Wenn KI ins Krankenhaus kommt: Was sich für Ärzte und Patienten ändert

In meiner vorherigen Kolumne habe ich mich aus wirtschaftlicher Perspektive mit medizinischer KI beschäftigt und dabei die Chancen in den Blick genommen, die sie für Technologieunternehmen eröffnet. Doch neben dem Innovationspotenzial und den Möglichkeiten für neue Märkte stellt sich eine grundlegendere Frage: Was bewirken diese Technologien bei den Ärzten, die sie nutzen, und den Patienten, die auf sie angewiesen sind? Schließlich zeigt sich der wahre Wert medizinischer Innovation daran, ob sie die Qualität und Zugänglichkeit der Versorgung verbessern kann. Und ich sehe bereits bemerkenswerte Veränderungen darin, wie diese Versorgung erbracht werden kann.

Wie der Personalmangel die Automatisierung im Gesundheitswesen beschleunigt

Ich kenne einen Unternehmer, dessen Unternehmen Krankenhäusern medizinisches Personal auf Zeit vermittelt, darunter Pflegekräfte, die einspringen, wenn reguläre Mitarbeiter nicht verfügbar sind. Man könnte erwarten, dass ein solches Unternehmen angesichts des anhaltenden Personalmangels floriert. Doch er sagt, dass selbst Unternehmen, die sich auf die Vermittlung von Arbeitskräften im Gesundheitswesen spezialisiert haben, Schwierigkeiten haben, genügend qualifizierte Mitarbeiter zu finden.

Krankenhäuser leiden seit Jahrzehnten unter einem Mangel an Ärzten und Pflegekräften. Die Ausbildung neuer Fachkräfte im Gesundheitswesen ist mit erheblichem Zeit- und Ressourcenaufwand verbunden. Ein Medizinstudium kann insbesondere in den Vereinigten Staaten zu teuer sein, und die jahrelange akademische und klinische Ausbildung bringt finanzielle und psychische Belastungen mit sich. Auch nach Abschluss ihrer Ausbildung sind Ärzte mit hohem Stress, enormer Verantwortung und ständigem Zeitdruck konfrontiert.

Deshalb haben Ärzte manchmal nur wenige Minuten Zeit für jeden Patienten, um Symptome zu beurteilen, mögliche Diagnosen abzuwägen, Untersuchungen anzuordnen und die erforderliche Dokumentation zu erledigen. Diese Arbeitsbelastung erhöht das Fehlerrisiko und lässt weniger Zeit für den persönlichen Austausch mit den Patienten. Mehr Personal einzustellen, dürfte das Problem allein jedoch kaum lösen.

Deshalb bin ich überzeugt, dass der anhaltende Personalmangel und die wachsende Arbeitsbelastung zu den wichtigsten Faktoren gehören werden, die den Einsatz von KI in Krankenhäusern beschleunigen.

Was können Ärzte der KI anvertrauen?

Zu den praktischsten Einsatzmöglichkeiten gehören KI-gestützte Systeme, die Gespräche zwischen Ärzten und Patienten aufzeichnen, Sprechstunden zusammenfassen und bei der Erstellung der klinischen Dokumentation helfen. Statt Zeit damit zu verbringen, Notizen von Hand zu verfassen, erhalten Ärzte einen Entwurf, den sie bei Bedarf prüfen und bearbeiten können.

Die Vorteile dieser Tools zeigen sich bereits im klinischen Alltag. Eine im April 2026 in JAMA veröffentlichte Studie untersuchte Daten von mehr als 8.500 Fachkräften im Gesundheitswesen aus fünf US-amerikanischen medizinischen Zentren. Bei den Klinikern, die KI-gestützte Tools zur Dokumentation einsetzten, verringerte sich die für klinische Notizen aufgewendete Zeit durchschnittlich um 10 Prozent. Das entspricht etwa 16 Minuten pro achtstündigem Zeitraum mit geplanten Patientenbesuchen.

