 07046, beck-online. Google Scholar öffnen
  172. Hänold, Stefanie, Die Zulässigkeit eines „broad consent“ in der medizinischen Forschung – a never ending story?, Newsdienst ZD-Aktuell 2020, 06954, beck-online. Google Scholar öffnen
  173. Hänold, Stefanie, KI- und Big-Data-Anwendungen in der Schockraumbehandlung, Newsdienst ZD-Aktuell 2019, 06720, beck-online. Google Scholar öffnen
  174. Hänold, Stefanie/Schlee, Nelli/Antweiler, Dario/Beckh, Katharina, Die Nachvollziehbarkeit von KI-Anwendungen in der Medizin. Eine Betrachtung aus juristischer Perspektive mit Beispielszenarien, MedR 2021, 516–523. Google Scholar öffnen
  175. Hänßle, Holger/Fink, Christine/Schneiderbauer, Roland et al., Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists, Annals of Oncology 29 (2018), 1836–1842. Google Scholar öffnen
  176. Harris, Jeremie, AI advances, but can the law keep up?, 31.03.2021, abrufbar unter https://towardsdatascience.com/ai-advances-but-cat-the-law-keep-up-7d9669ce9a3d (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  177. Härtel, Ines, Digitalisierung im Lichte des Verfassungsrechts – Algorithmen, Predictive Policing, autonomes Fahren, LKV 2019, 49–60. Google Scholar öffnen
  178. Hartz, Christian, Künstliche Intelligenz in der Produktentwicklung im Spannungsfeld zwischen juristischer Perfektion und technischer Machbarkeit, LRZ 2021, Rn. 260–294, abrufbar unter https://lrz.legal/de/lrz/kuenstliche-intelligenz-in-der-produktentwicklung-im-spannungsfeld-zwischen-juristischer-perfektion-und-technischer-machbarkeit (zuletzt abgerufen 20.03.2022). Google Scholar öffnen
  179. Hastenteufel, Mark/Renaud, Sina, Software als Medizinprodukt. Entwicklung und Zulassung von Software in der Medizintechnik, Wiesbaden 2019. Google Scholar öffnen
  180. Heil, Maria, Die neue KI-Verordnung (E) – Regulatorische Herausforderungen für KI-basierte Medizinprodukte-Software, MPR 2022, 1–12. Google Scholar öffnen
  181. Heil, Maria, BVMed-Symposium zum Medizinprodukterecht, MPR 2021, 238–241. Google Scholar öffnen
  182. Helle, Katrin, Intelligente Medizinprodukte: Ist der geltende Rechtsrahmen noch aktuell?, MedR 2020, 993–1000. Google Scholar öffnen
  183. Herberger, Maximilian, „Künstliche Intelligenz“ und Recht – Ein Orientierungsversuch –, NJW 2018, 2825–2829. Google Scholar öffnen
  184. Herbst, Tobias, Was sind personenbezogene Daten?, NVwZ 2016, 902–906. Google Scholar öffnen
  185. Herold, Helmut/Lurz, Bruno/Wohlrab, Jürgen/Hopf, Matthias, Grundlagen der Informatik, 3. Aufl., Hallbergmoos 2017. Google Scholar öffnen
  186. Herold, Viktoria, Algorithmisierung von Ermessensentscheidungen durch Machine Learning, InTeR 2019, 7–11. Google Scholar öffnen
  187. Hill, Rainer, Die neue EU-Verordnung über Medizinprodukte (MDR) – Eine vorläufige Bewertung aus Sicht der Industrie, MPR 2017, 109–121. Google Scholar öffnen
  188. Hill, Rainer/Schmitt, Joachim M. (Hrsg.), WiKo Medizinprodukterecht, Köln 2020. Google Scholar öffnen
  189. Hitaj, Briland/Ateniese, Giuseppe/ Pérez-Cruz, Fernando, Deep Models Under the GAN: Information Leakage from Collaborative Deep Learning, Conference on Computer and Communications Security (CCS) 30.10. – 3.11.2017, 603–618, abrufbar unter https://acmccs.github.io/papers/p603-hitajA.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  190. Hochrangige Expertengruppe für Künstliche Intelligenz, Policy and Investment Recommendations for Trustworthy AI, 26.06.2019, abrufbar unter https://digital-strategy.ec.europa.eu/en/library/policy-and-investment-recommendations-trustworthy-artificial-intelligence (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  191. Hochrangige Expertengruppe für Künstliche Intelligenz, Ethik-Leitlinien für eine vertrauenswürdige KI, 08.04.2019, abrufbar unter https://op.europa.eu/de/publication-detail/-/publication/d3988569-0434-11ea-8c1f-01aa75ed71a1 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  192. Hoeren, Thomas, Big Data und Datenqualität – ein Blick auf die DS-GVO. Annäherungen an Qualitätsstandards und deren Harmonisierung, ZD 2016, 459–463. Google Scholar öffnen
  193. Hoeren, Thomas, Thesen zum Verhältnis von Big Data und Datenqualität – Erste Raster zum Erstellen juristischer Standards, MMR 2016, 8–11. Google Scholar öffnen
  194. Hoeren, Thomas/Niehoff, Maurice, Artificial Intelligence in Medical Diagnoses and the Right to Explanation, European Data Protection Law Review 4 (2018), 308–319. Google Scholar öffnen
  195. Hoeren, Thomas/Niehoff, Maurice, KI und Datenschutz – Begründungserfordernisse automatisierter Entscheidungen, RW 2018, 47–66. Google Scholar öffnen
  196. Hoffmann, Hanna, Regulierung der künstlichen Intelligenz – Fundamentalkritik am Verordnungsentwurf zur Regulierung der Künstlichen Intelligenz der EU-Kommission vom 21.4.2021, K&R 2021, 369–374. Google Scholar öffnen
  197. Hoffmann, Hanna/Kevekordes, Johannes, Das Right to Explanation, DuD 2021, 609–615. Google Scholar öffnen
  198. Hoffmann-Riem, Wolfgang (Hrsg.), Big Data – Regulative Herausforderungen, Baden-Baden 2018. Google Scholar öffnen
  199. Hoffmann-Riem, Wolfgang, Innovation und Recht – Recht und Innovation, Tübingen 2016. Google Scholar öffnen
  200. Hoffmann-Riem, Wolfgang/Schneider, Jens-Peter (Hrsg.), Rechtswissenschaftliche Innovationsforschung. Grundlagen, Forschungsansätze, Gegenstandsbereiche, Baden-Baden 1998. Google Scholar öffnen
  201. Hofman, Johanna/Johannes, Paul C., DS-GVO: Anleitung zur autonomen Auslegung des Personenbezugs. Begriffsklärung der entscheidenden Frage des sachlichen Anwendungsbereichs, ZD 2017, 221–226. Google Scholar öffnen
  202. Hofman, Tobias, Die Regel 11 MDR – eine genauere Betrachtung, MPR 2021, 161–169. Google Scholar öffnen
  203. Höhne, Marina Marie-Claire, Nachvollziehbare Künstliche Intelligenz: Methoden, Chancen und Risiken. Black Box zu White Box, DuD 2021, 453–456. Google Scholar öffnen
  204. Hölzel, Julian, Anonymisierungstechniken und das Datenschutzrecht, DuD 2018, 502–509. Google Scholar öffnen
  205. Hoppe, Jörg-Dietrich/Scriba, Peter, Richtlinien zur prädiktiven genetischen Diagnostik, 14.02.2014, abrufbar unter https://www.bundesaerztekammer.de/bericht2002-2003/pdf/130510.pdf, S. 3 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  206. Horn, Niklas, Übernimmt der Algorithmus? Der Wandel der Gesundheits- und Pflegewirtschaft durch Künstliche Intelligenz und seine Herausforderungen an das Recht, NZS 2019, 574–576. Google Scholar öffnen
  207. Hornung, Gerrit/Wagner, Bernd, Anonymisierung als datenschutzrelevante Verarbeitung? Rechtliche Anforderungen und Grenzen für die Anonymisierung personenbezogener Daten, ZD 2020, 223–228. Google Scholar öffnen
