Entwurf

Künstliche Intelligenz

Einleitung

Das Positionspapier des HAEV aus Juli 2024, betitelt „Künstliche Intelligenz (KI) in der Hausarztpraxis“, beleuchtet den Einsatz von KI in der hausärztlichen Versorgung. Es betont die Chancen von KI, wie die Unterstützung bei Diagnose und Therapieplanung, die Entlastung von administrativen Aufgaben und die Verbesserung der Patienteninteraktion durch Chatbots. Gleichzeitig werden Risiken wie Datenschutzbedenken, ethische Fragen und mögliche Verzerrungen angesprochen. Das Papier fordert Transparenz, Qualitätssicherung der Daten, Anpassung an Praxisprozesse und die Entwicklung eines klaren regulatorischen Rahmens für den verantwortungsvollen Einsatz von KI in der Medizin. Es wird betont, dass KI als Ergänzung und nicht als Ersatz für ärztliche Entscheidungen dient, wobei die Sicherheit und der Datenschutz der Patienten sowie die Entlastung des Praxisteams im Vordergrund stehen.

Der Artikel “Ten Ways Artificial Intelligence Will Transform Primary Care” aus dem Jahr 2019 beschreibt, wie KI die hausärztliche Versorgung in den USA verändern könnte. Er hebt zehn Bereiche hervor, darunter Risikoprädiktion, Populationsgesundheitsmanagement, medizinischer Rat und Triage, und Diagnostik, in denen KI Verbesserungen bringen könnte. Die Herausforderung besteht darin, die Balance zu finden, wie KI am besten in den hausärztlichen Alltag integriert wird, um die vier Ziele (bessere Versorgung, bessere Gesundheit, geringere Kosten, Wohlbefinden der Arbeitskräfte) zu erreichen. (Lin, Mahoney, und Sinsky 2019)

Die Trendstudie „Künstliche Intelligenz in der ambulanten Versorgung: Trends, Chancen und Potenziale für das deutsche Gesundheitswesen“ untersucht die Rolle von KI im Gesundheitswesen. Sie zeigt, dass ein Drittel der Ärzt:innen bereits KI nutzt, insbesondere in Bildgebung, Diagnostik und Dokumentation, während zwei Drittel ein hohes Zukunftspotenzial sehen. KI entlastet vor allem administrative Aufgaben, verbessert Prävention und ermöglicht personalisierte Medizin. Haftungsrisiken und Kontrollverlust sind jedoch zentrale Vorbehalte. Die Studie betont die Notwendigkeit europäischer Gesundheitsdaten, strenger Datenschutzstandards und umfassender Fortbildung, um KI verantwortungsvoll einzusetzen und den Fachkräftemangel zu mildern.

Lernmaterialien

Kostenfreie Angebote

Der KI-Campus bietet kostenlose Online-Kurse und Ressourcen zum Thema Künstliche Intelligenz in der Medizin, darunter Kurse zu Grundlagen, klinischen Anwendungen und Ethik. Diese Kurse sind für Mediziner:innen konzipiert und werden in Zusammenarbeit mit renommierten Partnern wie der Charité und dem DFKI angeboten.

openHPI ist die Bildungsplattform des Hasso-Plattner-Instituts, die kostenlose Online-Kurse zu Themen der Informatik anbietet. Diese Kurse richten sich an verschiedene Zielgruppen, von Einsteigern bis zu Fachpublikum, und decken sowohl Grundlagen als auch aktuelle Forschungsthemen ab. Die Plattform wurde 2012 als erstes europäisches MOOC-Projekt gestartet und bietet innovative Lernformate.

Kaggle Learn bietet eine Sammlung kostenloser, interaktiver Kurse zum Erlernen von Datenwissenschaft und maschinellem Lernen. Diese Kurse sind so gestaltet, dass Sie praktische Fähigkeiten erwerben können, die Sie sofort anwenden können. Kaggle Learn ist ideal für Anfänger und Fortgeschrittene, um ihre Fähigkeiten in Bereichen wie Python, Pandas, und maschinellem Lernen zu verbessern.

