Den Einsatzmöglichkeiten von Künstlicher Intelligenz (KI) im Gesundheitswesen sind kaum Grenzen gesetzt. Ein gutes Beispiel sind seltene Krankheiten, auch Orphan Diseases genannt. Unter den bis zu 8 000 als selten klassifizierten Krankheiten – jährlich werden etwa 250 neu entdeckt – reicht das Spektrum vom Aarskog-Scott-Syndrom über Osteochondritis bis zur zerebrotendinösen Xanthomatose. Von vielen dieser Krankheitsbilder haben die meisten Ärztinnen und Ärzte wenig oder gar nichts gehört, was die Diagnose erschwert. Eine Erkrankung gilt als selten, wenn sie statistisch gesehen höchstens fünf von 10 000 Menschen betrifft. Das klingt zunächst wenig, täuscht aber über das wahre Ausmaß hinweg. Denn so gering die Zahl der Betroffenen im Einzelfall auch sein mag, die Gesamtzahl ist es keineswegs: Schätzungen zufolge leben allein in Deutschland rund vier Millionen Kinder und Erwachsene mit einer seltenen Erkrankung, in der EU sind es etwa 30 Millionen. Rechnet man sogar alle Betroffenen weltweit zusammen, steigt die Zahl auf 350 Millionen.
Nicht nur die Diagnose ist schwierig, angesichts der Vielzahl unterschiedlicher Krankheiten fehlt es auch an entsprechend wirksamen Therapien. Künstliche Intelligenz könnte hier zum Game Changer werden. Vor allem bei Patient:innen mit unspezifischen Beschwerden wird die Diagnostik in Zukunft erheblich von modernen Analyseverfahren profitieren. Mithilfe von Techniken des maschinellen Lernens lassen sich Röntgenbilder, Laborwerte, klinische Befunde und sogar genetische Profile automatisiert auswerten. Deep-Learning-Algorithmen erkennen selbst feine Muster, die dem menschlichen Auge entgehen, und können so die Suche nach seltenen oder komplexen Krankheitsbildern deutlich beschleunigen.
Solche KI-gestützten Verfahren liefern nicht nur schneller erste Verdachtsdiagnosen, sondern unterstützen Ärztinnen und Ärzte auch dabei, personalisierte Therapieempfehlungen zu erstellen – etwa indem sie Risikofaktoren aus klinischen Datenbanken einbeziehen oder vermutete Genvarianten in den Krankheitsverlauf einordnen. So wird die Integration von Künstlicher Intelligenz in den medizinischen Alltag langfristig dazu beitragen, Fehldiagnosen zu reduzieren und individuelle Behandlungsstrategien zu optimieren.
Weniger ist mehr? Auf KI trifft das nicht zu
Im Krankenhausalltag schließlich kann KI viele logistische Abläufe optimieren – etwa wenn es darum geht, die Belegung von Zimmern und Betten zu planen, Patiententransporte zu Untersuchungen zu organisieren oder die Reinigung von Zimmern anzustoßen. Auch den Verbrauch von Medikamenten und medizinischem Verbrauchsmaterial wie Spritzen, Verbandsmaterial und Einmalhandschuhen kann die Technologie prognostizieren und rechtzeitig Nachbestellungen veranlassen. Dabei kann die KI sogar Erfahrungen über die Zuverlässigkeit von Lieferanten oder saisonale Effekte wie Grippewellen in die Planung einbeziehen.
Alle Anwendungsszenarien haben eines gemeinsam: Sie sind auf große Datenmengen angewiesen. Diese sind im Gesundheitswesen zwar in der Regel vorhanden – angefangen bei Arztnotizen über Vitaldaten bis hin zu Laborergebnissen und medizinischen Bildern – ihre Nutzung und Verarbeitung wird aber durch gleich mehrere Faktoren erschwert. Da ist zum einen die historisch gewachsene IT-Infrastruktur. Unterschiedliche Abteilungen nutzen oft eigene Lösungen, die nicht immer nahtlos miteinander kommunizieren können. Diese fragmentierte Systemlandschaft erschwert nicht nur den reibungslosen Datenaustausch, sondern führt auch zu redundanten Informationen und Inkonsistenzen.
Gleichzeitig sorgt die Vielfalt der Datenquellen zwangsläufig für Chaos. Während strukturierte Daten aus der elektronischen Patientenakte relativ einfach in ein standardisiertes Format überführt werden können, stellt die Integration unstrukturierter Daten wie Freitextnotizen oder Bilddaten eine besondere Herausforderung dar. Zudem können Informationen in verschiedenen Sprachen oder mit unterschiedlichen Einheiten, beispielsweise beim Datumsformat, vorliegen.
Das Nonplusultra: eine gute Datenaufbereitung
Um die erforderliche Datenqualität für KI-Prozesse zu gewährleisten, ist ein umfassender Prozess der Datenaufbereitung und -bereinigung unerlässlich. Die sogenannte Data Preparation umfasst das Zusammenführen, Bereinigen, Normalisieren, Transformieren und Mischen von Informationen, damit diese in optimaler Qualität für analytische Aufgaben zur Verfügung stehen. Bereits kleine Redundanzen und Lücken in den Datensätzen können zu großen Problemen führen. Krankenhäuser kommen daher nicht umhin, ihre Datenbestände regelmäßig zu bereinigen: Dubletten, Ausreißer und Fehlinformationen, die sich negativ auf Entscheidungsprozesse auswirken können, müssen entfernt werden. Gleichzeitig müssen Datenquellen aus den unterschiedlichsten Bereichen zu einem einheitlichen Echtzeitdatensatz zusammengeführt werden. Erst dann kann die KI die bestmöglichen Handlungsempfehlungen ableiten.