  208. Hornung, Gerrit/Wagner, Bernd, Der schleichende Personenbezug. Die Zwickmühle der Re-Identifizierbarkeit in Zeiten von Big Data und Ubiquitous Computing, CR 2019, 565–574. Google Scholar öffnen
  209. Hunts, Alexandra, Modellvalidierung: Problembereiche und Lösungen – Overfitting und Underfitting, 01.08.2021, abrufbar unter https://rocketloop.de/de/blog/modellvalidierung-overfitting-underfitting/#section-three (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  210. IEEE Global Initiative on Ethics of Autonomous and Intelligent Systems, Ethically Aligned Design. A Vision for Prioritizing Human Well-being with Autonomous and Intelligent Systems, Version 2, 2019, abrufbar unter https://standards.ieee.org/wp-content/uploads/import/documents/other/ead_v2.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  211. Interessengemeinschaft der Benannten Stellen für Medizinprodukte in Deutschland, Fragenkatalog „Künstliche Intelligenz bei Medizinprodukten, Version 3, 03.12.2021, abrufbar unter https://www.ig-nb.de/dok_view?oid=861877 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  212. International Medical Device Regulators Forum, IMDRF Strategic Plan 2021 – 2025, IMDRF/MC/N39FINAL:2020 (Edition 2), 25.09.2020, abrufbar unter https://www.imdrf.org/sites/default/files/docs/imdrf/final/procedural/imdrf-proc-n39-strategic-plan-200925.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  213. International Medical Devices Regulators Forum Artificial Intelligence Medical Devices Working Group (PD1)/N67, Machine Learning-enabled Medical Devices – A subset of Artificial Intelligence-enabled Medical Devices: Key Terms and Definitions, v. 16.09.2021, abrufbar unter https://www.imdrf.org/sites/default/files/2021-10/Machine%20Learning-enabled%20Medical%20Devices%20-%20A%20subset%20of%20Artificial%20Intelligence-enabled%20Medical%20Devices%20-%20Key%20Terms%20and%20Definitions.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  214. International Medical Device Regulators Forum Software as a Medical Device (SaMD) Working Group, „Software as a Medical Device“: Possible Framework for Risk Categorization and Corresponding Consideration, IMDRF/SaMD WG/N12FINAL:2014, 18.09.2014, abrufbar unter https://www.imdrf.org/sites/default/files/docs/imdrf/final/technical/imdrf-tech-140918-samd-framework-risk-categorization-141013.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  215. Jablonowska, Agnieszka/Kuziemski, Maciej/Nowak, Anna Maria/Micklitz, Hans-Wolfgang/Sartor, Giovanni, Consumer law and artificial intelligence: challenges to the EU consumer law and policy stemming from the business' use of artificial intelligence: final report of the ARTSY project, European University Institute Working Paper, 2018, 1–89, abrufbar unter https://cadmus.eui.eu/bitstream/handle/1814/57484/WP_2018_01.pdf?sequence=1&isAllowed=y (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  216. Jakobs, Isabel/Huber, Fabian, Software als Medizinprodukt: Haftungs- und versicherungsrechtliche Aspekte, MPR 2019, 1–6. Google Scholar öffnen
  217. Jandt, Silke, Datenschutz durch Technik in der DSGVO. Präventive und repressive Vorgaben zur Gewährleistung der Sicherheit der Verarbeitung, DuD 2017, 562–566. Google Scholar öffnen
  218. Jiang, Fei/Jiang, Yong/Zhi, Hui /Dong, Yi/Li, Hao/Ma, Sufeng/Wang, Yilong/Dong, Qiang/Shen, Haipeng/Wang, Yongjun, Artificial Intelligence in healthcare: past, present and future, Stroke and Vascular Neurology 2 (2017), 230–241. Google Scholar öffnen
  219. Jimenez-Solem, Espen/Petersen, Tonny S./Hansen, Casper/Hansen, Christian/Lioma, Christina/Igel, Christian/Boomsma, Wouter/Krause, Oswin/Lorenzen, Stephan/Selvan, Raghavendra/Petersen, Janne/Nyeland, Martin Erik/Zöllner Ankarfeldt, Mikkel/Mehl Virenfeldt, Gert/ Winther-Jensen, Mathilde/Linneberg, Allan/Mehdipour Ghazi, Mostafa/Detlefsen, Nicki/Lauritzen, Andreas David/Smith, Abraham George /de Bruijne, Marleen/Ibragimov, Bulat/Petersen, Jens/ Lillholm, Martin/ Middleton, Jon/ Hasling Mogensen, Stine/Thorsen-Meyer, Hans-Christian/Perner, Anders/Helleberg, Marie/Kaas-Hansen, Benjamin Skov/Bonde, Mikkel/Bonde, Alexander/Pai, Akshay/ Nielsen, Mads/Sillesen, Martin, Developing and validating COVID-19 adverse outcome risk prediction models from a bi-national European cohort of 5594 patients, Scientific Reports 11 (2021), 3246 – 3257, abrufbar unter https://www.nature.com/articles/s41598-021-81844-x.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  220. Jobin, Anna/Ienca, Marcello/Vayena, Effy, The global landscape of AI ethics guidelines, Nature Machine Intelligence 1 (2019), 389–399. Google Scholar öffnen
  221. Johner Institut, Input to the European Commission public consultation on the proposed 'Regulation laying down harmonized rules on artificial intelligence (AI Act)' by the Johner Institute, eingereicht am 06.08.2021, abrufbar unter https://ec.europa.eu/info/law/better-regulation/have-your-say/initiatives/12527-Kunstliche-Intelligenz-ethische-und-rechtliche-Anforderungen/F2665624_de (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  222. Johner, Christian/Molnar, Christopher/Piechottka, Sven/Haase, Oliver/Lklinger-Ji, Michael, Leitfaden zur KI bei Medizinprodukten, 21.12.2021, abrufbar unter https://github.com/johner-institut/ai-guideline/blob/master/Guideline-AI-Medical-Devices_DE.md (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  223. Johnson&Johnson, Contribution to the public consultation on the Artificial Intelligence Act proposal, 06.08.2021, abrufbar unter https://ec.europa.eu/info/law/better-regulation/have-your-say/initiatives/12527-Kunstliche-Intelligenz-ethische-und-rechtliche-Anforderungen/F2665490_de (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  224. Jüngling, Alexander, Die Digitalstrategie der EU-Kommission: Regulierung von Künstlicher Intelligenz. Schaffung einer Grundlage für Rechts-, Ethik- und Compliance-Fragen, MMR 2020, 440–445. Google Scholar öffnen
  225. Käde, Lisa/von Maltzan, Stefanie, Die Erklärbarkeit von Künstlicher Intelligenz (KI) – Entmystifizierung der Black Box und Chancen für das Recht, CR 2020, 66–72. Google Scholar öffnen
  226. Kaminski, Margot E., The Right to Explanation, Explained, Berkeley Technology Law Journal 34 (2019), 189–218, abrufbar unter https://scholar.law.colorado.edu/cgi/viewcontent.cgi?article=2335&context=articles (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  227. Karg, Moritz, Anonymität, Pseudonyme und Personenbezug revisited?, DuD 2015, 520–526. Google Scholar öffnen
