KI im Gesundheitswesen

Künstliche Intelligenz im Gesundheitswesen ist längst kein Zukunftsszenario mehr. In der Radiologie unterstützen Algorithmen bei der Befundung von CT- und MRT-Aufnahmen. In der Pathologie erkennen KI-Systeme Gewebeveränderungen mit einer Genauigkeit, die menschliche Befunder ergänzt.

Diagnostik: Bildgebende Verfahren profitieren am stärksten. KI-gestützte Systeme erkennen Muster in Röntgenbildern, Hautaufnahmen und histologischen Schnitten – schneller und mit konstanter Qualität.

Behandlungsplanung: In der Onkologie helfen Algorithmen dabei, aus der Kombination von Tumorgenetik, Patientenhistorie und Studienlage individuelle Therapieempfehlungen abzuleiten.

Verwaltung: Auch abseits der direkten Patientenversorgung spart KI Zeit – bei der Terminplanung, der Kodierung von Diagnosen und der Abrechnung.

Max Ehret betont: Die Technologie ist da. Die Herausforderung liegt in der Integration in bestehende klinische Abläufe.

KI ist nur so gut wie die Daten, auf denen sie trainiert wird. Im Gesundheitswesen ist die Datenqualität eine besondere Herausforderung.

• Fragmentierung: Patientendaten verteilen sich auf Praxissoftware, Krankenhaussysteme, Labore und Versicherungen – ohne durchgängige Verknüpfung
• Unstrukturierte Daten: Arztbriefe, OP-Berichte und Befunde liegen häufig als Freitext vor und lassen sich nicht ohne Weiteres maschinell auswerten
• Bias: Wenn Trainingsdaten bestimmte Patientengruppen unter- oder überrepräsentieren, entstehen systematische Verzerrungen in den Ergebnissen

Der Aufbau hochwertiger, strukturierter Gesundheitsdaten ist eine Infrastrukturaufgabe, die über den Erfolg von KI im klinischen Alltag entscheidet. Ohne sie bleiben auch die besten Algorithmen wirkungslos.

KI-basierte Medizinprodukte unterliegen strengen regulatorischen Anforderungen. Die europäische Medizinprodukteverordnung (MDR) und der EU AI Act setzen den Rahmen.

Klassifizierung: KI-Systeme, die diagnostische oder therapeutische Empfehlungen geben, werden als Medizinprodukte eingestuft und müssen entsprechende Zertifizierungsprozesse durchlaufen.

Transparenz: Der AI Act fordert für Hochrisiko-Anwendungen – zu denen viele medizinische KI-Systeme zählen – Nachvollziehbarkeit der Entscheidungslogik, dokumentierte Trainingsdaten und kontinuierliches Monitoring.

Haftung: Die Frage, wer haftet, wenn eine KI-gestützte Diagnose falsch ist, ist rechtlich noch nicht abschließend geklärt. In der Praxis bleibt die Verantwortung beim behandelnden Arzt.

Für Hersteller und Anwender bedeutet das: KI im Gesundheitswesen erfordert von Anfang an eine enge Verzahnung von Produktentwicklung, klinischer Validierung und regulatorischer Strategie.

KI verändert nicht nur klinische Prozesse, sondern auch die Kommunikation zwischen Arzt und Patient.

Informierte Patienten: Patienten recherchieren Symptome und Diagnosen zunehmend selbst – oft mit KI-gestützten Tools. Ärzte müssen mit besser informierten, aber auch verunsicherten Patienten umgehen können.

Erklärbarkeit: Wenn ein Algorithmus eine Therapieempfehlung gibt, muss der Arzt diese dem Patienten verständlich erklären können. Black-Box-Modelle sind im klinischen Alltag nicht akzeptabel.

Vertrauen: Die Akzeptanz von KI in der Medizin hängt maßgeblich davon ab, ob Patienten Vertrauen in die Technologie entwickeln. Dieses Vertrauen entsteht nicht durch die Technologie selbst, sondern durch den Arzt, der sie einsetzt und einordnet.

Max Ehret sieht hier eine Chance: KI kann den Arzt von Routineaufgaben entlasten und ihm mehr Zeit für das eigentliche Gespräch mit dem Patienten geben.

Der Einsatz von KI im Gesundheitswesen wirft ethische Fragen auf, die über den technisch-regulatorischen Rahmen hinausgehen.

• Gleichbehandlung: Algorithmische Entscheidungen dürfen nicht dazu führen, dass bestimmte Patientengruppen systematisch benachteiligt werden
• Autonomie: Die Entscheidungshoheit über Diagnose und Therapie muss beim Menschen bleiben. KI ist ein Werkzeug, kein Entscheider
• Datensouveränität: Patienten müssen verstehen und mitbestimmen können, wie ihre Daten für KI-Anwendungen genutzt werden
• Ressourcenverteilung: Wenn KI-gestützte Diagnostik nur in spezialisierten Zentren verfügbar ist, verschärft sie bestehende Versorgungsungleichheiten

Diese Fragen lassen sich nicht allein technisch lösen. Sie erfordern einen gesellschaftlichen Diskurs, an dem Mediziner, Patienten, Ethiker und Technologieentwickler gleichermaßen beteiligt sind.

Die Einführung von KI im klinischen Alltag muss nicht mit einem Großprojekt beginnen. Pragmatische erste Schritte sind oft wirkungsvoller als ambitionierte Strategien.

Daten aufräumen: Bevor KI eingesetzt werden kann, muss die vorhandene Dateninfrastruktur stimmen. Strukturierte, standardisierte und verknüpfte Daten sind die Grundlage für jeden KI-Anwendungsfall.

Einen konkreten Use Case wählen: Nicht mit der Vision starten, sondern mit einem spezifischen, klar abgrenzbaren Problem – etwa der automatisierten Befundpriorisierung in der Radiologie.

Klinisch validieren: Jede KI-Anwendung muss in der klinischen Praxis zeigen, dass sie einen Mehrwert bringt. Pilotprojekte mit definierten Erfolgskriterien sind der richtige Ansatz.

Team mitnehmen: KI-Einführung ist Change Management. Ärzte, Pflegekräfte und Verwaltungsmitarbeiter müssen verstehen, was sich ändert und warum.

Der Weg zur KI-gestützten Medizin ist ein Marathon, kein Sprint. Aber die Richtung ist klar – und wer jetzt die Grundlagen legt, wird in fünf Jahren einen erheblichen Vorsprung haben.