KI in der medizinischen Diagnose: Was sich in der Praxis für Gesundheitssysteme ändert

Das Narrativ, dass künstliche Intelligenz die Medizin in Zukunft verändern wird, ignoriert, was bereits jetzt geschieht. In den bildintensivsten Fachgebieten – Radiologie, Pathologie, Ophthalmologie – erkennen Geräte mit behördlicher Zulassung der nordamerikanischen FDA bereits Lungenknoten, diabetische Retinopathie, Schlaganfall und verdächtige Läsionen in der Mammographie mit einer klinischen Leistung, die mit der des Spezialisten vergleichbar ist. Das 2018 zugelassene IDx-DR diagnostiziert diabetische Retinopathie, ohne dass eine ärztliche Untersuchung vor Ort erforderlich ist. Viz.ai erkennt große Arterienverschlüsse in Kopf-CT-Scans und kontaktiert direkt das Team für interventionelle Neurologie. Der Engpass liegt heute nicht in der Leistungsfähigkeit der Instrumente, sondern in der Fähigkeit der Gesundheitssysteme, sie operativ kohärent zu integrieren.

Welche klinischen Beweise haben bereits bestätigt

Die behördliche Zulassungskurve im Bereich der medizinischen Bildgebung hat sich zwischen 2020 und 2025 erheblich beschleunigt. Die FDA hat bis Mitte dieses Jahrzehnts mehr als 700 KI- und maschinelle Lerngeräte für den klinischen Einsatz zugelassen, wobei die Radiologie den absoluten Großteil dieser Zulassungen ausmacht. In The Lancet, NEJM und Radiology veröffentlichte Studien zeigen, dass Brustkrebserkennungsalgorithmen in der Mammographie falsch negative Ergebnisse reduzieren und die Belastung durch Doppelmessungen verringern – eine obligatorische Praxis in mehreren europäischen Systemen. In der digitalen Pathologie haben Modelle, die darauf trainiert wurden, Tumorsubtypen in histologischen Schnitten zu identifizieren, bei einigen spezifischen Krebskategorien bereits die Interbeobachter-Übereinstimmung erfahrener Pathologen übertroffen.

Das bedeutet nicht, dass KI den Radiologen oder Pathologen ersetzt. Die Beweise zeigen durchweg, dass die Kombination aus Mensch und Algorithmus besser funktioniert als beides allein – insbesondere bei Screening-Aufgaben mit hohem Volumen, bei denen Ermüdung und Aufmerksamkeitsspanne zu systematischen Fehlern führen. Der solideste Anwendungsfall ist nicht der Ersatz, sondern die Erweiterung der Diagnosekapazität, ohne die Zahl der Spezialisten proportional zu erhöhen.

Was passiert in Brasilien mit Regulierung und Einführung?

In den letzten Jahren hat ANVISA einen spezifischen Regulierungsrahmen für Software als Medizinprodukte geschaffen – die sogenannten SaMDs (Software as a Medical Device), die der internationalen Klassifizierung ISO 13485 folgen und sich an den IMDRF-Richtlinien orientieren. Diagnose-KI-Tools fallen in diese Kategorie und erfordern je nach dem damit verbundenen Risiko eine Registrierung oder Benachrichtigung. Die Herausforderung in Brasilien ist nicht das Fehlen einer Regulierung, sondern die Geschwindigkeit der Verarbeitung und die technische Fähigkeit der nationalen Hersteller, robuste klinische Dossiers zu erstellen.

Einige brasilianische Gesundheitstechnologie-Startups haben bereits Produkte, die bei ANVISA zugelassen sind oder sich in einer fortgeschrittenen Anmeldephase befinden – insbesondere in den Bereichen Röntgenaufnahmen des Brustkorbs zur Tuberkulose- und Lungenentzündungsvorsorge sowie bei Fundusuntersuchungen. Krankenhausnetzwerke und Betreiber von Gesundheitsplänen haben gelegentlich mit der Pilotierung begonnen, doch der Übergang von der Pilotphase zur systemischen Umsetzung ist immer noch mit Problemen verbunden, die weder regulatorischer noch technischer Natur sind: Es handelt sich um Infrastruktur- und Prozessprobleme.