  228. Kaissis, Georgios/Ziller, Alexander/Passerat-Palmbach, Jonathan et al., End-to-end privacy preserving deep learning on multi-institutional medical imaging, Nature Machine Intelligence 3 (2021), 473–484. Google Scholar öffnen
  229. Katzenmeier, Christian, Big Data, E-Health, M-Health, KI und Robotik in der Medizin: Digitalisierung des Gesundheitswesens – Herausforderung des Rechts, MedR 2019, 259–271. Google Scholar öffnen
  230. Katzenmeier, Christian, KI in der Medizin – Haftungsfragen, MedR 2021, 859–867. Google Scholar öffnen
  231. Kaulartz, Markus, Datenschutz-Compliance bei KI am Beispiel Federated Learning, 18.11.2019, in: Blog CMS Deutschland, abrufbar unter https://www.cmshs-bloggt.de/tmc/machine-learning-datenschutz-compliance-bei-ki-am-beispiel-federated-learning (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  232. Kaulartz, Markus/Braegelmann, Tom (Hrsg.), Rechtshandbuch Artificial Intelligence und Machine Learning, München 2020. Google Scholar öffnen
  233. Kelber, Ulrich, „Alle meine Daten“ – der Abschlussbericht der Datenethikkommission. Forderung nach einem starken Datenschutz im digitalen Zeitalter, ZD 2020, 73–76. Google Scholar öffnen
  234. Keßler, Oliver, Intelligente Roboter – neue Technologien im Einsatz. Voraussetzungen und Rechtsfolgen des Handelns informationstechnischer Systeme, MMR 2017, 589–594. Google Scholar öffnen
  235. Kirchner, Gernot, Big Data Management: Die Haftung des Big Data-Anwenders für Datenfehler (Vertragsrecht – Teil 1), InTeR 2018, 19–24. Google Scholar öffnen
  236. Kirn, Stefan/Müller-Hengstenberg, Claus D., Intelligente (Software-)Agenten: Von der Automatisierung zur Autonomie? – Verselbstständigung technischer Systeme, MMR 2014, 225–232. Google Scholar öffnen
  237. Kiseleva, Anastasiya, AI as a Medical Device: Is it Enough to Ensure Performance Transparency and Accountability? European Pharmaceutical Law Review 4 (2020), 5–16. Google Scholar öffnen
  238. Klingbeil, Thilo/Kohm, Simon, Datenschutzfreundliche Technikgestaltung und ihre vertraglichen Implikationen. Praxisnahe Anforderungen für Softwareprodukte, MMR 2021, 3–8. Google Scholar öffnen
  239. Köbler, Katharina, Was bringt die Medizinprodukteverordnung? Ausblick und Umsetzung, GuP 2018, 132–135. Google Scholar öffnen
  240. Kring, Markus, Big Data und der Grundsatz der Zweckbindung im Datenschutzrecht, Frankfurt 2019. Google Scholar öffnen
  241. Kugelmann, Dieter, Künstliche Intelligenz aus Sicht der Datenschutzaufsicht. Steuerung statt Verhinderung, DuD 2021, 503–508. Google Scholar öffnen
  242. Kugelmann, Dieter, Datenfinanzierte Internetangebote. Regelungs- und Schutzmechanismen der DSGVO, DuD 2016, 566–570. Google Scholar öffnen
  243. Kühling, Jürgen, Der datenschutzrechtliche Rahmen für Datentreuhänder, ZfDR 2021, 1–26. Google Scholar öffnen
  244. Kühling, Jürgen/Buchner, Benedikt (Hrsg.), Datenschutz-Grundverordnung, Bundesdatenschutzgesetz: DS-GVO/BDSG, Kommentar, 3. Aufl., München 2020. Google Scholar öffnen
  245. Kumkar, Lea Katharina/Roth-Isigkeit, David, Erklärungspflichten bei automatisierten Datenverarbeitungen nach der DSGVO, JZ 2020, 277–286. Google Scholar öffnen
  246. Lachenmann, Matthias, Künstliche Intelligenz im Gesundheitswesen, in: Specht-Riemenschneider, Luisa/Buchner, Benedikt/Heinze, Christian/Thomsen, Oliver (Hrsg.), IT-Recht in Wissenschaft und Praxis, Festschrift für Jürgen Taeger, Frankfurt 2020, S. 271–290. Google Scholar öffnen
  247. Lachenmann, Matthias/Meyer, Johanna, Vorschlag der EU-Kommission zur Regulierung von KI – eine Diskussion in vollem Gange, Newsdienst MMR-Aktuell 2021, 440578 beck online. Google Scholar öffnen
  248. Ladeur, Karl-Heinz, "Big Data" im Gesundheitsrecht – Ende der "Datensparsamkeit"?, DuD 2016, 360–364. Google Scholar öffnen
  249. Ladeur, Karl-Heinz, Entspricht das Technikrecht dem „Stand von Wissenschaft und Technik“?, InTeR 2015, 186–193. Google Scholar öffnen
  250. Lämmel, Uwe/Cleve, Jürgen, Künstliche Intelligenz, 5. Aufl., München 2020. Google Scholar öffnen
  251. Lane, Julia/Stodden, Victoria/Bender, Stefan/Nissenbaum, Helen (Hrsg.), Privacy, Big Data, and the Public Good - Frameworks for Engagement, New York 2014. Google Scholar öffnen
  252. Leupold, Andreas/Glossner, Silke (Hrsg.), Münchener Anwaltshandbuch, IT-Recht, 4. Aufl., München 2021. Google Scholar öffnen
  253. Lewinski von, Kai, Regulierungsbedarf und Regulierungsfelder von algorithmischen Systemen, InTeR 2018, 168–176. Google Scholar öffnen
  254. Linardatos, Pantelis/Papastefanopoulos, Vasilis/Kotsiantis, Sotiris, Explainable AI: A Review of Machine Learning Interpretability Methods, Entropy 23 (2021), 18–63, abrufbar unter https://www.mdpi.com/1099-4300/23/1/18 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  255. Lipton, Zachary Chase, The Mythos of Model Interpretability: In machine learning, the concept of interpretability is both important and slippery, Queue 16 (2018), 31–57, abrufbar unter https://dl.acm.org/doi/pdf/10.1145/3236386.3241340 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  256. Madir, Jelena (Hrsg.), Healthtech. Law and Regulation, Cheltenham 2020. Google Scholar öffnen
  257. Mainzer, Klaus, Künstliche Intelligenz – Wann übernehmen die Maschinen?, 2. Aufl., Berlin 2018. Google Scholar öffnen
  258. Malgieri, Gianclaudio/Comandé, Giovanni, Why a Right to Legibility of Automated Decision-Making Exists in the General Data Protection Regulation, International Data Privacy Law 7 (2017), 243–265. Google Scholar öffnen
  259. Mantelero, Alessandro, Regulating big data. The guidelines of the Council of Europe in the context of the European data protection framework, Computer Law & Security Review 33 (2017), 584–602. Google Scholar öffnen
  260. Markert, Karla/Böttinger, Konstantin, Robuste Lernverfahren. Einblicke und Ausblicke, DuD 2021, 457–461. Google Scholar öffnen
  261. Marnau, Ninja, Anonymisierung, Pseudonymisierung und Transparenz für Big Data, DuD 2016, 428–433. Google Scholar öffnen
  262. Marnau, Ninja/Berrang, Pascal/Humbert, Mathias, Anonymisierungsverfahren für genetische Daten, DuD 2018, 83–88. Google Scholar öffnen
  263. Martini, Mario, Algorithmen als Herausforderung für die Rechtsordnung, JZ 2017, 1017–1025. Google Scholar öffnen
  264. Martini, Mario, Blackbox Algorithmus – Grundfragen einer Regulierung Künstlicher Intelligenz, Heidelberg 2019. Google Scholar öffnen
  265. Masing, Johannes, Herausforderungen des Datenschutzes, NJW 2012, 2305–2311. Google Scholar öffnen
