Welche KI-Anwendungen gibt es in der Medizin?

KI-Anwendungen in der Medizin umfassen heute ein breites Spektrum: von der Bildanalyse in der Radiologie über die klinische Entscheidungsunterstützung in der Notaufnahme bis hin zu Kodiertools, die bereits dokumentierte Diagnosen in ICD- und OPS-Kodes übersetzen. Entscheidend ist dabei, welche Art von KI eingesetzt wird, denn das bestimmt unmittelbar, welche regulatorischen Pflichten nach dem EU AI Act gelten. Die folgenden Abschnitte beantworten die wichtigsten Fragen, die Krankenhäuser und Medizincontroller dazu stellen.

Wo wird KI in der Medizin bereits eingesetzt?

KI wird in der Medizin bereits in mehreren klar abgrenzbaren Bereichen produktiv genutzt: Bildgebung und Radiologie, Labordiagnostik, klinische Dokumentation, Triage in der Notaufnahme sowie Abrechnung und Kodierung. Die Verbreitung variiert stark je nach Klinikgröße und Fachabteilung.

In der Radiologie analysieren KI-Systeme Röntgenbilder, CT- und MRT-Aufnahmen auf Auffälligkeiten wie Tumoren, Pneumothorax oder diabetische Retinopathie. Diese Systeme gelten regulatorisch als Hochrisiko-KI, weil sie als Medizinprodukt eingesetzt werden. In der Pathologie unterstützen neuronale Netze die Gewebeanalyse. In der Notaufnahme kommen Triage-Algorithmen zum Einsatz, die Vitalparameter auswerten und Dringlichkeitsstufen vorschlagen.

Parallel dazu existiert eine zweite, weniger sichtbare Anwendungsebene: KI-gestützte Dokumentations- und Kodiertools, Chatbots in der Patientenkommunikation sowie Sprachmodelle wie ChatGPT, die in der Verwaltung und auf Station genutzt werden. Diese Anwendungen fallen regulatorisch in unterschiedliche Risikokategorien und erfordern deshalb unterschiedliche Compliance-Maßnahmen.

Wie funktioniert KI-gestützte Diagnostik im Krankenhaus?

KI-gestützte Diagnostik im Krankenhaus funktioniert über trainierte neuronale Netze, die Muster in großen Datensätzen erkennen. Das System wird auf Tausenden bereits klassifizierten Befunden trainiert und lernt dabei statistische Zusammenhänge zwischen Eingabedaten und Diagnosen. Im klinischen Einsatz analysiert es neue Daten und gibt eine Wahrscheinlichkeitsaussage aus.

Der entscheidende Unterschied zur regelbasierten KI älterer Prägung liegt in der Architektur. Klassische Expertensysteme arbeiteten mit einprogrammierten Wenn-dann-Regeln, zum Beispiel: „Wenn Fieber plus Leukozytose plus Streptokokken im Blutbild, dann empfehle Penicillin.“ Moderne Deep-Learning-Modelle hingegen lernen Zusammenhänge frei aus Daten, ohne dass jede Regel explizit formuliert werden muss. Das macht sie leistungsfähiger, aber auch weniger transparent.

Genau diese Intransparenz ist das zentrale Problem: Bei neuronalen Netzen lässt sich oft nicht nachvollziehen, warum das Modell zu einer bestimmten Aussage kommt. Das sogenannte Black-Box-Problem erschwert Fehleranalyse und Qualitätssicherung erheblich. Hinzu kommt das Risiko von Halluzinationen, also plausibel klingenden, aber faktisch falschen Ausgaben, sowie systematischen Verzerrungen durch Trainingsdaten, die bestimmte Patientengruppen unterrepräsentieren.

Mehr Infos

Spezielle Fragen zur Kodierung und im MD-Management ohne aufwendige Recherche beantworten?
Unser online Praxis-Handbuch!

Was ist der Unterschied zwischen schwacher und starker KI in der Medizin?