Integration mit PACS, Krankenakten und das eigentliche Implementierungsproblem

Jeder KI-Algorithmus in der medizinischen Bildgebung muss mit PACS – dem Bildspeicher- und Kommunikationssystem – und idealerweise mit der elektronischen Krankenakte des Patienten verbunden sein, um auf den klinischen Kontext zugreifen zu können. An diesem Integrationspunkt scheitern die meisten Projekte. Die in brasilianischen Krankenhäusern installierten PACS unterscheiden sich stark in der Version, dem unterstützten DICOM-Protokoll und der Offenheit für externe APIs. Viele Altsysteme verfügen nicht über standardisierte Schnittstellen zum Empfangen oder Exportieren von Daten, die moderne KI-Tools reibungslos nutzen können.

Das praktische Ergebnis ist, dass eine Bereitstellung, die Wochen dauern sollte, oft Monate dauert – und das nicht wegen der KI selbst, sondern wegen der Datenarchitektur des Krankenhauses. Die IT-Teams von Krankenhäusern sind selten mit den erforderlichen Integrationsstandards vertraut und KI-Anbieter unterschätzen häufig den Aufwand für die Anpassung an die reale Umgebung des Kunden. Projekte, bei denen diese versteckten Integrationskosten vor der Einstellung nicht erfasst werden, neigen dazu, Budget und politische Energie zu verbrauchen, ohne messbare klinische Ergebnisse zu erzielen.

Zivilrechtliche Haftung und Workflow-Gestaltung

Die Frage der rechtlichen Verantwortung bei der KI-gestützten Diagnose ist in Brasilien noch lange nicht geklärt. Der CFM (Federal Council of Medicine) hat bereits erklärt, dass die letztendliche Verantwortung für den diagnostischen Akt beim Arzt verbleibt – was klinisch sinnvoll ist, aber zu betrieblichen Spannungen führt, wenn der Algorithmus etwas erkennt, das der Radiologe nicht priorisiert oder ausgeschlossen hat. Dieses Szenario ist nicht hypothetisch: Es ergibt sich auf natürliche Weise, wenn KI als Screening-Tool eingesetzt wird und kritische Fälle in den Meldewarteschlangen vorselektiert.

Das Workflow-Design muss auf diese Spannung reagieren, bevor sie umstritten wird. Wie erscheint die KI-Warnung in der Radiologenoberfläche? Wird im Abschlussbericht vermerkt, dass es algorithmische Unterstützung gab? Gibt es einen Prüfpfad, der dokumentiert, was das System gemeldet hat und was der Arzt festgestellt hat? Auf diese Fragen gibt es keine eindeutige Antwort, aber sie müssen vor der Bereitstellung beantwortet werden – nicht nach dem ersten Vorfall.

Was Führungskräfte im Gesundheitssystem vor der Pilotierung verstehen müssen

Die Auswahl eines KI-Diagnosetools auf der Grundlage des in der Arbeit veröffentlichten Genauigkeitsmaßstabs ist gleichbedeutend damit, einen Mitarbeiter nur auf der Grundlage seines Lebenslaufs einzustellen, ohne Referenzen zu prüfen. Die über Validierungsdatensätze berichtete Leistung reproduziert sich selten ohne Verschlechterung in einer Krankenhausproduktionsumgebung mit älterer Ausrüstung, unterschiedlichen Erfassungsprotokollen und einer anderen Population als der, die in der Schulung verwendet wurde. Der Auswahlprozess muss eine lokale Validierungsphase umfassen – vorzugsweise mit retrospektiven Daten aus dem Krankenhaus selbst – bevor eine maßstabsgetreue Festlegung erfolgt.

Darüber hinaus ist der interne Projektsponsor ebenso wichtig wie die Technologie. KI-Einsätze in der Radiologie, bei denen kein leitender Radiologe als aktiver Befürworter im klinischen Team vertreten ist, scheitern oft an Nichtnutzung: Das Tool existiert, aber niemand nutzt es systematisch, weil es nicht für den tatsächlichen Arbeitsablauf konzipiert wurde. Eine klinische Zustimmung kann nicht durch eine Demonstration auf einer Konferenz erreicht werden – sie wird durch die aktive Beteiligung von Ärzten in der Konfigurationsphase und durch Beweise erreicht, die aus den eigenen Daten des Krankenhauses generiert werden.