  266. McCarthy, John/Minsky, Marvin L./Rochester, Nathaniel/Shannon, Claude E., A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 31.08.1955, abrufbar unter https://ojs.aaai.org//index.php/aimagazine/article/view/1904 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  267. McMillan, Alan B., Making Your AI Smarter: Continuous Learning Artificial Intelligence for Radiology, Radiology 297 (2020), 15–16. Google Scholar öffnen
  268. MEDICA, Künstliche Intelligenz unterstützt medizinische Prognosen, abrufbar unter https://www.medica.de/de/News/Redaktionelle_News/K%C3%BCnstliche_Intelligenz_unterst%C3%BCtzt_medizinische_Prognosen (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  269. Medical Device Coordination Group, Guidance on classification of medical devices, MDCG 2021-24, Oktober 2021, abrufbar unter https://ec.europa.eu/health/system/files/2021-10/mdcg_2021-24_en_0.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  270. Medical Device Coordination Group, Ongoing guidance and other relevant work within MDCG Subgroups, Oktober 2021, abrufbar unter https://ec.europa.eu/health/sites/default/files/md_sector/docs/mdcg_ongoing_guidancedocs_en.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  271. Medical Device Coordination Group, Guidance on significant changes regarding the transnational provision under Article 120 of the MPVO with regard to devices covered by certificates according to MDD or AIMDD, MDCG 2020-3, März 2020, abrufbar unter https://ec.europa.eu/docsroom/documents/40301/attachments/1/translations/en/renditions/native (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  272. Medical Device Coordination Group, Guidance on Clinical Evaluation (MDR) / Performance Evaluation (IVDR) of Medical Device Software, MDCG 2020-1, März 2020, abrufbar unter https://ec.europa.eu/docsroom/documents/40323 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  273. Medical Device Coordination Group, Guidance on Cybersecurity for medical devices, MDCG 2019-16, Dezember 2019, abrufbar unter https://ec.europa.eu/docsroom/documents/41863 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  274. Medical Device Coordination Group, Guidance on Qualification and Classification of Software in Regulation (EU) 2017/745 – MDR and Regulation (EU) 2017/746 – IVDR, MDCG 2019-11, Oktober 2019, abrufbar unter https://ec.europa.eu/docsroom/documents/37581/attachments/1/translations/en/renditions/native (zuletzt abgerufen: 20.03.2022) Google Scholar öffnen
  275. Medical Mountains, Wie sich die EU-MDR auf klinische Innovationen und Nischenprodukte auswirkt, in: DeviceMed Online, 18.06.2021, abrufbar unter https://www.bvmed.de/de/recht/eu-medizinprodukte-verordnung-mdr/erfahrungsbericht-wie-sich-die-eu-mdr-auf-klinische-innovationen-und-nischenprodukte-auswirkt (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  276. MedTech Europe, Proposal for an Artificial Intelligence Act (COM/2021/206) - MedTech Europe response to the open public consultation, 06.08.2021, abrufbar unter https://www.medtecheurope.org/wp-content/uploads/2021/08/medtech-europe-response-to-the-open-public-consultation-on-the-proposal-for-an-artificial-intelligence-act-6-august-2021-1.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  277. MedTech Europe (Hrsg.), Innovation in Medical Technologies – Reflection Paper, 2020, abrufbar unter https://www.medtecheurope.org/wp-content/uploads/2020/10/2020_mte_innovation-in-medical-technologies_reflection-paper.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  278. MedTech Media Europe, Engpässe bei Benannten Stellen sind gefährlich für Hersteller und Patientenwohl, 20.03.2018, abrufbar unter https://medtechmediaeurope.com/News/Archiv/173/Engpaesse-bei-Benannten-Stellen-sind-gefaehrlich-fuer-Hersteller-und-Patientenwohl (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  279. MedTech&Pharma Platform (MPP), Input to the European Commission public consultation on the proposed Regulation laying down harmonized rules on artificial intelligence (AI Act), 30.06.2021, abrufbar unter https://ec.europa.eu/info/law/better-regulation/have-your-say/initiatives/12527-Kunstliche-Intelligenz-ethische-und-rechtliche-Anforderungen/F2660543_de (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  280. Medtronic plc., Submission Artificial Intelligence Regulation, 06.08.2022, abrufbar unter https://ec.europa.eu/info/law/better-regulation/have-your-say/initiatives/12527-Kunstliche-Intelligenz-ethische-und-rechtliche-Anforderungen/F2665573_de (zuletzt abgerufen: 20.03.2022) Google Scholar öffnen
  281. Mehlhorn, Kurt/Sanders, Peter, Algorithms and Data Structures. The Basic Toolbox, Heidelberg 2008. Google Scholar öffnen
  282. Meißner, Thomas, Geschlechtsspezifische Medizin. Der kleine Unterschied ist größer als gedacht, 22.06.2018, abrufbar unter https://www.aerztezeitung.de/Medizin/Der-kleine-Unterschied-ist-groesser-als-gedacht-226976.html (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  283. Meyer, Stephan, Künstliche Intelligenz und die Rolle des Rechts für Innovation. Rechtliche Rationalitätsforderungen an zukünftige Regulierung, ZRP 2018, 233–238. Google Scholar öffnen
  284. Minssen, Timo/Gerke, Sara/Aboy, Mateo/Price, Nicholson/Cohen, Glenn, Regulatory responses to medical machine learning, Journal of Law and the Biosciences 7 (2020), 1–18, abrufbar unter https://doi.org/10.1093/jlb/lsaa002 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  285. Misselhorn, Catrin, Grundfragen der Maschinenethik, 4. Aufl., Ditzingen 2018. Google Scholar öffnen
  286. Monreal, Manfred, Weiterverarbeitung nach einer Zweckänderung in der DS-GVO. Chancen nicht nur für das europäische Verständnis des Zweckbindungsgrundsatzes, ZD 2016, 507–512. Google Scholar öffnen
  287. Müller, Stefan, Editorial. Hochautomatisierung jetzt, Vollautonomisierung später?, InteR 2017, 61. Google Scholar öffnen
  288. Müller-Hengstenberg, Claus D./Kirn, Stefan, Intelligente (Software-)Agenten: Eine neue Herausforderung unseres Rechtssystems? Rechtliche Konsequenzen der "Verselbstständigung" technischer Systeme, MMR 2014, 307–313. Google Scholar öffnen
  289. Muresan, Remus, „Künstliche Intelligenz” und Medizinprodukte: Qualifizierung und Klassifizierung unter der MDR, Life Science Recht 2021, 17–40. Google Scholar öffnen
  290. Naldi, Maurizio/Italiano, Giuseppe F./Rannenberg, Kai/Medina, Manel/Bourka, Athena (Hrsg.), Privacy Technologies and Policy, 7th Annual Privacy Forum, APF 2019, Rome, Italy, June 13–14, 2019, Proceedings, Cham 2019. Google Scholar öffnen
  291. Neelmeier, Eva-Maria/Pramann, Oliver/Albrecht, Urs-Vito, Software-Quellcodes in der Entwicklung medizinischer Software – zu den Notwendigkeiten interessengerechter vertraglicher Vereinbarungen, InTeR 2018, 72–76. Google Scholar öffnen