Schwache KI löst klar definierte Einzelaufgaben, zum Beispiel die Erkennung eines Lungenkarzinoms auf einem CT-Bild. Starke KI würde hingegen allgemeine Intelligenz abbilden, also eigenständig denken, lernen und urteilen wie ein Mensch. Starke KI existiert heute nicht. Alle medizinischen KI-Anwendungen sind schwache KI.

Diese Unterscheidung ist für den klinischen Alltag wichtig, weil sie überzogene Erwartungen korrigiert. Ein KI-System, das in der Radiologie exzellent abschneidet, kann nicht auf die Notaufnahme oder die Kodierung übertragen werden, ohne neu trainiert zu werden. Jede Anwendung ist auf ihren spezifischen Einsatzbereich zugeschnitten und versagt häufig genau dort, wo es am wichtigsten wäre: bei seltenen, untypischen oder komplexen Fällen.

Welche Rolle spielt KI bei der Fallkodierung und Abrechnung?

KI-Tools für Fallkodierung und Abrechnung schlagen auf Basis bereits dokumentierter Diagnosen und Prozeduren ICD- und OPS-Kodes vor. Diese Systeme analysieren den vorhandenen Text und liefern Kodiervorschläge mit Wahrscheinlichkeitsangaben. Sie fallen regulatorisch in die Kategorie begrenztes Risiko, nicht in die Hochrisiko-Kategorie des EU AI Acts.

Dieser Unterschied ist regulatorisch entscheidend und wird in der Praxis oft verwechselt. Ein Kodiertool, das auf Basis der ärztlichen Dokumentation einen DRG-relevanten Kode vorschlägt, trifft keine klinische Diagnose. Es übersetzt bereits getroffene medizinische Entscheidungen in ein Abrechnungssystem. Das ist grundsätzlich verschieden von einer KI, die eigenständig aus Sprachaufnahmen oder Bilddaten eine Diagnose generiert.

Für die Praxis bedeutet das: Kodier-KI unterliegt nach dem EU AI Act lediglich Transparenzpflichten. Betreiber müssen den Einsatzzweck intern dokumentieren und sicherstellen, dass Nutzer wissen, dass sie mit einem KI-gestützten System arbeiten. Die volle Compliance-Last der Hochrisiko-Kategorie, einschließlich Risikomanagementsystem, Grundrechte-Folgenabschätzung und zehnjähriger Aufbewahrungspflicht, entfällt. Das Online-Seminar KI im Krankenhaus von Medcontroller behandelt diese Abgrenzung praxisnah.

Gleichzeitig gilt: Automation Bias ist auch bei Kodier-KI ein reales Risiko. Kodierfachkräfte, die KI-Vorschläge routinemäßig übernehmen, ohne sie kritisch zu prüfen, verlieren mittelfristig die Fähigkeit, Fehler des Systems zu erkennen. Die menschliche Aufsicht bleibt unverzichtbar.

Welche rechtlichen und ethischen Fragen stellt KI in der Medizin?

Der EU AI Act (Verordnung 2024/1689) schafft den verbindlichen Rechtsrahmen für KI im Krankenhaus. Er stuft medizinische KI-Anwendungen nach Risiko ein und knüpft an jede Stufe konkrete Pflichten. Die Schulungspflicht nach Art. 4 gilt seit Februar 2025 für jedes Krankenhaus, das KI nutzt, und ist ab August 2026 bußgeldbewehrt.

Die vier Risikostufen im Überblick:

Unannehmbar: Verboten. Dazu zählt zum Beispiel Social Scoring von Patienten oder Mitarbeitern.
Hochrisiko: Volle Compliance-Pflichten. Betrifft KI-Radiologie, Triage-KI und KI in Medizinprodukten. Hochrisiko-Pflichten für Medizinprodukte (Anhang I) gelten ab August 2028, für Notaufnahme-Triage und vergleichbare Systeme (Anhang III) ab Dezember 2027.
Begrenztes Risiko: Transparenzpflichten. Betrifft Kodier-KI, Chatbots und Sprachmodelle wie ChatGPT.
Minimales Risiko: Keine spezifischen Pflichten. Betrifft Spamfilter, Autokorrektur und ähnliche Hilfsmittel.

