Medizin
KI kein Ersatz für Ärztinnen und Ärzte

Im Gesundheitssystem werden große Hoffnungen auf KI bezüglich Versorgungsqualität, Effizienz und Transparenz gesetzt. Wie verändert das die Medizin?

Unser Gesundheitssystem ist strukturell wie inhaltlich unter Druck: Fachkräftemangel, steigende Ausgaben, demografischer Wandel und wachsende Dokumentations- und Qualitätsanforderungen sind nur einige der Herausforderungen. Gleichzeitig werden im Versorgungsalltag digitale Daten in nie dagewesener Menge produziert: Bildgebung, Laboruntersuchungen, Omics-Analysen, Medikations- und Verlaufsdaten aus elektronischen Patientenakten sowie Daten aus Apps, Wearables und Home-Monitoring zur digitalen Behandlungsunterstützung. Um diesen Herausforderungen zu begegnen, wird KI verstärkt eingesetzt (siehe Infobox, auch Eskofier & Klucken, 2023). 

KI verspricht, Daten so zu verarbeiten, dass Diagnostik, Therapie und Organisation unterstützt und Versorgungsqualität, Effizienz und Transparenz verbessert werden. Dieser Artikel widmet sich einigen der dabei entstehenden Fragen: Wie lässt sich die medizinische Versorgung durch KI konkret verbessern? Wie wird KI die Art und Weise verändern, wie Patientinnen und Patienten mit dem Gesundheitssystem interagieren? Welche Herausforderungen, auch technischer Art, bestehen dabei?

Interaktionsqualität: 

KI-gestützte Systeme wirken häufi g empathisch, ohne ungeduldig zu werden. Sie können für viele Patientinnen und Patienten zur primären Schnittstelle ins Gesundheitssystem werden, was die Verantwortungs- und Kompetenzverteilung ändert. Zugleich entstehen neue Möglichkeiten organisatorischer Unterstützung für medizinische Fachkräfte.

Entwicklungsgeschwindigkeit: 

KI-Systeme entwickeln sich schneller weiter als bisherige Gesundheitstechnologien, auch nach ihrer Zulassung. Das erfordert neue, kontinuierliche Evidenzverfahren zur Risikonutzenbewertung. Klassische Bewertungsverfahren sind auf stabile Technologien ausgelegt; lernende Systeme verlangen neue Ansätze und Post-Market-Surveillance, die in Leitlinien und Versorgungsstrukturen verankert werden müssen.

Zukünftige Anwendungsbereiche 

Aktuelle KI-Anwendungen in der Medizin sind meist in punktuelle diagnostische Verfahren integriert oder unterstützen die medizinische Dokumentation. Zukünftig erwarten wir auch deutliche Veränderungen ganzer Versorgungsprozesse. KI verändert dabei Rollen und Kommunikation im Gesundheitssystem durch die Unterstützung von medizinischen Entscheidungen und Abläufen sowie durch die stärkere Einbindung der Patienten. Zu diskutieren ist, wie Verantwortung in solchen hybriden Entscheidungsprozessen verteilt wird, insbesondere zwischen KI-Systemen, verschiedenen Behandelnden und den Patientinnen und Patienten selbst. 

Clinical Decision Support: 

KI kann Prävention, Diagnosefindung/-di—erenzierung, Triage, Therapiewahl und Therapieüberwachung unterstützen. Ihre Stärke liegt in der Integration heterogener medizinischer Daten wie Bildgebung, Labor, Verlaufsdaten oder Genetik sowie patientengenerierter Daten (patient-generated health data, PGHD) wie subjektive Krankheits- und Versorgungsbewertungen (patient-reported outcome measures, PROMs; patient-reported experience measures, PREMs) sowie objektive Verläufe aus Apps und Wearables. Gleichzeitig bleiben zentrale Fragen: Wie robust sind die Empfehlungen? Wie werden sie in den Versorgungskontext übersetzt? Die Rolle von Ärztin oder Therapeut verschiebt sich dabei hin zum kompetenten Einordnen und Erklären – "mit KI" statt "durch KI". 

Care Management Support: 

Ein erhebliches Potential liegt im Versorgungsmanagement: Dokumentation, Koordination, sektorenübergreifende Versorgung sowie Planung, Terminierung und Monitoring. In stark strukturierten, wiederkehrenden Aufgaben kann KI entlasten, etwa durch Unterstützung bei Anamnesen, Arztbriefen, Kodierung oder Termin- und Ressourcenkoordination. Bei chronischen Erkrankungen gewinnen hybride Modelle an Bedeutung: digitale, KI-unterstützte Begleitung zwischen Arztkontakten, kontinuierliche Verlaufserfassung und frühzeitige Erkennung relevanter Änderungen. Das Ziel ist nicht "mehr Technik", sondern die Reallokation knapper Zeit zugunsten der direkten, menschlichen Interaktion. 

