KI in der Medizin: Technologie, Modelle, Evidenz – ein nüchterner Überblick

Medizinische KI ist Software, die aus Daten Muster lernt, Vorhersagen trifft, Bilder und Texte verarbeitet und Fachkräfte bei klinischen oder organisatorischen Aufgaben unterstützt. Das Spektrum reicht von klassischem Machine Learning bis zu tiefen neuronalen Netzen, großen Sprachmodellen und multimodalen Foundation Models.

Im Versorgungsalltag entfaltet KI ihre Wirkung in sechs Einsatzfeldern:

• Bildanalyse – Röntgen, CT, MRT, Mammografie, Ultraschall, digitale Pathologie.
• Zeitreihenanalyse – EKG, Vitaldaten, Intensivparameter, Wearables.
• Natural Language Processing – Arztbriefe, Entlassberichte, Literatur, Anamnese.
• Generative KI – Textentwürfe, strukturierte Dokumentation, Patientenkommunikation.
• Molekulare KI – Proteinstrukturen, Wirkstoffinteraktionen, Genetik.
• Entscheidungsunterstützung – Risikoprofile, Priorisierung, Fall-Triage.

Medizinische KI lebt von Daten. Das klingt banal, entscheidet aber über Erfolg oder Scheitern. Ein Modell lernt nur, was es sieht. Wenn Daten lückenhaft, einseitig, schlecht annotiert oder technisch unvergleichbar sind, steigt das Risiko falscher Ergebnisse.

Im Gesundheitswesen kommen mehrere Herausforderungen zusammen:

• Heterogene Datenquellen – Kliniken, Praxen und Labore nutzen unterschiedliche Systeme.
• Unvollständige Dokumentation – nicht alles medizinisch Relevante wird strukturiert erfasst.
• Bias – manche Bevölkerungsgruppen sind in Datensätzen unterrepräsentiert.
• Datenschutz – Gesundheitsdaten sind besonders sensibel.
• Distribution Shift – Modelle funktionieren in einer Klinik gut, in einer anderen schlechter.

Föderiertes Lernen

Eine elegante technische Antwort heißt Föderiertes Lernen. Patientendaten bleiben dabei in der jeweiligen Einrichtung, das Modell wird dezentral trainiert, nur Modellparameter wandern. So lernen mehrere Kliniken gemeinsam, ohne dass sensible Daten zentral zusammenkommen. Projekte wie MELLODDY oder die European 1+ Million Genomes Initiative zeigen, dass das funktioniert – und macht europäische KI-Forschung weltweit anschlussfähig.

Typische Einsatzfelder:

• Transkription von Arzt-Patient:innen-Gesprächen.
• Strukturierung von Anamnese und Befund.
• Entwurf von Arztbriefen.
• Vereinfachung medizinischer Sprache für Patient:innen.
• Zusammenfassung langer Krankengeschichten.
• Aufbereitung wissenschaftlicher Literatur für Fachfragen.

Der technologische Fortschritt ist groß – die Sensibilität auch. Sprachmodelle können Inhalte weglassen, falsch gewichten oder halluzinieren. Solche Systeme funktionieren als Assistenz, nicht als Autorität – mit menschlicher Prüfung, klarer Quellenbindung und gutem Datenschutz.

Patient:innen bestehen nicht aus einer Datenart. Eine gute ärztliche Entscheidung entsteht aus Gespräch, Bildgebung, Labor, Medikationsliste, Vorerkrankungen, Vitalwerten und oft auch sozialen Faktoren. Multimodale KI verarbeitet diese unterschiedlichen Datenquellen gemeinsam.

In der Onkologie ist das besonders relevant. Eine Therapieentscheidung hängt vom histologischen Befund, der Bildgebung, genetischen Markern, Laborwerten und dem allgemeinen Zustand ab. Multimodale Systeme können diese Informationen gleichzeitig analysieren – als wertvolle Vorbereitung für Tumorboards.

Technisch ist das anspruchsvoll. Daten liegen in unterschiedlichen Formaten vor. Bilder, Texte, Tabellen und Zeitreihen müssen sinnvoll verbunden werden. Außerdem muss klar bleiben, welche Information welchen Einfluss auf eine Empfehlung hatte. Eine Blackbox ist in der Medizin nicht akzeptabel – Erklärbarkeit ist Pflicht. Genau hier arbeiten Forschung und Industrie mit Hochdruck.