Der Mehrwert einer guten Data-Preparation-Lösung kommt aber nicht nur den KI-gestützten Entscheidungsprozessen zugute, sondern deckt auch Aspekte wie Data Governance und Compliance ab. Der Schutz sensibler Daten und Informationen ist ein wichtiger Aspekt bei Künstlicher Intelligenz. Um Verstöße gegen die DSGVO, die NIS-2-Richtlinie oder eine der zahlreichen anderen Vorschriften zu vermeiden, müssen Patientendaten ebenso wie sensible Krankenhausinterna so früh wie möglich identifiziert, aussortiert, pseudonymisiert oder zugriffsgeschützt werden.
Ohne die richtige Infrastruktur scheitert die KI-Reise
Die Analyse und Klassifikation der Daten erfordert ebenso wie die Trainings- und Entwicklungsphase der KI wiederum eine leistungsfähige IT-Infrastruktur. Wichtig ist eine ausreichend dimensionierte Rechenleistung. GPU-Beschleuniger helfen, die Anlernzeit von Modellen zu verkürzen. Für die Speicherung stehen wiederum verschiedene Architekturansätze zur Verfügung – vom klassischen Data Warehouse über Data Lake bis hin zu Data Mesh. Ein Data Warehouse speichert Informationen in strukturierter Form und stellt quasi ein zentrales Repository für vorverarbeitete Daten dar. Im Vergleich dazu ist ein Data Lake die deutlich flexiblere Alternative, wenn es um die Verknüpfung unterschiedlichster Quellen geht. Im Data Lake können digitale Informationen unabhängig von Quelle, Relevanz und aktuellem Bedarf gespeichert werden. Sie werden im Originalzustand abgelegt und erst dann in ein nutzbares Format überführt, wenn sie tatsächlich für eine Analyse gebraucht werden. Data Mesh geht noch einen Schritt weiter – nicht nur technisch, sondern auch organisatorisch. Dieser Ansatz setzt auf Dezentralisierung: Fachabteilungen übernehmen selbst die Verantwortung für die Qualität, Pflege und Bereitstellung sogenannter Datenprodukte. Das Ziel: Die Datenkompetenz wird dort gestärkt, wo das Domänenwissen sitzt. Welches Modell am besten geeignet ist, hängt stark vom Reifegrad der Datenstrategie, den vorhandenen Ressourcen und dem angestrebten Nutzungsszenario ab. In vielen Fällen empfiehlt sich eine Kombination der Ansätze.
Der wahrscheinlich einfachste Weg zur Umsetzung eines KI-Projekts ist jedoch die Verwendung einer Komplettlösung – beispielsweise in Form von validierten Designs. Diese vereinen ein Software-Paket für den gesamten KI-Lebenszyklus mit Frameworks und vortrainierten KI-Modellen sowie Serverhardware inklusive Beschleuniger und Speicher in einem Produkt. Ein wichtiger Bestandteil eines solchen validierten Designs ist eine Query-SQL-Engine, mit der die riesigen Datenmengen aus Data Warehouses, Data Lakes oder Data Meshes in kürzester Zeit verarbeitet und analysiert werden können. Dank der sogenannten MPP-Architektur (Massively Parallel Processing) werden Prozesse von mehreren Einheiten parallel ausgeführt. Das heißt, dass sich massive Datenmengen problemlos verarbeiten und Analysen wesentlich schneller durchführen lassen. Auch das sonst notwendige Kopieren und Verschieben von Daten entfällt. Verschiedenste Datenquellen werden einfach über Konnektoren angebunden. Dadurch sind Big-Data-Analysen ohne Cubes, Extracts oder Aggregationstabellen problemlos möglich, und aufwendige ETL-Prozesse (Extract, Transform, Load) gehören der Vergangenheit an. In diesen getesteten Designs sind darüber hinaus Sicherheits- und Datenschutzfunktionen in allen Basiskomponenten nativ integriert.
Die weichen Faktoren nicht vergessen
Grundsätzlich sollte nicht vergessen werden: Technologie ist nur ein Teil der Gleichung. Ein häufiger Stolperstein bei der KI-Einführung im Gesundheitswesen ist der überambitionierte Einstieg. In der Euphorie über mögliche Automatisierungsgewinne neigen viele dazu, sich direkt an hochkomplexe Anwendungsfälle zu wagen. Doch solche Großprojekte erweisen sich oft als schwer steuerbar: Sie benötigen viel Zeit, verschlingen erhebliche Ressourcen – und führen nicht selten zu Frustration, wenn greifbare Ergebnisse ausbleiben. Stattdessen empfiehlt sich ein schrittweises Vorgehen: Kleine, klar umrissene Pilotprojekte eignen sich ideal, um erste Erfahrungen mit KI-Anwendungen zu sammeln. Sie ermöglichen schnelle Erfolgserlebnisse, fördern Akzeptanz im Team und liefern wertvolle Erkenntnisse für die Skalierung. So entsteht ein Lernprozess mit kontinuierlichem Mehrwert.
Der erfolgreiche Einsatz von KI im Gesundheitswesen erfordert zudem weit mehr als nur leistungsfähige Algorithmen. Er setzt strukturelle und kulturelle Veränderungen voraus. Dazu gehören die Etablierung von Data-Governance-Strukturen, klare Verantwortlichkeiten und regelmäßige Schulungen der Mitarbeiter:innen. Ohne die richtige Strategie ist die Integration von Künstlicher Intelligenz im Gesundheitswesen jedenfalls undenkbar – andernfalls droht die viel beschworene Innovation selbst zum kränkelnden Patienten zu werden.