  292. Nemitz, Paul, Constitutional democracy and technology in the age of artificial intelligence, Philosophical Transactions of the Royal Society A 376 (2018), 1–14, abrufbar unter https://royalsocietypublishing.org/doi/10.1098/rsta.2018.0089 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  293. Niemann, Fabian/Kevekordes, Johannes, Machine Learning und Datenschutz (Teil 1), CR 2020, 17–25. Google Scholar öffnen
  294. Niemann, Fabian/Kevekordes, Johannes, Machine Learning und Datenschutz (Teil 2), CR 2020, 179–184. Google Scholar öffnen
  295. Niklas, Thomas/Thurn, Lukas, Arbeitswelt 4.0 – Big Data im Betrieb, BB 2017, 1589–1596. Google Scholar öffnen
  296. Oettinger, Michael, Data-Science. Eine praxisorientierte Einführung im Umfeld von Machine Learning, künstlicher Intelligenz und Big Data, 2. Aufl., Hamburg 2020. Google Scholar öffnen
  297. Organisation for Economic Co-Operation and Development, Recommendation of the Council on Artificial Intelligence, OECD/LEGAL/0449, abrufbar unter https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  298. Oshida, Yoshiki, Artificial Intelligence For Medicine. People, Society, Pharmaceuticals, and Medical Materials, Berlin/Boston 2022. Google Scholar öffnen
  299. Otto, Claudia, Die große Chance von Weltklasse KI. Kommt nach der Datenschutz-Grundverordnung nun auch der Gold-Standard für KI aus Europa?, Ri 2021, 9–10. Google Scholar öffnen
  300. Otto, Claudia, Künstliche Intelligenz (KI) in der deutschen juristischen Pop-Literatur, Ri 2020, 101–112. Google Scholar öffnen
  301. Paal, Boris P./Pauly, Daniel A. (Hrsg.), Datenschutz-Grundverordnung Bundesdatenschutzgesetz, DS-GVO BDSG, 3. Aufl., München 2021. Google Scholar öffnen
  302. Pagallo, Ugo, The Legal Challenges of Big Data: Putting Secondary Rules First in the Field of EU Data Protection, European Data Protection Law Review, 1 (2017), 36–46. Google Scholar öffnen
  303. Palmieri, Sofia/Walraet, Paulien/Goffin, Tom, Inevitable Influences: AI-Based Medical Devices at the Intersection of Medical Devices Regulation and the Proposal for AI Regulation, European Journal of Health Law 28 (2021), 341–358. Google Scholar öffnen
  304. Papastefanou, Stefan, „Database Reconstruction Theorem“ und die Verletzung der Privatsphäre (Differential Privacy), CR 2020, 379–386. Google Scholar öffnen
  305. Piankyh, Oleg S./Langs, Georg/Dewey, Marc/Enzmann, Dieter R./Herold, Christian J./Schoenberg, Stefan O./Brink, James A., Continuous Learning AI in Radiology: Implementation Principles and Early Applications, Radiology 297 (2020), 6–14. Google Scholar öffnen
  306. Pieper, Fritz-Ulli, Künstliche Intelligenz: Im Spannungsfeld von Recht und Technik, InTeR 2018, 9–15. Google Scholar öffnen
  307. Pierce, Robin, Machine Learning for Diagnosis and Treatment – Gymnastics for the GDPR, European Data Protection Law Review 3 (2018), 333–343. Google Scholar öffnen
  308. Pietrzyk, Lisa, KI trainieren und dabei Datenschutz gewährleisten. Federated Learning und Sicheres Aggregieren: Kombination mehrerer Sicherheitsschritte hilft patientenbezogene Daten zu schützen, 03.06.2021, abrufbar unter https://radiologie.bayer.de/aktuelles/news/technik/ki-trainieren-und-dabei-datenschutz-gewaehrleisten (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  309. Plath, Kai-Uwe (Hrsg.), DSGVO BDSG, Kommentar zu DSGVO, BDSG und den Datenschutzbestimmungen des TMG und TKG, 3. Aufl., Köln 2018. Google Scholar öffnen
  310. Pomberger, Gustav/Dobler, Heinz, Algorithmen und Datenstrukturen. Eine systematische Einführung in die Programmierung, München 2008. Google Scholar öffnen
  311. Prinz, Thorsten, Entwicklung und Herstellung medizinischer Software. Normen in der Medizintechnik, Berlin 2017. Google Scholar öffnen
  312. Prinz, Thorsten, Neue Herausforderungen für KI-basierte Medizinprodukte: EU Artificial Intelligence Act, 19.10.2021, in: VDE Verband der Elektrotechnik Elektronik Informationstechnik e.V., abrufbar unter: https://meso.vde.com/de/herausforderungen-ki-basierte-medizinprodukte-eu-artificial-intelligence-act/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  313. Prütting, Jens/Wolk, Tom, Software unter dem Regime der europäischen Medizinprodukteverordnung (2017/745/EU), MedR 2020, 359–365. Google Scholar öffnen
  314. Quaas, Michael/Zuck, Rüdiger/Clemens, Thomas (Hrsg.), Medizinrecht, 4. Aufl., München 2018. Google Scholar öffnen
  315. Rad, Abtin, Risiken und Chancen neuer Technologien in der Anwendung, MPJ 2021, 11–18. Google Scholar öffnen
  316. Raji, Behrang, Rechtliche Bewertung synthetischer Daten für KI-Systeme, DuD 2021, 303–309. Google Scholar öffnen
  317. Rammos, Thanos, Die datenschutzrechtliche Zulässigkeit von Broad Consent für Forschungszwecke nach der DSGVO, DSRITB 2018, 359–372. Google Scholar öffnen
  318. Rammos, Thanos/Reda, Nora Yasmin, Gemeinsame datenschutzrechtliche Verantwortlichkeit im Lichte der EuGH-Rechtsprechung, MPJ 2019, 271–278. Google Scholar öffnen
  319. Rashid, Tariq, Neuronale Netze selbst programmieren. Ein verständlicher Einstieg mit Python, Heidelberg 2017. Google Scholar öffnen
  320. Rat der Europäischen Union, Vorschlag für eine Verordnung des Europäischen Parlaments und des Rates zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (Gesetz über künstliche Intelligenz) und zur Änderung bestimmter Rechtsakte der Union – Kompromissvorschlag, 29.11.2021, 2021/0106(COD). Google Scholar öffnen
  321. Rat der Europäischen Union, Vorschlag für eine Verordnung des Europäischen Parlaments und des Rates zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (Gesetz über künstliche Intelligenz) und zur Änderung bestimmter Rechtsakte der Union – Fortschrittsbericht, 22.11.2021, 2021/0106(COD). Google Scholar öffnen
  322. Rehmann, Wolfgang/Tillmanns, Christian, E-Health/Digital Health, Rechtshandbuch, München 2022. Google Scholar öffnen
  323. Rehmann, Wolfgang/Wagner, Susanne (Hrsg.), MPG MP-VO: Medizinproduktegesetz Verordnung (EU) 2017/745 über Medizinprodukte, Kommentar, 3. Aufl., München 2018. Google Scholar öffnen
  324. Reichwald, Julian/Pfisterer, Dennis, Autonomie und Intelligenz im Internet der Dinge. Möglichkeiten und Grenzen autonomer Handlungen, CR 2016, 208–212. Google Scholar öffnen
  325. Richter, Philipp, Big Data, Statistik und die Datenschutz-Grundverordnung, DuD 2016, 581–586. Google Scholar öffnen
  326. Riesenhuber, Karl (Hrsg.), Europäische Methodenlehre, 4. Aufl., Berlin/Boston 2021. Google Scholar öffnen