Ethisch stellen sich darüber hinaus Fragen, die der Gesetzgeber nur teilweise beantwortet. Wer haftet, wenn eine KI-Diagnose falsch ist? Wie werden Verzerrungen in Trainingsdaten korrigiert, die bestimmte Patientengruppen systematisch benachteiligen? Und wie verhindert man, dass klinisches Urteilsvermögen durch zunehmende Abhängigkeit von KI-Systemen erodiert?

Wann ersetzt KI den Arzt – und wann nicht?

KI ersetzt den Arzt nicht und wird das auf absehbare Zeit nicht tun. KI-Systeme unterstützen, beschleunigen und ergänzen ärztliche Entscheidungen, aber sie übernehmen keine rechtliche Verantwortung, keine Empathie und kein kontextuelles Urteilsvermögen in komplexen Einzelfällen. Die Letztentscheidung liegt beim Arzt.

Das ist keine Frage des technischen Fortschritts allein, sondern eine rechtliche und strukturelle Tatsache. Der EU AI Act schreibt für Hochrisiko-KI explizit menschliche Aufsicht vor (Art. 14). Ein KI-System darf keine Entscheidung vollständig autonom treffen, wenn diese Entscheidung erhebliche Auswirkungen auf die Gesundheit einer Person hat.

Praktisch bedeutet das: KI kann in der Radiologie Auffälligkeiten markieren, die ein Radiologe anschließend bewertet. KI kann in der Kodierung Vorschläge liefern, die eine Kodierfachkraft prüft und freigibt. KI kann in der Notaufnahme Triage-Empfehlungen ausgeben, die ein Arzt bestätigt oder verwirft. In all diesen Szenarien ist der Mensch nicht ersetzt, sondern entlastet. Wo KI tatsächlich gefährlich wird, ist dort, wo diese Kontrollschicht fehlt oder wo Automation Bias dazu führt, dass Maschinenempfehlungen unhinterfragt übernommen werden.

So unterstützt Medcontroller beim KI-Einsatz im Medizincontrolling

Medcontroller begleitet Krankenhäuser dabei, KI-Anwendungen im Medizincontrolling rechtssicher einzuführen und die gesetzlichen Anforderungen des EU AI Acts zu erfüllen. Das Angebot umfasst konkrete Bausteine:

KI-Beauftragter als externe Dienstleistung: Medcontroller übernimmt die Funktion des KI-Beauftragten als klar umrissenes Leistungspaket zum Pauschalpreis, inklusive Pflege des KI-Inventars, Schulungsorganisation und Dokumentationsverantwortung.
E-Learning-Module zur KI-Kompetenzpflicht: Skalierbare Online-Schulungen nach Art. 4 KI-VO, aufgabenbezogen und dokumentationsfähig, mit Prüfung und Zertifikat. Geeignet auch für große Belegschaften. Mehr dazu unter E-Learning-Anmeldung.
Inhouse-Schulungen: Maßgeschneiderte Trainings für Führungsebene, Medizincontrolling und spezifische Berufsgruppen, mit auf das Haus zugeschnittenen Inhalten.
Online-Seminar „KI im Krankenhaus“: 4,5 Stunden Live-Online mit Zertifikat als kompakter Einstieg in die KI-Compliance.

Wer 2026 die drei Sofortmaßnahmen, KI-Inventar, Schulungsprogramm und Benennung eines KI-Beauftragten, noch nicht abgeschlossen hat, sollte jetzt handeln. Melden Sie sich direkt zum Webinar KI im Krankenhaus an oder nehmen Sie Kontakt mit Medcontroller auf, um das passende Leistungspaket für Ihr Haus zu besprechen.