Patient Empowerment: 

Patientinnen und Patienten kommen zunehmend mit KI-generiertem Wissen und mit Therapieempfehlungen in die Praxis. Oft werden "Shadow AI"-Systeme genutzt, die nicht medizinisch validiert sind. KI kann Patienten stärken ("Patient Empowerment"): durch bessere Vorbereitung, Gesundheitskompetenz, Beteiligung und Autonomie (Fomo et al., 2025). Gleichzeitig darf man den "Digital Divide" nicht ignorieren: Menschen mit geringer Gesundheitskompetenz können abgehängt werden, wenn Systeme nicht barrierearm gestaltet sind. Zudem entstehen neue Risiken: Fehlinformation, Überzeugungskraft ohne Evidenz, selektive oder übersehene Informationen sowie ein qualitativ veränderter Beratungsaufwand. Ärztliche Kommunikation wird dadurch wichtiger und verändert sich: Einordnung, Priorisierung und gemeinsame Entscheidungsfindung gewinnen an Bedeutung. Entscheidend ist, patientenzentrierten Nutzen belastbar nachzuweisen. Digitale Gesundheitsanwendungen (DiGA) haben dafür innovative Messwerte ("positive Versorgungse—ffekte") etabliert. Evidenzmethoden für KI-gestützte Anwendungen müssen weiterentwickelt werden.

Voraussetzung Gesundheitsdaten 

Die beschriebenen Anwendungen setzen die Nutzbarkeit von Gesundheitsdaten auf Basis einer entsprechenden Dateninfrastruktur voraus. Elektronische Patientenakten wurden primär als Dokumentationssysteme konzipiert. Für KI müssen sie zu lernfähigen Informationssystemen werden: strukturiert, interoperabel, sicher und für Forschung wie Versorgung nutzbar. Neben Studiendaten werden Echtwelt- und Echtzeitdaten zentral: Routinedaten aus der Versorgung, longitudinale Verläufe, Telemonitoring und PGHD. Diese Daten sind oft heterogen und wenig strukturiert, aber besonders relevant, weil sie die reale Versorgung abbilden.

Der Europäische Gesundheitsdatenraum (EHDS) kann hierfür eine Grundlage schaffen, und zwar durch kontrollierte Datennutzung, klare Zugriffsregeln, Interoperabilität und die Möglichkeit der Sekundärnutzung der Daten für Forschung und Innovation. Der EHDS definiert die Struktur eines dynamischen Berichts ("patient summary") und legt fest, wie Patientendaten entlang des Krankheitsverlaufs für medizinische Entscheidungen dargestellt werden. Damit entsteht zugleich eine neue Verantwortung: Daten müssen vertrauenswürdig, nutzbar und nutzbringend verwendet werden. Dazu braucht es eine verantwortungsvolle Verwaltung der Daten über ihren gesamten Lebenszyklus ("Data Stewardship") mit klaren Zuständigkeiten und transparenten Kriterien, die festlegen, wann Daten für Versorgung, Forschung und Innovation genutzt werden dürfen. Es braucht nutzbare Trainings- und Validierungsdatensätze aus dem Versorgungsalltag („real-world data“), transparente Qualitätskriterien zur Bewertung von Nutzen und Risiken der Anwendung sowie eine unabhängige und Evidenz-generierende Post-Market-Surveillance im Versorgungsalltag.

Die verbesserte Datenverfügbarkeit durch elektronische Patientenakten und den EHDS schafft zugleich die Voraussetzung für kontinuierliche Qualitätsbewertungen KI-gestützter Anwendungen im Versorgungskontext. Solche Ansätze, etwa im Sinne kontrollierter Entwicklungs- und Evaluationsumgebungen ("Sandboxes"), werden zunehmend auch regulatorisch gefordert und finden sich sowohl im Europäischen AI Act als auch in den neuen europäischen Regelungen zum Health Technology Assessment (HTAR) und der Medical Device Regulation (MDR) wieder. Hier treffen Innovationsdynamik und neue regulatorische Rahmenbedingungen unmittelbar aufeinander. Die Ausgestaltung dieses Zusammenspiels wird entscheidend dafür sein, ob die digitale Transformation des Gesundheitssystems gelingt.

