KI-Diagnose in deutschen Kliniken: Zwischen Zulassung und Alltag

Rund 150 zugelassene KI-Medizinprodukte sind derzeit in Deutschland im Einsatz — doch zwischen regulatorischer Freigabe und klinischem Alltag klafft eine Lücke, die Patienten, Ärzte und Krankenhausbetreiber gleichermaßen betrifft. Die Frage ist nicht mehr, ob künstliche Intelligenz in die Diagnostik einzieht, sondern wie schnell das Versprechen der Technologie mit der Realität des Gesundheitssystems zusammenfindet.

Was KI in der Diagnostik tatsächlich kann

Künstliche Intelligenz im medizinischen Kontext bedeutet vor allem eines: maschinelles Lernen, das auf riesigen Datensätzen trainiert wurde, um Muster zu erkennen, die dem menschlichen Auge entgehen oder schlicht zu zeitaufwendig wären. Konkret funktioniert das so: Ein KI-System analysiert etwa ein Röntgenbild, indem es Millionen zuvor gelernter Bildmerkmale mit dem aktuellen Bild abgleicht und Auffälligkeiten markiert — ähnlich einem sehr erfahrenen Radiologen, aber in Sekunden statt Minuten.

In der Radiologie ist der Fortschritt am weitesten sichtbar. Systeme wie das des deutschen Unternehmens Siemens Healthineers oder des US-amerikanischen Anbieters Enlitic können Lungenknoten, Frakturen oder erste Anzeichen eines Schlaganfalls mit einer Treffsicherheit erkennen, die in Studien mit erfahrenen Fachärzten vergleichbar ist. Dabei ist das Ziel ausdrücklich nicht, den Arzt zu ersetzen, sondern ihm Prioritäten zu setzen: Welcher Befund braucht sofortige Aufmerksamkeit? Was kann warten?

In der Pathologie, also der Gewebediagnostik, setzt das System von Google Health namens LYNA (Lymph Node Assistant) Maßstäbe. Es erkennt metastasierte Brustkrebszellen in Lymphknotengewebe mit einer Genauigkeit, die in klinischen Tests jene einzelner Pathologen übertraf — allerdings nur unter Laborbedingungen. Der Sprung in den regulären Klinikalltag ist auch hier noch nicht vollzogen.

Wo die Stärken liegen — und warum das wichtig ist

KI zeigt ihre größten Stärken dort, wo es um die Auswertung großer Bildmengen, die Erkennung subtiler Muster oder die Reduktion von Flüchtigkeitsfehlern geht. In der Screening-Diagnostik — also der Vorsorgeuntersuchung auf bestimmte Erkrankungen — ist das Potenzial enorm. Brustkrebs-Screening mit KI-Unterstützung etwa könnte helfen, die Wartezeiten auf Befunde drastisch zu verkürzen und gleichzeitig die Zahl übersehener Befunde zu senken.

Bitkom hat in einer aktuellen Erhebung festgestellt, dass gerade bei arbeitsintensiven Routineaufgaben — Bildsichtung, Dokumentation, erste Triagierung — die Akzeptanz unter Medizinern am höchsten ist. Dort, wo die KI als verlässlicher Assistent auftritt, nicht als autonomer Entscheider, ist die Bereitschaft zur Integration deutlich größer. Das deckt sich mit Befunden aus dem Kontext anderer Branchen: Wie etwa die Diskussion um den Einfluss von KI-Tools auf die Arbeitswelt zeigt, ist die menschliche Kontrolle über kritische Entscheidungen für die Akzeptanz neuer Technologien zentral.

Das Regulierungsproblem: Zugelassen ist nicht gleich einsatzbereit

In der Europäischen Union gelten KI-Diagnosesysteme als Medizinprodukte und unterliegen der MDR — der Medical Device Regulation. Das bedeutet: Bevor ein System in deutschen Kliniken eingesetzt werden darf, muss es klinische Studien vorweisen, von einer benannten Stelle zertifiziert sein und laufend auf Sicherheit überwacht werden. Das klingt nach einem robusten Schutzwall — und ist es im Grunde auch. Doch das System hat Schwachstellen.