Kostenpflichtige Angebote

Experimentelle Anwendungen

pillenfuchs.konsilado.de ist ein experimentelles KI-gestütztes Forschungsprojekt, das darauf abzielt, Medikationspläne mithilfe eines großes Sprachmodells zu überprüfen. Es handelt sich explizit nicht um ein medizinisches Angebot von menschlichen Ärzten oder Apothekern, sondern um ein experimentelles Tool. Die KI analysiert Medikationspläne basierend auf eingegebenen Patientendaten wie Alter, Geschlecht, Nierenfunktion und einem hochgeladenen Bundesmedikationsplan (als PDF oder Text). Dabei werden potenzielle Arzneimittelwechselwirkungen, Empfehlungen und Quellen ausgegeben. Die Ergebnisse sind jedoch ohne Gewähr, können Fehler enthalten und stellen keine verbindlichen Handlungsempfehlungen dar. Es wird ausdrücklich betont, dass nur der behandelnde Arzt verlässliche medizinische Ratschläge geben kann.

KI-Agenten

dianoviCDS unterstützt bei der Diagnose und Behandlung, indem es patientenspezifische Empfehlungen auf Basis von Symptomen, medizinischen Leitlinien und anonymisierten Patientendaten liefert. Die Plattform kombiniert Sprachmodelle mit klassischem maschinellem Lernen. Durch Integration in bestehende Informationssysteme optimiert dianoviCDS Arbeitsabläufe und unterstützt bei der Abrechnungsoptimierung. hessian.ai/aisr-community/dianovi

Online Plattformen

Kaggle-Datensätze und Kaggle-Wettbewerbe illustrieren den Einsatz künstlicher Intelligenz in der Medizin, indem sie Zugang zu Gesundheitsdaten und Herausforderungen bieten. Nutzende können Datensätze wie beispielsweise anonymisierte, fiktive Gesundheitsdaten oder medizinische Bilddaten herunterladen, um KI-Modelle für Diagnosen oder Therapieoptimierung zu trainieren. Parallel dazu fördern Wettbewerbe die Entwicklung von Algorithmen und Modellen, etwa zur Vorhersage von Krankheitsverläufen oder zur Analyse von Gesundheitsrisiken, durch kollaborativen Wissenswettbewerb. Kaggle bietet eine Plattform, auf der KI-gestützte Lösungen getestet, verfeinert und auf medizinische Probleme angewendet werden können.

Ethik

Das Projekt „Mein Doktor, die KI und ich“ des Instituts für Geschichte, Ethik und Philosophie der Medizin an der Medizinischen Hochschule Hannover untersuchte den Einsatz von Künstlicher Intelligenz in der Gesundheitsversorgung aus der Perspektive von Bürgern und Ärzten über den Zeitraum von 2023 bis 2024. In mehreren Veranstaltungen wurde diskutiert, wie KI die Arzt-Patienten-Beziehung verändert und welche ethischen Herausforderungen dabei entstehen. Ziel war es, konkrete Handlungsempfehlungen für den verantwortungsvollen Einsatz von KI in der Medizin zu entwickeln.

Die Studie „Patients’ Trust in Health Systems to Use Artificial Intelligence“ von Paige Nong und Jodyn Platt (JAMA Network Open, 2025) untersucht das Vertrauen von US-Bürgern in Gesundheitssysteme hinsichtlich des verantwortungsvollen Einsatzes von Künstlicher Intelligenz (KI) und des Schutzes vor KI-bedingten Schäden. Basierend auf einer national repräsentativen Umfrage von 2039 Erwachsenen im Jahr 2023 zeigt die Studie, dass die Mehrheit (65,8 %) geringes Vertrauen in den verantwortungsvollen KI-Einsatz und 57,7 % geringes Vertrauen in den Schutz vor KI-Schäden hat. Höheres allgemeines Vertrauen in das Gesundheitssystem korreliert stark mit Vertrauen in KI-Nutzung, während Diskriminierungserfahrungen im Gesundheitswesen das Vertrauen senken. Die Autoren betonen die Notwendigkeit besserer Kommunikation und Investitionen in die Vertrauenswürdigkeit von Gesundheitsorganisationen, um das Vertrauen in KI-Anwendungen zu stärken. (Nong und Platt 2025)