Die größten Hürden liegen dabei weniger in der Modellarchitektur als in der praktischen Implementierung. Dazu zählen Datenqualität, Interoperabilität, Integration in klinische Workflows sowie Anforderungen an Robustheit, Nachvollziehbarkeit und Verantwortungsketten. Für die Versorgungspraxis ist zudem entscheidend, dass der Nutzen nicht nur als (technische) Nutzbarkeit nachgewiesen wird, sondern auch als individuell (medizinisch) nützlich und als gesellschaftlich (gesundheitsökonomisch) nutzbringend bewertet wird (und damit über geeignete Bewertungs- und Erstattungspfade abgebildet werden kann).

Auch die Regulatorik selbst ist durch die genannten Rahmenbedingungen weiter gefordert: Die existierenden nationalen und europäischen Regelwerke sind für Patientensicherheit und Vertrauen essentiell, können aber Innovation bremsen, wenn sie nicht praxistauglich umgesetzt werden. Dazu gehört auch ein Abbau regulatorischer Bürokratie. Lernende KI-Systeme stellen klassische Zulassungslogiken vor neue Fragen: Wie bewertet man kontinuierlich lernende Systeme? Wie organisiert man Evidenz aus dem Versorgungsalltag, wenn Systeme sich weiterentwickeln? Wie adressiert man Haftungs- und Versicherbarkeitsfragen, wenn KI zwar Fehler reduziert, aber nicht vollständig eliminiert? Hier braucht es regulatorische Innovation: Verfahren, die Sicherheit garantieren und zugleich adaptive Systeme in kontrolliertem Rahmen ermöglichen, etwa abgestufte Zulassung, kontinuierliche Überwachung oder Reallabore.

KI-Forschung in der medizinischen Versorgung

Translation gelingt nur, wenn KI gemeinsam mit und nah an klinischer Versorgungsrealität entwickelt und geprüft wird. Deshalb entstehen neue Institute für KI in der Medizin an deutschen Universitätsklinika, eingebettet in Netzwerke wie die Medizininformatik-Initiative, das Netzwerk Universitätsmedizin und die Nationale Forschungsdateninfrastruktur, die innerhalb koordinierter Versorgungsstrukturen forschen und entwickeln. Dies bringt methodische KI-Forschung, klinische Expertise und medizinische IT-Infrastruktur zusammen. Dadurch werden die Voraussetzungen dafür geschaffen, dass KI-basierte Innovation nicht in Pilotprojekten stecken bleibt, sondern im Versorgungsalltag implementiert und validiert werden kann.

Ein zentraler Auftrag dieser Institute und Netzwerke ist auch die Ausbildung: In der Medizin der nächsten Generation wird KI selbstverständlich sein. Der AI Act fordert KI-Kompetenz bei Nutzenden, auch in Kliniken und Praxen. Medizinische KI-Kompetenz bedeutet nicht, Modelle zu programmieren, sondern Stärken, Grenzen, Bias, Validierung und regulatorische Anforderungen von KI-Systemen in der Medizin zu verstehen.

Ausblick: Entlastung ohne Verantwortungsübernahme

KI kann medizinische Fachkräfte entlasten, Versorgung personalisieren, Patienten stärken und Prozesse effizienter machen – vorausgesetzt, Datenräume, Qualitätssicherung, digitale Kompetenzen und klinische Integration stimmen. Patientinnen und Patienten werden aktive Partner im Gesundheitssystem: durch selbstgenerierte Daten (PGHD), neue Messgrößen wie PROMs und PREMs und digitale Betreuung zwischen Arztkontakten. Damit wächst die Chance auf eine patientenzentrierte, personalisierte und kontinuierliche Medizin.

Gleichzeitig bleibt medizinische Versorgung eine menschliche Aufgabe. KI kann Vorschläge liefern, Informationen strukturieren und Prozesse koordinieren. Verantwortung, Empathie, Priorisierung und gemeinsame Entscheidungsfindung bleiben aber unverzichtbar in menschlicher Hand. KI ersetzt Ärztinnen und Ärzte nicht – aber Ärztinnen und Ärzte, die KI verstehen und sinnvoll einsetzen, können Medizin effizienter und patientenzentrierter gestalten.

Literaturangaben können bei der Redaktion angefordert werden. 

Anmerkung der Autoren: Dieser Beitrag wurde unter Verwendung generativer KI-Systeme zur Ko-Kreation erstellt. Verwendet wurden ChatGPT (OpenAI) und Grammarly in der aktuellen Modellgeneration. Die inhaltliche Konzeption, Auswahl, Bewertung und Verantwortung liegen bei Professor Björn Eskofier und Professor Jochen Klucken. Stand der KI-Unterstützung: 04.03.2026.