In der medizinischen Forschung ist KI tief angekommen. Besonders sichtbar wurde das durch AlphaFold. AlphaFold 3 beschreibt eine erweiterte, diffusionsbasierte Architektur, die gemeinsame Strukturen von Proteinen, Nukleinsäuren, kleinen Molekülen und weiteren Komponenten vorhersagen kann (Nature, 2024). Für die Strukturbiologie ist das ein Meilenstein, weil molekulare Wechselwirkungen jetzt schneller modelliert werden.

Für die Arzneimittelentwicklung bedeutet das nicht, dass neue Medikamente in Wochen entstehen. Klinische Studien, Sicherheit, Dosierung und Zulassung bleiben aufwendig. Aber die frühe Forschung kann zielgerichteter werden. KI identifiziert mögliche Targets, entwirft Moleküle, priorisiert Wirkstoffkandidaten oder prüft bekannte Medikamente für neue Indikationen.

Eine KI-Anwendung funktioniert nicht allein, weil ein Modell gut trainiert wurde. Sie braucht Infrastruktur: Schnittstellen, sichere Datenräume, Rechenkapazität, Monitoring, Zertifizierung, Updates und einen Plan für Ausfälle.

Wichtige Standards:

• DICOM für medizinische Bilddaten.
• HL7 und FHIR für klinische Daten und Schnittstellen.
• SNOMED CT und weitere Terminologien für einheitliche Begriffe.
• MLOps für Betrieb, Überwachung und Aktualisierung von Modellen.
• Cybersecurity by Design für sichere Systeme in vernetzten Einrichtungen.

Krankenhäuser sind komplexe technische Umgebungen. Ein neues KI-System muss mit bestehender Klinik-IT, Bildarchiven, Dokumentationssystemen und Datenschutzanforderungen zusammenspielen. Fehlen Schnittstellen, bleibt ein gutes Modell eine Insellösung. Fehlt Monitoring, kann die Leistung unbemerkt schlechter werden. Technologische Kompetenz im Gesundheitswesen ist deshalb mehr als Programmierung – sie ist Systemverständnis.

Medizinische KI ist stark reguliert, und das ist gut so. Die EU-Kommission beschreibt den AI Act als Regelwerk für verantwortliche KI-Entwicklung. Medizinische KI gilt häufig als Hochrisiko-Anwendung und unterliegt Anforderungen an Risikominderung, hochwertige Daten, klare Nutzerinformation und menschliche Aufsicht (EU-Kommission: AI in Healthcare).

Parallel gelten die bestehenden Regeln für Medizinprodukte – etwa die Medical Device Regulation (MDR). Ein KI-System in Diagnostik oder Therapie ist nicht nur ein Softwareprodukt; es ist Teil einer Versorgungskette mit nachweisbarer Sicherheit, Wirksamkeit und Verantwortlichkeit.

Die größten Risiken liegen nicht in falschen Ergebnissen allein, sondern in falscher Einordnung. Ein Modell kann in einem Datensatz brillant arbeiten und in einer anderen Umgebung schwächer. Ein System kann plausible Texte erzeugen und fachlich irren. Ein Algorithmus kann Gruppen systematisch benachteiligen, wenn die Trainingsdaten verzerrt waren.

Sechs Punkte gehören deshalb auf jede Prüfagenda:

• Bias und Fairness – funktioniert das System für alle Patient:innengruppen gleich gut?
• Robustheit – bleibt die Leistung stabil bei Daten aus anderen Einrichtungen?
• Erklärbarkeit – können Fachkräfte nachvollziehen, wie ein Ergebnis entsteht?
• Monitoring – wird die Modellleistung nach Einführung beobachtet?
• Cybersecurity – ist das System gegen Manipulation und Ausfälle geschützt?
• Human Oversight – gibt es klare menschliche Verantwortung?

Technologie verändert die Versorgung nicht allein. Menschen müssen sie verstehen, bewerten und in Prozesse integrieren. Für Studierende und Berufstätige entstehen daraus neue Kompetenzfelder:

• Datenkompetenz – wie entstehen medizinische Daten, und wie aussagekräftig sind sie?
• KI-Verständnis – was leisten Modelle, und wo liegen ihre Grenzen?
• Regulatorisches Wissen – welche Anforderungen gelten für Medizinprodukte und Hochrisiko-KI?
• Prozessdenken – wie wird aus einem Modell ein funktionierender Versorgungspfad?
• Kommunikation – wie erklärt man KI-Ergebnisse verständlich und korrekt?
• Ethik – wie schützt man Patient:innen, Daten und Vertrauen?

