KI für die Gesundheitsdiagnostik

KI-Diagnosesysteme wenden Machine Learning auf klinische Patientendaten an – Symptome, Anamnese, Laborergebnisse, Vitalzeichen, Bildgebungsbefunde und genomische Daten –, um Differenzialdiagnosen zu generieren, diagnostische Abklärungen zu empfehlen und evidenzbasierte Unterstützung für Kliniker:innen bereitzustellen. Zu den Anwendungen zählen Sepsis-Frühwarnscores, Verschlechterungsvorhersage im stationären Umfeld, Unterstützung bei der Diagnose seltener Krankheiten und Triage-Algorithmen für die Notaufnahme. Diese Systeme sind als klinische Entscheidungsunterstützungswerkzeuge konzipiert, aber das Ausmaß, in dem sie die Diagnose in der Praxis beeinflussen – unter Zeitdruck oder wenn klinische Expertise begrenzt ist –, macht sie folgenreich für die Patientenergebnisse.

Diagnostische KI-Architekturen variieren je nach Anwendung: Verschlechterungsmodelle nutzen Gradient Boosting oder LSTM auf Zeitreihen-Vitaldaten; Differenzialdiagnose-Tools kombinieren strukturierte Merkmalsextraktion mit LLM-basiertem klinischem Reasoning; Tools für seltene Krankheiten nutzen embedding-basierte Ähnlichkeitssuche über HPO-, OMIM- und Orphanet-Ontologien. Die Unsicherheitsquantifizierung ist essenziell für die klinische Sicherheit – Punktvorhersagen ohne Konfidenzschätzungen sind für die diagnostische Unterstützung unzureichend.

• Frühwarnung und Verschlechterungsscoring: Modelle zur kontinuierlichen Überwachung analysieren streamende Vitalzeichen, Laborergebnisse, pflegerische Assessments und Medikationsverabreichungsaufzeichnungen, um kontinuierlich aktualisierte Risikoscores für Sepsis, akutes Nierenversagen, Atemversagen und kardiale Verschlechterung zu erzeugen – und lösen Alerts mit empfohlenen Bewertungsschritten aus.
• Generierung von Differenzialdiagnosen: LLM-basiertes Reasoning über strukturierte und unstrukturierte klinische Daten generiert gerankte Differenzialdiagnosen mit belegenden Nachweisen für jeden Kandidaten, kennzeichnet diagnostische Kriterien für häufig übersehene Erkrankungen und empfiehlt Untersuchungspfade, die auf das lokale Arzneimittelverzeichnis und die klinischen Leitlinien abgestimmt sind.
• Phänotyp-Matching für seltene Krankheiten: Embedding-basiertes Matching von Symptomkonstellationen von Patient:innen gegen Ontologien seltener Krankheiten (HPO, OMIM, Orphanet) zeigt Kandidatendiagnosen seltener Krankheiten aus phänotypischen Mustern auf, die kein einzelner Kliniker wahrscheinlich erkennt – und verkürzt die diagnostische Odyssee für Patient:innen mit seltenen Krankheiten.
• Unsicherheitsquantifizierung und Kalibrierung: Probabilistische Ausgabe-Frameworks kommunizieren die Modellkonfidenz neben den Empfehlungen und ermöglichen es Kliniker:innen, hochkonfidente KI-Unterstützung von gekennzeichneten Möglichkeiten zur Berücksichtigung zu unterscheiden – entscheidend für die Zuverlässigkeit im klinischen Umfeld.
• Management der Alarmmüdigkeit: Schweregradgewichtete Alert-Priorisierung, Unterdrückungs-Workflows für anerkannte und gesteuerte Risiken sowie die Optimierung des positiven prädiktiven Werts erhalten die klinische Reaktionsfähigkeit, indem sie weniger, qualitativ hochwertigere Alerts aufzeigen, statt die Sensitivität auf Kosten der Spezifität zu maximieren.

KI für die Gesundheitsdiagnostik kann ROI durch frühere Erkennung, reduzierte Diagnosefehler und angemessene Ressourcennutzung liefern. Zu den messbaren Vorteilen zählen Verbesserungen der Patientenergebnisse – eine frühere Sepsiserkennung reduziert unmittelbar die Mortalität und die Verweildauer auf der Intensivstation – neben Systemkostenreduktionen durch vermiedene Spätphaseninterventionen und unangemessene Untersuchungspfade. Für Anwendungen bei seltenen Krankheiten liefert die Verkürzung der durchschnittlichen diagnostischen Odyssee von Jahren auf Monate einen Patienten- und Systemwert, der bedeutend, aber in Standard-ROI-Rahmenwerken schwer zu erfassen ist.

Nach der EU-KI-Verordnung könnte KI für die Gesundheitsdiagnostik als hochriskant eingestuft werden, wenn sie in den Anwendungsbereich der Medizinprodukteverordnung fällt (siehe Anhang I in der KI-Verordnung). Klinische Entscheidungsunterstützungswerkzeuge für die Diagnostik, die klinische Entscheidungen direkt beeinflussen, könnten als Medizinprodukte der Klasse IIa unter EU-MDR 2017/745 qualifizieren, was eine Konformitätsbewertung durch eine benannte Stelle und eine CE-Kennzeichnung erfordert. Beide regulatorischen Rahmenwerke können gleichzeitig gelten – Organisationen müssen eine integrierte regulatorische Strategie entwickeln, die beide adressiert. Die frühe Einbindung einer benannten Stelle im Beschaffungsprozess zur Bewertung der MDR-Einstufung wird vor jedem klinischen Einsatz empfohlen.

• Klinische Post-Market-Nachbeobachtung (PMCF): Die EU-MDR verlangt eine laufende PMCF, um die anhaltende Sicherheit und Leistung im eingesetzten klinischen Kontext zu bestätigen. KI-Diagnosewerkzeuge müssen PMCF-Pläne haben, die dokumentieren, wie die Leistung gegen klinische Ergebnisse überwacht wird – nicht nur gegen die Übereinstimmung mit Radiolog:innen oder Kliniker:innen – als Einsatzvoraussetzung.
• Klinische Verantwortlichkeit und Haftung: Die Rahmenwerke der EU-KI-Verordnung und der MDR ändern nichts an der rechtlichen Sorgfaltspflicht der behandelnden Kliniker:innen. Gesundheitssysteme müssen Kliniker:innen schulen, dass KI-Diagnoseunterstützung ihre Sorgfaltspflicht nicht reduziert, und dies in klinischen Governance-Rahmenwerken dokumentieren, um das medizinrechtliche Risiko aus KI-gestützten Diagnosefehlern zu steuern.
• EU-KI-Verordnung Art. 4 – KI-Kompetenz für klinische Teams: Kliniker:innen, die Diagnostik-KI nutzen, müssen zu den Systemgrenzen, der Leistungsvariation über Patientenuntergruppen hinweg, der Unsicherheitsquantifizierung und der Bedeutung eigenständigen klinischen Reasonings geschult werden – insbesondere in zeit- oder ressourcenbeschränkten Umgebungen, in denen das Risiko einer Automatisierungsverzerrung am höchsten ist.

Eine vollständige Analyse der Konformität mit der EU-KI-Verordnung hängt vom Unternehmenstyp/der Rolle der Organisation, von möglichen Systemänderungen und einer Hochrisiko-Kategorisierung ab.