  327. Rocher, Luc/Hendrickx, Julien M./de Montjoy, Yves-Alexandre, Estimating the success of re-identifications in incomplete datasets using generative models, Nature Communications 10 (2019), 1–9, abrufbar unter https://www.nature.com/articles/s41467-019-10933-3 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  328. Roos, Philipp/Weitz, Caspar Alexander, Hochrisiko-KI-Systeme im Kommissionsentwurf für eine KI-Verordnung – IT- und produktsicherheitsrechtliche Pflichten von Anbietern, Einführern, Händlern und Nutzern, MMR 2021, 844–851. Google Scholar öffnen
  329. Roßnagel, Alexander, Datenschutzgrundsätze – unverbindliches Programm oder verbindliches Recht? Bedeutung der Grundsätze für die datenschutzrechtliche Praxis, ZD 2018, 339–344. Google Scholar öffnen
  330. Roßnagel, Alexander, Pseudonymisierung personenbezogener Daten. Ein zentrales Instrument im Datenschutz nach der DS-GVO, ZD 2018, 243–247. Google Scholar öffnen
  331. Roßnagel, Alexander, Big Data – Small Privacy? Konzeptionelle Herausforderungen für das Datenschutzrecht, ZD 2013, 562–566. Google Scholar öffnen
  332. Roßnagel, Alexander/Nebel, Maxi/Richter, Philipp, Was bleibt vom Europäischen Datenschutzrecht? – Überlegungen zum Ratsentwurf der DS-GVO, ZD 2015, 455–460. Google Scholar öffnen
  333. Roßnagel, Alexander/Scholz, Philip: Datenschutz durch Anonymität und Pseudonymität – Rechtsfolgen der Verwendung anonymer und pseudonymer Daten, MMR 2000, 721–731. Google Scholar öffnen
  334. Rost, Martin, Künstliche Intelligenz. Normative und operative Anforderungen des Datenschutzes, DuD 2018, 558–565. Google Scholar öffnen
  335. Rostalski, Frauke/Weiss, Erik, Der KI-Verordnungsentwurf der Europäischen Kommission, ZfDR 2021, 329–357. Google Scholar öffnen
  336. Russell, Stuart/Norvig, Peter, Artificial Intelligence. A Modern Approach, Hoboken, New Jersey 1995. Google Scholar öffnen
  337. Sandhu, Aqilah, Grundrechtsunitarisierung durch Sekundärrecht. Zur Reichweite des mitgliedstaatlichen Grundrechtsschutzes im Anwendungsbereich von Öffnungsklauseln am Beispiel des europäischen Datenschutzsekundärrechts, Tübingen 2022. Google Scholar öffnen
  338. Sassenberg, Thomas/Faber, Tobias (Hrsg.), Rechtshandbuch Industrie 4.0 und Internet of Things. Praxisfragen und Perspektiven der digitalen Zukunft, 2. Aufl., München 2020. Google Scholar öffnen
  339. Schallbruch, Martin, EU-Regulierung der Künstlichen Intelligenz, DuD 2021, 438–443. Google Scholar öffnen
  340. Scherer, Matthew U., Regulating Artificial Intelligence Systems: Risks, Challenges, Competencies, and Strategies, Harvard Journal of Law and Technology 29 (2016), 353–398. Google Scholar öffnen
  341. Schindler, Stephan, Künstliche Intelligenz und (Datenschutz-)Recht, ZD-Aktuell 2019, 06647, beck-online. Google Scholar öffnen
  342. Schlee, Nelli, EU-Kommission: Shaping Europe’s Digital Future – Regulierung von KI, Newsdienst ZD-Aktuell 2021, 05194, beck-online. Google Scholar öffnen
  343. Schneider, Jana/Schindler, Stephan, Videoüberwachung als Verarbeitung besonderer Kategorien personenbezogener Daten. Datenschutzrechtliche Anforderungen beim Erheben von Videodaten, ZD 2018, 463–469. Google Scholar öffnen
  344. Schröder, Markus, Der risikobasierte Ansatz in der DS-GVO – Risiko oder Chance für den Datenschutz?, ZD 2019, 503–506. Google Scholar öffnen
  345. Schucht, Carsten, Safety & Security bei smarten Produkten. Weichenstellungen zur IT-Sicherheit durch den Ausschuss für Produktsicherheit, NVwZ 2021, 532–535. Google Scholar öffnen
  346. Schuhmacher, Alexander, Maschinelles Lernen: InTeRview mit Alexander Schumacher, InTeR 2017, 182–183. Google Scholar öffnen
  347. Schulz, Thomas, Zukunftsmedizin. Wie das Silicon Valley Krankheiten besiegen und unser Leben verlängern will, München 2018. Google Scholar öffnen
  348. Schwartmann, Rolf/Jaspers, Andreas/Thüsing, Gregor/Kugelmann, Dieter (Hrsg.), DS-GVO/BDSG, Datenschutz-Grundverordnung Bundesdatenschutzgesetz, Kommentar, 2. Aufl., Heidelberg 2020. Google Scholar öffnen
  349. Schweinoch, Martin/Peitinger, Stefan, Anonymisierung im Datenschutz – terra incognita? Die Chancen und Risiken, den DSGVO-Vorgaben zu entkommen, CR 2020, 643–649. Google Scholar öffnen
  350. Selbst, Andrew D./Powles, Julia, Meaningful information and the right to explanation, International Data Privacy Law 7 (2017), 233–242. Google Scholar öffnen
  351. Sesing, Andreas, Grenzen systemischer Transparenz bei automatisierter Datenverarbeitung. Umfang und Grenzen der Pflicht zur Bereitstellung aussagekräftiger Informationen über die involvierte Logik, MMR 2021, 288–292. Google Scholar öffnen
  352. Sheng, Victor/Zhang, Jing, Machine Learning with Crowdsourcing: A Brief Summary of the Past Research and Future Directions, Proceedings of the Thirty-Third AAAI Conference on Artificial Intelligence and Ninth AAAI Symposium on Educational Advances in Artificial Intelligence, 2019, 9837–9843, abrufbar unter https://doi.org/10.1609/aaai.v33i01.33019837 (zuletzt abgerufen 20.03.2022). Google Scholar öffnen
  353. Shokri, Reza/Stronati, Marco/Song, Congzheng/Shmatikov, Vitaly, Membership Inference Attacks Against Machine Learning Models, 2017 IEEE Symposium on Security & Privacy (SP), 3–18, abrufbar unter https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7958568 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  354. Siemens Healthineers, Feedback to the European Commission’s proposal for a Regulation laying down harmonised rules on artificial intelligence (AI Act), 06.08.2021, abrufbar unter https://ec.europa.eu/info/law/better-regulation/have-your-say/initiatives/12527-Kunstliche-Intelligenz-ethische-und-rechtliche-Anforderungen/F2665604_de (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  355. Siemens Healthineers, AI-Rad Companion. Entscheidungsunterstützung für multimodale Bildgebung, abrufbar unter https://www.siemens-healthineers.com/de/digital-health-solutions/digital-solutions-overview/clinical-decision-support/ai-rad-companion (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  356. Simitis, Spiros/Hornung, Gerrit/Spiecker, Indra, gen. Döhmann (Hrsg.), Datenschutzrecht. DSGVO mit BDSG, Kommentar, Baden-Baden 2019. Google Scholar öffnen
  357. Söbbing, Thomas, EU: Rechtsrahmen für die Regulierung künstlicher Intelligenz, ITRB 2021, 125–126. Google Scholar öffnen
  358. Söbbing, Thomas, Künstliche neuronale Netze. Rechtliche Betrachtung von Software- und KI- Lernstrukturen, MMR 2021, 111–116. Google Scholar öffnen
  359. Söbbing, Thomas, Fundamentale Rechtsfragen zur künstlichen Intelligenz (AI Law), Frankfurt, 2019. Google Scholar öffnen