Ein weiteres Beispiel ist die KI-gestützte Differenzialdiagnose. Stellen Sie sich einen Patienten vor, der mit Bauchschmerzen und einem Kribbeln auf der linken Körperseite zum Arzt kommt. Ein KI-System kann die Symptome analysieren und mehrere mögliche Ursachen vorschlagen, die untersucht werden sollten. Es stellt nicht die endgültige Diagnose, kann dem Arzt aber dabei helfen, eine Liste möglicher Ursachen zu erstellen, Fragen für die weitere Abklärung zu finden und zu bestimmen, welche Untersuchungen erforderlich sein könnten. Ich bin solchen Tools in der Praxis bereits begegnet und gehe davon aus, dass sie zu einem festen Bestandteil ärztlicher Gespräche werden. Sie werfen jedoch auch eine berechtigte Sorge auf: Könnte die Abhängigkeit von KI-generierten Vorschlägen die Fähigkeit von Ärzten, eigenständig zu urteilen, allmählich schwächen? Wenn ein System fertige Antworten liefert, ist es verlockend, seinen Schlussfolgerungen zu vertrauen – besonders dann, wenn ohnehin so wenig Zeit für jeden Patienten bleibt.

Es gibt jedoch auch eine andere Seite. Ganz gleich, wie erfahren ein Arzt ist: Sein Wissen wird zwangsläufig von den Patienten geprägt, die er behandelt hat, von seiner Ausbildung und von den Forschungsergebnissen, für deren Lektüre ihm Zeit geblieben ist. KI-Modelle können hingegen möglicherweise Muster in wesentlich größeren Mengen medizinischer Daten erkennen, darunter auch in Fällen, mit denen ein einzelner Arzt vielleicht nie konfrontiert war.

KI als Beteiligte an der medizinischen Forschung

Ein weiterer Bereich, den es zu untersuchen gilt, sind komplexe klinische Fälle, in denen selbst erfahrene Fachärzte nur schwer zu einer übereinstimmenden Einschätzung gelangen. Heute werden solche Fälle häufig in medizinischen Fallkonferenzen besprochen. Dabei prüfen Ärzte Untersuchungsergebnisse, erörtern mögliche Diagnosen und einigen sich auf die nächsten Behandlungsschritte. Ich glaube nicht, dass KI diese Gespräche ersetzen wird, kann mir aber vorstellen, dass sie zu einer weiteren Beteiligten wird.

Dafür gibt es mehrere denkbare Ansätze. Mehrere Modelle könnten denselben klinischen Fall unabhängig voneinander analysieren, sodass Ärzte ihre Ergebnisse vergleichen und Übereinstimmungen oder Abweichungen erkennen können. Alternativ könnte ein einzelnes Modell den Fall mehrfach mit unterschiedlichen Analyseansätzen untersuchen. Anschließend könnten die Ergebnisse zusammengeführt und geprüft werden.

Natürlich bedeutet die Übereinstimmung mehrerer KI-Modelle nicht zwangsläufig, dass sie zum richtigen Schluss gekommen sind. Die Modelle könnten ähnliche Einschränkungen haben, sich auf vergleichbare Trainingsdaten stützen und dieselben Fehler machen. Dennoch könnten diese zusätzlichen Perspektiven helfen, Widersprüche aufzudecken, auf seltene Erkrankungen hinzuweisen oder Möglichkeiten vorzuschlagen, die die Ärzte zunächst nicht in Betracht gezogen hatten.

Damit KI sinnvoll zu solchen Diskussionen beitragen kann, muss sie jedoch mehr als nur einzelne Testergebnisse berücksichtigen. Wie wichtig dieser umfassendere klinische Kontext ist, habe ich bei unserer Arbeit mit Keymakr selbst erlebt. Bei einem Projekt zur Ultraschallbildgebung arbeiteten wir mit Aufnahmen derselben Patienten, die zu unterschiedlichen Zeitpunkten gemacht worden waren – manchmal mehrmals am Tag und dann wieder Monate später. Das Team markierte anatomische Strukturen und kennzeichnete mögliche Auffälligkeiten zur fachärztlichen Begutachtung. Dabei berücksichtigte es auch Veränderungen im Verlauf der Untersuchungen des jeweiligen Patienten.

