KI im Gesundheitswesen: Auf dem Weg zur klinischen Anwendung

Medizinische KI ist im Jahr 2026 über einfache Demonstrationen wie Bildsegmentierung oder Diagnoseextraktion hinausgegangen. Der tatsächliche klinische Einsatz erfordert die Verarbeitung verschiedener Datentypen – tabellarische Daten, elektronische Gesundheitsakten, medizinische Bilder und sequenzielle Entscheidungen – jeweils mit besonderen Herausforderungen. Die Datenbereinigung ist entscheidend: Fehlende Werte, inkonsistente Kodierungen und Artefakte müssen mit klinischem Verständnis behandelt werden und nicht mit automatisierten statistischen Verfahren. Große Sprachmodelle (Large Language Models, LLMs) werden am besten als digitale Assistenten eingesetzt, die Entwürfe erstellen und Texte strukturieren, aber sie können Halluzinationen erzeugen oder Fakten erfinden. Die retrieval-gestützte Generierung (Retrieval-Augmented Generation, RAG) verankert LLMs in lokalen Wissensbasen, wodurch Fehler reduziert, aber nicht beseitigt werden. Regulierungsbehörden wie die Food and Drug Administration (FDA) und die Weltgesundheitsorganisation (WHO) beaufsichtigen KI-gestützte Medizinprodukte, und der EU AI Act stuft viele medizinische KI-Systeme als Hochrisiko ein. Die endgültige Entscheidung liegt immer beim klinischen Team, was es zu einem "klinisches Team im Loop" und nicht nur zu einem "Arzt im Loop" macht.