  360. Song, Congzheng/Ristenpart, Thoams/Shmatikov, Vitaly, Machine Learning Models that Remember Too Much, Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security, 587¬–601, abrufbar unter https://acmccs.github.io/papers/p587-songA.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  361. Special Committee on Artificial Intelligence in a Digital Age, Draft Report on artificial intelligence in a digital age, 2.11.2021, 2020/226 (INI), abrufbar unter https://www.europarl.europa.eu/doceo/document/AIDA-PR-680928_EN.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  362. Spectaris, Position Paper on the proposal for a Regulation of the European Parliament and of the Council laying down harmonised rules on Artificial Intelligence (Artificial Intelligence Act), 06.08.2021, abrufbar unter https://www.spectaris.de/fileadmin/Content/Verband/Positionen/SPECTARIS-Stellungnahme_KI-VO.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  363. Spindler, Gerald, Der Vorschlag der EU-Kommission für eine Verordnung zur Regulierung der Künstlichen Intelligenz (KI-VO-E), CR 2021, 361–374. Google Scholar öffnen
  364. Spindler, Gerald, Die neue Datenschutz-Grundverordnung, DB 2016, 937–941. Google Scholar öffnen
  365. Spindler, Gerald, Big Data und Forschung mit Gesundheitsdaten in der gesetzlichen Krankenversicherung, MedR 2016, 691–699. Google Scholar öffnen
  366. Spindler, Gerald/Schuster, Fabian (Hrsg.), Recht der elektronischen Medien, Kommentar, 4. Aufl., München 2019. Google Scholar öffnen
  367. Steege, Hans, Chancen und Risiken beim Einsatz künstlicher Intelligenz in der Medizin. Haftungs-, datenschutzrechtliche sowie ethische Aspekte, GuP 2021, 125–135. Google Scholar öffnen
  368. Stevens, Jeremy, Datenqualität bei algorithmischen Entscheidungen, CR 2020, 73–79. Google Scholar öffnen
  369. Stiemerling, Oliver, „Künstliche Intelligenz“ – Automatisierung geistiger Arbeit, Big Data und das Internet der Dinge, CR 2015, 762–765. Google Scholar öffnen
  370. Stiftung Datenschutz (Hrsg.), Big Data und E-Health, Köln 2017. Google Scholar öffnen
  371. Strecker, Michael, Bausteine einer Regulierung algorithmischer Systeme inkl. Künstlicher Intelligenz, RDi 2021, 124–133. Google Scholar öffnen
  372. Streile, Marcell, Was ist Maschinelles Lernen?, 05.11.2016, abrufbar unter https://ki-info.de/was-ist-maschinelles-lernen/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  373. Surette, Sam, How should the FDA regulate adaptive AI, software that designs itself?, 02.10.2020, abrufbar unter https://www.statnews.com/2020/10/02/how-should-fda-regulate-adaptive-ai/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  374. Sydow, Gernot (Hrsg.), Europäische Datenschutzgrundverordnung, Handkommentar, 2. Aufl., Baden-Baden 2018. Google Scholar öffnen
  375. Synodinou, Tatiana-Eleni/Jougleux, Philippe/Markou, Christiana/Prastitou, Thalia, EU Internet Law. Regulation and Enforcement, Cham 2017. Google Scholar öffnen
  376. Taeger, Jürgen (Hrsg.), Die Macht der Daten und der Algorithmen – Regulierung von IT, IoT und KI, Edewecht 2019. Google Scholar öffnen
  377. Taeger, Jürgen (Hrsg.), Rechtsfragen digitaler Transformationen – Gestaltung digitaler Veränderungsprozesse durch Recht, Edewecht 2018. Google Scholar öffnen
  378. Taeger, Jürgen (Hrsg.), IT und Internet mit Recht gestalten, Deutsche Stiftung für Recht und Informatik, Tagungsband Herbstakademie 2014 (DSRITB 2014), Edewecht 2014. Google Scholar öffnen
  379. Taeger, Jürgen/Gabel, Detlev (Hrsg.), DSGVO – BDSG – TTDSG, Kommentar, 4. Aufl., Frankfurt 2022. Google Scholar öffnen
  380. Thüsing, Gregor/Rombey, Sebastian, Forschung im Gesundheitswesen: Anforderungen an einen passgenauen Datenschutz, NZS 2019, 201–205. Google Scholar öffnen
  381. Timm, Ingo J., Digitalisierung und Big Data in der Medizin, MedR 2016, 686–690. Google Scholar öffnen
  382. Tinnefeld, Marie-Theres/Conrad, Isabell, Die selbstbestimmte Einwilligung im europäischen Recht. Voraussetzungen und Probleme, ZD 2018, 391–398. Google Scholar öffnen
  383. Tomsett, Richard/Braines, Dave/Harborne, Dan/Preece, Alun/Chakraborty, Supriyo, Interpretable to Whom? A Role-based Model for Analyzing Interpretable Machine Learning Systems, 3rd Annual Workshop on Human Interpretability in Machine Learning (WHI 2018), 14.07.2018, 8–14, abrufbar unter https://orca.cardiff.ac.uk/112597/7/1806.07552.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  384. Topol, Eric, Deep Medicine. Künstliche Intelligenz in der Medizin, Frechen 2020. Google Scholar öffnen
  385. Topol, Eric J., High-performance medicine: the convergence of human and artificial intelligence, Nature Medicine 25 (2019), 44–56. Google Scholar öffnen
  386. TÜV Süd, Whitepaper „Artificial Intelligence in Medical Devices – Verifying and validating AI-based medical devices“, August 2021, abrufbar unter https://www.tuvsud.com/en/-/media/global/pdf-files/whitepaper-report-e-books/tuvsud-ai-in-medical-devices-whitepaper.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  387. Uecker, Philip, Die Einwilligung im Datenschutzrecht und ihre Alternativen. Mögliche Lösungen für Unternehmen und Vereine, ZD 2019, 248–251. Google Scholar öffnen
  388. Unger, Oliver, Grundfragen eines neuen europäischen Rechtsrahmens für KI, ZRP 2020, 234–237. Google Scholar öffnen
  389. Valta, Matthias/Vasel, Justus, Kommissionsvorschlag für eine Verordnung über Künstliche Intelligenz – Mit viel Bürokratie und wenig Risiko zum KI-Standort?, ZRP 2021, 142–145. Google Scholar öffnen
  390. Veale, Michael/Binns, Reuben/Edwards, Lilian, Algorithms that remember: model inversion attacks and data protection law, Philosophical Transactions Royal Society A 376 (2018), 1–15, abrufbar unter https://royalsocietypublishing.org/doi/pdf/10.1098/rsta.2018.0083 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  391. Veil, Winfried, Einwilligung oder berechtigtes Interesse? – Datenverarbeitung zwischen Skylla und Charybdis, NJW 2018, 3337–3344. Google Scholar öffnen
  392. Veil, Winfried, Die Datenschutz-Grundverordnung: des Kaisers neue Kleider – Der gefährliche Irrweg des alten wie des neuen Datenschutzrechts, NVwZ 2018, 686–696. Google Scholar öffnen
  393. Vokinger, Kerstin N./Gasser, Urs, Regulating AI in medicine in the United States and Europe, Nature Machine Intelligence 3 (2021), 738–739. Google Scholar öffnen
  394. Vollebregt, Eric, The new EU AI regulation proposal, medical devices and IVDs, in: Medical devices legal and regulatory blog, abrufbar unter https://medicaldeviceslegal.com/2021/05/03/the-new-eu-ai-regulation-proposal-medical-devices-and-ivds/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  395. Voßhoff, Andrea/Hermerschmidt, Sven, Endlich! – Was bringt uns die Datenschutz-Grundverordnung?, PinG 2016, 56–59. Google Scholar öffnen