Erstens dauern Zulassungsverfahren in Europa im Schnitt deutlich länger als in den USA, wo die FDA teils im Fast-Track-Verfahren KI-Diagnosetools freigibt. Zweitens veraltet Software schnell: Ein KI-Modell, das auf Daten aus einem bestimmten Jahr trainiert wurde, kann bei veränderten Krankheitsbildern oder neuen Patientenpopulationen an Zuverlässigkeit verlieren — die Regulierung hinkt hier oft hinterher. Drittens schafft die MDR zwar Sicherheit, aber auch erhebliche bürokratische Last für kleinere Anbieter und Startups, was Innovation verlangsamt.

Hinzu kommt eine strukturelle Herausforderung: Auch ein zugelassenes Produkt muss in die IT-Infrastruktur einer Klinik integriert werden. Wer schon einmal die digitale Ausstattung vieler deutscher Krankenhäuser beobachtet hat, weiß, dass veraltete Krankenhausinformationssysteme, fehlende Schnittstellen und der Mangel an IT-Fachpersonal die Einführung selbst ausgereifter Systeme verzögern. Das Krankenhauszukunftsgesetz hat zwar Milliarden für Digitalisierung bereitgestellt, aber die Umsetzung verläuft schleppend — ähnlich wie beim schleppenden Reformtempo in anderen regulierten Sektoren.

Haftung: Wer haftet, wenn der Algorithmus irrt?

Die ungeklärte Haftungsfrage ist einer der größten Bremsklötze für die Verbreitung von KI-Diagnosetools. Gibt ein KI-System eine falsche Empfehlung, und ein Arzt folgt ihr, wer trägt dann die Verantwortung? Rechtlich gilt in Deutschland das Prinzip der ärztlichen Eigenverantwortung — der Arzt haftet, unabhängig von technischen Hilfsmitteln. Doch in der Praxis schafft das Unsicherheit: Viele Kliniken und Ärzte scheuen den Einsatz von KI-Systemen aus Angst vor Haftungsrisiken, obwohl das System die Diagnosequalität eigentlich verbessern könnte.

Gartner weist in seinen aktuellen Analysen darauf hin, dass fehlende rechtliche Rahmenbedingungen für KI-Haftung in Europa einer der Hauptgründe für die verzögerte Adoption im Gesundheitssektor sind. Die EU-KI-Verordnung, die KI-Systeme nach Risikoklassen reguliert, stuft Medizin-KI als Hochrisiko ein — was einerseits sinnvoll ist, andererseits die Einführung weiter bremst.

Wo KI noch scheitert: Die unglamourösen Wahrheiten

IBM Watson for Oncology steht stellvertretend für ein Muster, das sich durch die Geschichte der medizinischen KI zieht: Großes Versprechen, ernüchternde Realität. Das System sollte Onkologen weltweit bei Therapieentscheidungen unterstützen — auf Basis medizinischer Fachliteratur und Patientendaten. In der Praxis stellte sich heraus, dass die Empfehlungen oft nicht mit den Leitlinien führender Krebszentren übereinstimmten, teils auf synthetischen statt echten Patientendaten trainiert worden waren und in manchen Ländern kulturell oder infrastrukturell schlicht nicht passten. Mehrere Partnerkrankenhäuser stiegen aus. Der Fall Watson ist lehrreich: KI-Systeme, die auf westlichen oder US-amerikanischen Datensätzen trainiert sind, funktionieren nicht automatisch in anderen Kontexten.

Ein weiteres strukturelles Problem ist der sogenannte Datenbias — also systematische Verzerrungen in den Trainingsdaten. Wird ein KI-System überwiegend mit Bilddaten von Patienten einer bestimmten Altersgruppe, Ethnie oder Krankengeschichte trainiert, erkennt es Befunde bei anderen Patientengruppen schlechter. Das ist keine Theorie, sondern dokumentiertes Problem: Studien haben gezeigt, dass einige Hautkrebs-Erkennungssysteme bei dunkleren Hauttönen signifikant schlechter abschneiden, weil die Trainingsdaten zu wenig Diversität aufwiesen.

Auch die Frage der Erklärbarkeit bleibt ungelöst. Viele leistungsstarke KI-Modelle — insbesondere sogenannte Deep-Learning-Netze, die in mehreren Schichten komplexe Muster abstrahieren — sind Black Boxes: Sie liefern ein Ergebnis, aber keine nachvollziehbare Begründung. Ein Radiologe kann erklären, warum er eine Verschattung als verdächtig einstuft. Viele KI-Systeme können das nicht. Für Ärzte, die rechtlich und ethisch rechenschaftspflichtig sind, ist das ein echtes Hindernis.