Die Studie „Expectations of healthcare AI and the role of trust: understanding patient views on how AI will impact cost, access, and patient-provider relationships“ von Paige Nong und Molin Ji (Journal of the American Medical Informatics Association, 2025) untersucht die Erwartungen von US-Bürgern an Künstliche Intelligenz (KI) im Gesundheitswesen basierend auf einer national repräsentativen Umfrage mit 2039 Teilnehmern von Juni bis Juli 2023. Die Ergebnisse zeigen niedrige Erwartungen: Nur 19,4 % erwarten Kostensenkungen, 19,55 % eine Verbesserung der Arzt-Patienten-Beziehung und 30,28 % besseren Zugang zur Versorgung. Höheres Vertrauen in Gesundheitssysteme und Ärzte korreliert mit positiveren KI-Erwartungen, während Frauen sowie Schwarze und Hispanics höhere Erwartungen als Männer bzw. Weiße haben. Die Autoren betonen, dass Vertrauen und Patientenbindung zentrale Aspekte der KI-Governance sein sollten, um negative Auswirkungen auf das Vertrauen zu vermeiden und patientenzentrierte KI-Systeme zu fördern. (Nong und Ji 2025)

Datengetriebene Lösungen

Die Dienstleistung von Intrexx konzentriert sich auf die Bereitstellung einer Low-Code-Plattform, um Datenaustausch bestehender digitaler Systeme nahtlos zu ermöglichen. Intrexx ermöglicht die Erstellung von Datenanwendungen mit minimalem Programmieraufwand, indem es intuitive Tools wie den Daten-Designer für zentralisierte, datenschutzkonforme Datenverwaltung bereitstellt. Automatisierung wird durch vordefinierte Workflows realisiert, wodurch Routineaufgaben effizienter und fehlerärmer werden. Der Intrexx Applikations-Builder ermöglicht es Datenmodelle, Formulare und Workflows zu erstellen und an spezifische Anforderungen anzupassen. Es bedarf keine umfassenden IT-Kenntnisse, dank der Low-Code-Ansätze wie Drag-and-Drop und vorgefertigter Schnittstellen.

Übersichtsplattform

Die Website Alles KI bietet einen Überblick über KI-Anwendungen zum Einsatz im Alltag.

Forschung

AMIE (Articulate Medical Intelligence Explorer) ist ein KI-System basierend auf einem großen Sprachmodell, das für diagnostische Dialoge optimiert wurde. Der medizinische Dialog mit dem Patienten ist elementar für eine präzise Diagnose. KI kann diesen Prozess zugänglicher und konsistenter machen könnte. AMIE wurde mit einem neuartigen, simulationsbasierten Selbstlernsystem trainiert und in einer randomisierten, doppelt verblindeten Studie mit 149 klinischen Szenarien gegen Hausärzte getestet. Dabei zeigte AMIE eine höhere diagnostische Genauigkeit und übertraf die Ärzte in den meisten Bewertungskategorien, wie Anamneseaufnahme und Empathie. Dennoch betont der Artikel Einschränkungen, wie die ungewohnte Text-Chat-Schnittstelle, und fordert weitere Forschung für reale Anwendungen. (Tu u. a. 2024) AMIE wurde erweitert, um nicht nur Diagnosen zu stellen, sondern auch das Follow-up zu unterstützen, indem es Krankheitsverläufe, Therapieansprechen und sichere Medikamentenverordnungen berücksichtigt. Basierend auf den Gemini-Modellen nutzt AMIE Techniken wie langes Kontextverständnis und geringe Halluzinationsraten, um Ärzte und Patienten bei komplexen Behandlungsplänen zu unterstützen.