  396. Wachter, Sandra/ Mittelstadt, Brent/ Floridi, Luciano, Why a right to explanation of automated decision-making does not exist in the General Data Protection Regulation, International Data Privacy Law 7 (2017), 76–99. Google Scholar öffnen
  397. Wartala, Ramon, Praxiseinstieg Deep Learning. Mit Python, Caffe, TensorFlow und Spark eigene Deep-Learning-Anwendungen erstellen, Heidelberg 2018. Google Scholar öffnen
  398. Weichert, Thilo, Praktische Anwendungsprobleme im Gesundheitsdatenschutz, MedR 2019, 622–625. Google Scholar öffnen
  399. Weichert, Thilo, Genetische Genealogie und Datenschutz, DuD 2019, 149–153. Google Scholar öffnen
  400. Weichert, Thilo, Big Data, Gesundheit und der Datenschutz, DuD 2014, 831–838. Google Scholar öffnen
  401. Weichert, Thilo, Big Data und Datenschutz. Chancen und Risiken einer neuen Form der Datenanalyse, ZD 2013, 251–259. Google Scholar öffnen
  402. Wendland, Matthias, Über Pioniercharakter, Vorbildfunktion und blinde Flecken. Was an der europäischen KI-Verordnung gut ist – und was noch besser werden muss, 08.11.2021, in Meinungsbarometer.info, abrufbar https://www.meinungsbarometer.info/beitrag/ueber-Pioniercharakter-Vorbildfunktion-und-blinde-Flecken_4158.html (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  403. Wendt, Janine, Die Regulatory Sandbox – (k)ein Modell für Deutschland?, CF 2020, 366–371. Google Scholar öffnen
  404. Wendt, Janine/Oberländer, Marcel, Produkt- und Produzentenhaftung bei selbstständig veränderlichen Systemen, InTeR 2016, 58–65. Google Scholar öffnen
  405. Werry, Susanne/Knoblich, Sara, Die neue europäische Datenschutz-Grundverordnung – Inhalte und akuter Handlungsbedarf für Pharma- und Medizinprodukteunternehmen, MPR 2017, 1–12. Google Scholar öffnen
  406. Wildner, Manfred, Editiorial. Diagnose, Prognose, Prädiktion, Gesundheitswesen 2014, 185–186, abrufbar unter https://www.thieme-connect.com/products/ejournals/pdf/10.1055/s-0034-1372569.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  407. Winter, Christian/Battis, Verena/Halvani, Oren: Herausforderungen für die Anonymisierung von Daten, ZD 2019, 489–493. Google Scholar öffnen
  408. Wiring, Roland, Software als Medizinprodukt, GRUR-Prax 2018, 62. Google Scholar öffnen
  409. Wischmeyer, Thomas, Regulierung intelligenter Systeme, AöR 143 (2018), 1–66. Google Scholar öffnen
  410. Wischmeyer, Thomas/Rademacher, Timo (Hrsg.), Regulating Artificial Intelligence, Basel 2020. Google Scholar öffnen
  411. Wittpahl, Volker (Hrsg.), Künstliche Intelligenz. Technologien, Anwendung, Gesellschaft, Berlin 2019. Google Scholar öffnen
  412. World Health Organisation, Ethics and Governance of Artificial Intelligence for Health, 2021, abrufbar unter https://www.who.int/publications/i/item/9789240029200#:~:text=The%20WHO%20guidance%20on%20Ethics%20%26%20Governance%20of,public%20health%20functions%2C%20including%20surveillance%20and%20outbreak%20 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  413. Wuttke, Laurenz, CRISP-DM: Grundlagen, Ziele und die 6 Phasen des Data Mining Prozess, in: datasolut Blog, abrufbar unter https://datasolut.com/crisp-dm-standard/ (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  414. Wybitul, Tim (Hrsg.), Handbuch EU-Datenschutz-Grundverordnung, Frankfurt 2017. Google Scholar öffnen
  415. Wyderka, Myriam-Sophie, DSK: Erste konkrete Vorgaben zu Entwicklung und Betrieb von Künstlicher Intelligenz, Newsdienst ZD-Aktuell 2020, 06928, beck-online. Google Scholar öffnen
  416. Wyler, M., Federated Learning: Verbundlernen für die KI in der Medizin. Gemeinsame Nutzung von Trainingsdaten soll die KI-basierte Schlaganfall-Prognostik verbessern, 11.03.2021, radiologie.bayer.de, abrufbar unter http://radiologie.bayer.de/aktuelles/news/technik/federated-learning-verbundlernen-fuer-die-ki-in-der-medizin?masterContent=b94e54a6-63d2-4690-87c7-35eb7e05c8d1 (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  417. Xavier Health’s Artificial Intelligence Summit, Perspectives and Best Practices for Artificial Intelligence and Continuously Learning Systems in Healthcare, 23.–24. August 2018, abrufbar unter https://www.exhibit.xavier.edu/cgi/viewcontent.cgi?article=1024&context=health_services_administration_faculty (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  418. Xiao, Qixue/Chen, Yufei/Shen, Chao/Chen, Yu/Li, Kang, Seeing is Not Believing: Camouflage Attacks on Image Scaling Algorithms, Proceedings of the 28th USENIX Security Symposium, 14.08.2019, 443–460, abrufbar unter https://www.usenix.org/system/files/sec19-xiao.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  419. Yeom, Samuel/Frederikson, Matt/Jha, Somesh, The Unintended Consequences of Overfitting: Training Data Inference Attacks, 31st IEEE Computer Seurity Foundations Symposium 2018, 1–27, abrufbar unter https://arxiv.org/pdf/1709.01604v1.pdf (zuletzt abgerufen: 20.03.2022). Google Scholar öffnen
  420. Zezschwitz von, Friederike, Neue regulatorische Herausforderungen für Anbieter von Gesundheits-Apps, MedR 2020, 196–201. Google Scholar öffnen

Ähnliche Veröffentlichungen

aus dem Schwerpunkt "Recht allgemein, Übergreifende Werke und Sammlungen", "Gesundheitsrecht & Medizinrecht"
Cover des Buchs: Die Rolle des Gerichts im Rahmen des Prozessvergleichs
Monographie Kein Zugriff
Adomas Jankauskis
Die Rolle des Gerichts im Rahmen des Prozessvergleichs
Cover des Buchs: Kostenübersichtstabellen
Monographie Kein Zugriff
Manfred Schmeckenbecher, Karin Scheungrab
Kostenübersichtstabellen
Cover des Buchs: Covid e impatto della pandemia sul diritto
Sammelband Kein Zugriff
Esther Happacher, Margareth Helfer, Francesco A. Schurr
Covid e impatto della pandemia sul diritto
Cover des Buchs: Das Afterpfandrecht
Monographie Kein Zugriff
Michael Moser
Das Afterpfandrecht
Cover des Buchs: Die Brüssel Ia-VO im Lichte der Besonderheiten des einstweiligen Rechtsschutzes
Monographie Kein Zugriff
Louis Mayer
Die Brüssel Ia-VO im Lichte der Besonderheiten des einstweiligen Rechtsschutzes

Hinweis

Dieses Werk ist urheberrechtlich geschützt und darf nur nach den Vorgaben der Nutzungs- und Lizenzvereinbarung genutzt werden. Jede darüber hinaus gehende Nutzung des Werkes ist ausdrücklich untersagt und wird verfolgt.

Feedback geben

Wir freuen uns über Ihr Feedback zu Inhalten und Funktionen. Ihre Nachricht hilft uns, unseren Service stetig zu verbessern.

Bewertung
Bild anhängen
oder hier ablegen
PNG oder JPG (max. 3 MB)

Anmelden

Passwort vergessen?
Login via Open Athens
Noch kein Benutzerkonto?
Jetzt registrieren

Publikation zitieren

Download: RIS BibTex