Parallel dazu zeigt sich in anderen technologiegetriebenen Branchen ein ähnliches Muster zwischen Versprechen und Praxis: So wird auch bei Unternehmenstools wie dem Microsoft 365 Copilot im Büroumfeld deutlich, dass KI-Assistenz zwar Aufgaben beschleunigt, jedoch keineswegs fehlerlos arbeitet und menschliche Kontrolle unverzichtbar bleibt.

Der Alltag in deutschen Kliniken: Zwischen Pilotprojekt und Standardversorgung

In deutschen Universitätskliniken laufen derzeit zahlreiche Pilotprojekte, in denen KI-Systeme unter Begleitung evaluiert werden. Die Charité Berlin, das Universitätsklinikum Hamburg-Eppendorf oder das Klinikum rechts der Isar in München sind Vorreiter — aber auch dort ist der Einsatz weitgehend auf spezifische Abteilungen begrenzt und von Forschungsinteresse geleitet.

In der Regelversorgung — also in den rund 1.900 deutschen Allgemeinkrankenhäusern — sieht die Lage anders aus. Hier fehlt es laut einer aktuellen Bitkom-Umfrage vor allem an drei Dingen: ausreichend IT-Personal für die Integration und Wartung, klaren Kostenerstattungsregelungen durch die Krankenkassen und einheitlichen Datenschutzstandards, die den Einsatz lernfähiger Systeme im klinischen Betrieb erlauben. Denn damit KI-Systeme sich verbessern können, brauchen sie Zugang zu Patientendaten — und das ist in Deutschland aus gutem Grund streng reguliert.

Die Telemedizin bietet einen interessanten Seitenblick: Dort, wo Arzt-Patient-Kontakte ohnehin digital stattfinden, ist die Integration von KI-Tools einfacher. Digitale Erstanalyse von Symptomen, automatisierte EKG-Auswertung per App oder KI-gestützte Dermatologie-Konsultationen wachsen schneller als der stationäre Klinikbereich. Statista verzeichnet in diesem Segment ein jährliches Wachstum von über 20 Prozent in Deutschland.

Die Infrastrukturfrage ist dabei nicht zu unterschätzen. Wie in anderen digitalisierten Sektoren hängt die Qualität des Datenstroms maßgeblich von der Netzanbindung ab — ein Aspekt, der auch in der Gesundheitsversorgung ländlicher Regionen relevant wird, etwa wenn Ferndiagnosen über 5G-Verbindungen übertragen werden. Entwicklungen wie die Konsolidierung im europäischen Mobilfunkmarkt oder die Abkehr von veralteten Mobilfunkstandards haben damit auch mittelbare Auswirkungen auf die digitale Gesundheitsinfrastruktur.

Was jetzt gebraucht wird

Die Bestandsaufnahme ergibt ein differenziertes Bild: KI in der medizinischen Diagnostik ist keine Zukunftsmusik, aber auch kein vollendetes Projekt. Die Technologie funktioniert — unter kontrollierten Bedingungen, in spezifischen Anwendungsfällen, mit hochwertigen Daten. Der Weg in den flächendeckenden Alltag ist jedoch gepflastert mit regulatorischen Hürden, Datenqualitätsproblemen, ungeklärten Haftungsfragen und infrastrukturellen Defiziten.

Was fehlt, ist kein technologischer Durchbruch, sondern ein systemischer: einheitliche Standards für Gesundheitsdaten, klare Haftungsregelungen, bessere Vergütungsmodelle für KI-gestützte Leistungen und eine Weiterbildungsoffensive für medizinisches Personal im Umgang mit algorithmischen Assistenzsystemen. IDC betont in aktuellen Marktanalysen, dass Länder, die frühzeitig in diese systemischen Voraussetzungen investieren, beim Einsatz von Medizin-KI deutlich schneller vorankommen als jene, die sich allein auf technologische Innovation verlassen.

Die Chance ist real. Übersehene Diagnosen könnten reduziert, Wartezeiten verkürzt, Ärzte von Routinearbeit entlastet werden. Aber das Narrativ der fehlerfreien, allwissenden Diagnose-KI ist falsch und potenziell gefährlich. Die nüchterne Einordnung lautet: KI ist ein mächtiges Werkzeug im medizinischen Instrumentenkasten — kein Ersatz für ärztliches