Die Studie „Why Is Primary Care Different? Considerations for Machine Learning Development with Electronic Medical Record Data“ von Jacqueline K. Kueper et al., veröffentlicht am 24. April 2025 in NEJM AI, beleuchtet die Besonderheiten der Primärversorgung und deren Implikationen für die Entwicklung von maschinellem Lernen (ML) mit Daten aus elektronischen Patientenakten. Primärversorgung als Fundament des Gesundheitssystems zeichnet sich durch Erstkontakt, Ganzheitlichkeit, Koordination und Kontinuität aus, doch die ML-Entwicklung in diesem Bereich hinkt anderen medizinischen Fachrichtungen hinterher. Die Autoren betonen die Notwendigkeit maßgeschneiderter Methoden, die repräsentative Daten, ganzheitliche Kohorten, zielgerichtete Outcomes und validierungsstrategien für dezentrale klinische Kontexte berücksichtigen. Interdisziplinäre Zusammenarbeit und verstärkte Investitionen in ML-Forschung für die Primärversorgung könnten klinische Entscheidungsfindung, Patientenergebnisse und Innovationen im Gesundheitswesen verbessern. (Kueper u. a. 2025)

Der Artikel „Application of Artificial Intelligence in Community-Based Primary Health Care: Systematic Scoping Review and Critical Appraisal“ untersucht die Anwendung von Künstlicher Intelligenz (KI) in der Primärversorgung. Die systematische Übersichtsarbeit, veröffentlicht 2021, analysiert 90 Studien, die KI-Systeme in diesem Bereich getestet oder implementiert haben, und identifiziert häufig verwendete Methoden wie maschinelles Lernen (45 %), natürliche Sprachverarbeitung (27 %) und Expertensysteme (19 %). Die Ergebnisse zeigen Vorteile wie verbesserte Diagnose und Krankheitsmanagement, weisen jedoch auch auf Herausforderungen wie Datenvariabilität, ethische Bedenken und hohe Verzerrungsrisiken hin. Die Autoren betonen die Notwendigkeit weiterer Forschung, um die effektive Entwicklung und Implementierung von KI in der Primärversorgung zu fördern, insbesondere unter Berücksichtigung von Geschlecht, Alter und ethnischer Diversität. (Abbasgholizadeh Rahimi u. a. 2021)

Die Studie „Artificial Intelligence in Outpatient Primary Care: A Scoping Review on Applications, Challenges, and Future Directions“ untersucht den Einsatz von künstlicher Intelligenz (KI) in der ambulanten Grundversorgung. Sie analysiert, wie KI-Technologien wie maschinelles Lernen und Deep Learning diagnostische Genauigkeit, Risikoprognosen, personalisierte Behandlungen und Workflow-Effizienz verbessern können. Die Autoren, Stacy Iannone, Amarpreet Kaur und Kevin B. Johnson, führten eine systematische Literaturrecherche nach PRISMA-ScR-Richtlinien durch und identifizierten 61 relevante Studien aus 3.203 gescreenten Manuskripten. Die Ergebnisse zeigen, dass KI hauptsächlich in der Modellentwicklung steckt, mit begrenzter realer Anwendung in Bereichen wie klinischer Entscheidungsfindung und Krankheitsdiagnose. Die Studie betont die Notwendigkeit von groß angelegten klinischen Studien, interdisziplinären Kooperationen und verbesserten Datenschutzstandards, um KI effektiv in die Primärversorgung zu integrieren und Patientenergebnisse zu verbessern. (Iannone, Johnson, und Kaur 2025)

Bürokratieerleichterung

Die Studie „Machine learning in general practice: scoping review of administrative task support and automation“ untersucht den Einsatz von maschinellem Lernen zur Unterstützung und Automatisierung administrativer Aufgaben in der Allgemeinmedizin. Die Autoren analysierten 12 Studien, die überwiegend Terminplanungsaufgaben mit überwachten Lernmethoden behandeln, jedoch mit geringer Beteiligung von Allgemeinmedizinern. Die Forschung zeigt ein hohes Potenzial für solche Methoden, ist aber durch fehlende open-source-Daten und eine Priorisierung diagnostischer Aufgaben begrenzt. Zukünftige Studien sollten open-source-Daten nutzen und die Beteiligung von Ärzten klar dokumentieren. (Sørensen u. a. 2023)