Kleine Unstimmigkeiten in einzelnen Patientenakten konnten die Interpretation zusammengehöriger Daten über den gesamten Datensatz hinweg beeinflussen. Diese Erfahrung hat mir erneut gezeigt, wie wichtig es ist, die Krankengeschichte eines Patienten als Ganzes zu betrachten – etwas, das auch für KI-Systeme, die komplexe klinische Entscheidungen unterstützen, unverzichtbar wäre.

MRT ohne MRT-Gerät

Eine Diagnose zu stellen bedeutet jedoch nicht nur, medizinische Daten richtig zu interpretieren. Man muss diese Daten zunächst überhaupt erst beschaffen können. Eines der interessantesten KI-Projekte, von denen ich bei einer von Scryon empfohlenen Veranstaltung erfahren habe, setzt genau hier an. Ein Entwicklerteam hat einen Weg gefunden, mithilfe künstlicher Intelligenz aus CT-Aufnahmen und mehreren Röntgenbildern, die aus bestimmten Winkeln aufgenommen wurden, ein MRT-ähnliches Bild zu rekonstruieren. Die Idee entstand aus einem ganz praktischen Problem: MRT-Geräte sind teuer, und Patienten müssen mitunter monatelang auf eine Untersuchung warten, während Röntgengeräte und CT-Scanner deutlich weiter verbreitet sind.

Vorerst konzentriert sich die Technologie auf das Knie, doch die Entwickler erwägen, sie auch auf andere Gelenke auszuweiten. Dem Team zufolge sollen die rekonstruierten Bilder Informationen liefern, die mit denen von MRT-Aufnahmen vergleichbar sind, obwohl den Bildgebungsverfahren unterschiedliche physikalische Prinzipien zugrunde liegen.

Statt ein weiteres teures medizinisches Gerät zu entwickeln, nutzt das Team bestehende Bildgebungstechnologie und erweitert mithilfe KI-gestützter Bildrekonstruktion ihre Möglichkeiten.

Ein Operationssaal ohne Grenzen

Ich gehe davon aus, dass KI im Laufe des nächsten Jahrzehnts in irgendeiner Form bei mindestens der Hälfte aller medizinischen Abläufe eine Rolle spielen wird. Gemeint ist ein breites Anwendungsspektrum – von der Analyse medizinischer Daten und diagnostischer Unterstützung bis hin zur KI-gestützten Anleitung in Echtzeit während chirurgischer Eingriffe.

Langfristig könnten diese Technologien auch dazu beitragen, finanzielle, organisatorische und sogar geografische Hürden beim Zugang zur Gesundheitsversorgung zu überwinden. Stellen Sie sich vor, ein erfahrener Chirurg in den Vereinigten Staaten unterstützt eine Operation an einem Kind in Indien oder ein Spezialist in Indien hilft bei der Behandlung eines Patienten in Kanada, ohne selbst im Operationssaal anwesend zu sein. Fortschritte in der Robotik, bei Fernsteuerungssystemen und bei der KI-gestützten chirurgischen Assistenz könnten solche Szenarien möglich machen.

Wir sehen bereits erste Schritte in diese Richtung. So ermöglicht die Plattform Proximie Chirurgen, sich aus der Ferne mit Operationssälen zu verbinden, Eingriffe in Echtzeit zu verfolgen und mit den vor Ort anwesenden medizinischen Teams zusammenzuarbeiten. Das System unterstützt Live-Video, Sprachkommunikation und visuelle Anmerkungen und nutzt KI, um Daten zu chirurgischen Arbeitsabläufen zu analysieren. Das bedeutet nicht, dass Chirurgen bereits jeden Eingriff aus der Ferne durchführen können. Fachärzte können ihr Wissen jedoch weitergeben und andere anleiten, ohne sich im selben Operationssaal aufzuhalten.

Ich bin überzeugt, dass ein besserer Zugang zur Gesundheitsversorgung zu den zentralen Zielen der medizinischen KI gehören sollte. Entscheidend ist, ob diese Technologien dazu beitragen können, die Wartezeiten auf diagnostische Untersuchungen zu verkürzen, medizinisches Fachpersonal zu entlasten und Ärzten mehr Zeit für ihre Patienten zu geben. Letztlich würde ich den Erfolg medizinischer KI daran messen, wie vielen Menschen sie zu einer zeitnahen und hochwertigen medizinischen Versorgung verhilft.