Diese Profile sind besonders wertvoll, weil sie Brücken bauen. Die Medizin braucht Menschen, die Technik verstehen, ohne die Versorgung aus dem Blick zu verlieren. Die Technologie braucht Menschen, die klinische Realität kennen, ohne Innovation vorschnell abzulehnen. Genau hier entstehen die neuen Rollen im Gesundheitswesen.

Wir bei der SRH Fernhochschule bauen diese Brücken in unseren berufsbegleitenden Studiengängen Gesundheits- und Sozialmanagement, Pflegemanagement, Psychologie und Digital Health gezielt aus. Unsere Studierenden bringen Praxis aus Kliniken, Krankenkassen, Beratungen und Start-ups ein. Wir verbinden diese Praxis mit fundiertem Fachwissen, regulatorischem Verständnis und einem Lernformat, das in Ihren Berufsalltag passt.

Ein KI-System sollte nicht gekauft werden, nur weil es modern klingt. Entscheider:innen in Klinik, Praxis oder Gesundheitsmanagement brauchen eine klare Prüflogik.

Acht Fragen helfen:

1. Welches Problem löst die Anwendung konkret?
2. Welche Evidenz gibt es im realen Versorgungsumfeld?
3. Für welche Patient:innengruppen wurde das System geprüft?
4. Wie wird das Ergebnis in den Workflow eingebettet?
5. Wer trägt medizinische Verantwortung?
6. Wie werden Datenschutz und IT-Sicherheit gesichert?
7. Wie wird die Leistung nach Einführung überwacht?
8. Was passiert bei Fehlern, Ausfällen oder widersprüchlichen Ergebnissen?

Diese Fragen sind keine Innovationsbremse. Sie schützen davor, gute Technik schlecht einzusetzen. Medizinische KI braucht nicht mehr Begeisterung, sondern bessere Implementierung.

Technologisch lässt sich KI schnell mit Kennzahlen beschreiben. Sensitivität, Spezifität, AUC, F1-Score oder Kalibrierung zeigen, wie gut ein Modell in einer definierten Testumgebung arbeitet. Für die Medizin reicht das aber nicht aus. Ein gutes Modell ist noch keine gute Versorgung.

Der Unterschied ist praktisch. Ein System kann hohe Genauigkeit erreichen und im Klinikalltag zu viele falsche Alarme auslösen – Akzeptanz sinkt. Ein anderes ist technisch weniger spektakulär, spart aber an der richtigen Stelle Zeit – realer Nutzen entsteht.

Sechs Bewertungsebenen sollten zusammenkommen:

• Technische Validität – stimmt die Modellleistung auf unabhängigen Daten?
• Klinische Nützlichkeit – verbessert das System Diagnose, Therapie oder Sicherheit?
• Workflow-Wirkung – spart es Zeit oder erzeugt es neue Arbeit?
• Fairness – funktioniert es für unterschiedliche Patient:innengruppen zuverlässig?
• Wirtschaftlichkeit – rechtfertigt der Nutzen die Kosten?
• Langzeitstabilität – bleibt die Leistung nach Updates und veränderten Daten stabil?

Diese Ebenen erklären, warum viele Pilotprojekte nicht automatisch Routineversorgung werden. Der Sprung vom Paper zum Produkt ist groß. Der Sprung vom Produkt zur akzeptierten Versorgung noch größer. Genau dort braucht es Fachkräfte, die Evaluation verstehen und technische Ergebnisse in Versorgungssprache übersetzen können.

Viele KI-Projekte scheitern nicht am Algorithmus, sondern an Schnittstellen. Eine Klinik kann ein starkes Modell besitzen und trotzdem wenig Nutzen sehen, wenn Daten nicht in passender Form verfügbar sind. Radiologie-Tools müssen ins Bildarchiv passen. Dokumentationsassistenten ins Krankenhausinformationssystem. Frühwarnsysteme brauchen Laborwerte, Vitaldaten und Zeitstempel in hoher Qualität.

Interoperabilität ist deshalb keine technische Nebensache. Sie entscheidet, ob medizinische KI skalieren kann. Ohne gemeinsame Datenmodelle bauen Einrichtungen immer wieder Sonderlösungen – das kostet Zeit, Geld und Vertrauen. Mit besseren Standards werden Anwendungen schneller geprüft, eingeführt und überwacht.