Arbeitsgruppen

  • Das [Schliep Lab](https://schlieplab.org/] an der Brandenburgischen Technischen Universität erforscht mit KI neue Medikamente, untersucht Genome und entwickelt Algorithmen für Sequenzierungsdaten.
  • Das van der Schaar Lab an der Universität Cambridge entwickelt KI- und maschinelle Lernmethoden für die Medizin.
  • Das Digital Health Cluster des HPI forscht mit neuen Technologien an innovativen Lösungen, um die Gesundheit und das Wohlbefinden von Menschen und Gemeinschaften zu verbessern.

Akzeptanz Künstlicher Intelligenz

Das Projekt „KI-BA: Künstliche Intelligenz in der Versorgung – Bedingung der Akzeptanz von Versicherten“ untersucht die Akzeptanz von KI-Anwendungen in der gesetzlichen Krankenversicherung (GKV) aus der Perspektive von Versicherten und Ärzt:innen. Ziel ist es, individuelle und kontextuelle Einflussfaktoren wie Alter, Bildung oder Technikaffinität zu identifizieren, die die Akzeptanz beeinflussen. Dazu werden KI-Einsatzgebiete kategorisiert, quantitative Befragungen mit etwa 1.500 Versicherten und 500 Ärzt:innen in Nordbayern durchgeführt und Handlungsempfehlungen für die nutzergerechte Implementierung von KI-Systemen entwickelt. Das von der Fraunhofer-Gesellschaft und der Friedrich-Alexander-Universität Erlangen-Nürnberg geführte Projekt lief von August 2021 bis Januar 2024 und wurde mit ca. 900.000 Euro gefördert.

KI Lehre

Die Studie in “AI education for clinicians” (Januar 2025) betont die Notwendigkeit gezielter AI-Ausbildung für Kliniker, um den sicheren und effektiven Einsatz von AI-Tools in der Medizin zu gewährleisten. Sie schlägt drei Expertise-Stufen vor: grundlegende Fähigkeiten zur Nutzung von AI-Tools, fortgeschrittene Fähigkeiten zur kritischen Bewertung und ethischen Implikationen sowie Expertenfähigkeiten für technische Innovationen. Die Autoren diskutieren Herausforderungen in der Integration von AI in medizinische Curricula, insbesondere logistische und curriculare Hürden, und empfehlen multidisziplinäre Ansätze sowie angepasste Lehrpläne für verschiedene Gesundheitssysteme und Fachrichtungen. Beispiele bestehender AI-Ausbildungsprogramme werden zur Veranschaulichung angeführt. (Schubert u. a. 2025)

KI Curriculum

Die Studie „AIFM-ed Curriculum Framework for Postgraduate Family Medicine Education on Artificial Intelligence: Mixed Methods Study“ entwickelt einen Lehrplanrahmen, um Künstliche Intelligenz (KI) in die Weiterbildung kanadischer Hausärzte zu integrieren. Durch eine Literaturrecherche und Expertenpanels entstand das AIFM-ed-Framework, das KI-Inhalte wie Grundlagen der Datenwissenschaft, Anwendung von KI-Tools (z. B. Diagnoseunterstützung, Praxisorganisation), ethische Aspekte (z. B. Datenschutz, Bias) und Bewertungsmethoden für KI-Tools umfasst. Diese Inhalte werden im 24-monatigen kanadischen Hausmedizin-Curriculum longitudinal integriert: im ersten Jahr durch Grundlagenmodule, im zweiten durch praktische Anwendungen wie Simulationen. Das Framework orientiert sich an den CanMEDS-Kompetenzen und adressiert den Bedarf an digitaler Kompetenz, wie vom College of Family Physicians of Canada gefordert. Es soll angehende Hausärzte befähigen, KI verantwortungsvoll in der Praxis einzusetzen, und fordert weitere Validierung für eine flächendeckende Implementierung. (Tolentino u. a. 2025)

Das Data-Augmented, Technology-Assisted Medical Decision Making (DATA-MD) Curriculum, entwickelt von einem interdisziplinären Team der University of Michigan, schließt die Wissenslücke von klinischem Personal bei der Bewertung und Nutzung von Künstlicher Intelligenz (KI) und Maschinenlernen (ML). Im Mai und Juni 2023 mit 23 Assistenzärzten der Inneren Medizin getestet, umfasst das Curriculum vier Module zu KI/ML-Grundlagen, Epidemiologie und Biostatistik, Unterstützung diagnostischer Entscheidungen sowie ethischen und rechtlichen Aspekten. Das Pilotprogramm zeigte signifikante Verbesserungen der Wissensstände in drei Modulen und erhöhte das Vertrauen der Lernenden in die Bewertung von KI/ML-Literatur und deren Anwendung in der klinischen Praxis. Trotz Einschränkungen wie kleiner Stichprobengröße und fehlendem Fokus auf generative KI zeigt das Curriculum Potenzial für eine breitere Anwendung in verschiedenen medizinischen Fachrichtungen und Institutionen, mit Plänen für Erweiterung und regelmäßige Aktualisierungen, um neue KI-Technologien zu berücksichtigen. (Wong u. a. 2024)

Internationaler Vergleich

Der Bericht „Trust, attitudes and use of artificial intelligence: A global study 2025“ zeigt, dass Deutschland im Vergleich zu anderen Ländern niedrige Werte bei KI-Ausbildung, -Wissen und -Kompetenz aufweist, wobei nur 20% der Befragten KI-bezogene Schulungen angaben, das Wissen bei 2,4/5 und die Kompetenz bei 4,0/7 liegt. Viele nutzen KI-Systeme regelmäßig, doch nur einige glauben, dass die Vorteile die Risiken überwiegen, und die Besorgnis über KI überwiegt Optimismus. Es wird Regulierung gefordert, bestehende Vorschriften seien unzureichend, wobei die wahrgenommene Angemessenheit von Schutzmaßnahmen von 2022 bis 2024 sank. Im Arbeitskontext stieg die regelmäßige KI-Nutzung, und die organisatorische Einführung von KI wuchs, doch die Unterstützung für verantwortungsvolle KI-Nutzung nahm ab. Das KI-Wissen blieb konstant, aber Sorgen und wahrgenommene Risiken stiegen, während Vertrauen in KI-Systeme und deren Vertrauenswürdigkeit abnahmen. Deutschland zeigt somit geringe KI-Akzeptanz, sinkendes Vertrauen und wachsende Skepsis, ähnlich wie andere fortgeschrittene Volkswirtschaften.

Regulatorik

Der Artikel „Regulation of AI: Learnings from Medical Education“ von Vokinger, Soled und Abdulnour, veröffentlicht im April 2025 in NEJM AI, beleuchtet die regulatorischen Herausforderungen bei der Integration von künstlicher Intelligenz (KI) in das Gesundheitswesen aufgrund ihrer dynamischen und intransparenten Natur. Die Autoren schlagen ein KI-CBME-Lebenszyklus-Framework vor, das Parallelen zur kompetenzbasierten medizinischen Ausbildung (CBME) zieht. Dieses Framework übernimmt die fünf Kernkomponenten von CBME – Kompetenzdefinition, schrittweises Vorgehen, maßgeschneiderte Lernerfahrungen, kompetenzorientierter Unterricht und standardisierte Bewertung – zur Regulierung von KI-Systemen. Es betont kontinuierliche, ergebnisorientierte Bewertungen in Produktionsumgebungen, um Patientensicherheit, Verantwortlichkeit und Vertrauen zu gewährleisten und gleichzeitig das Potenzial von KI im Gesundheitswesen zu maximieren. (Vokinger, Soled, und Abdulnour 2025)

Hinweis: Der Text erhebt keinen Anspruch auf Vollständigkeit oder Korrektheit und stellt keine Rechtsberatung dar.