25 Anwendungsfälle von KI im Gesundheitswesen mit Beispielen

Eine aktuelle Studie zeigt, dass hybride Teams aus menschlichen Ärzten und KI-Systemen genauere medizinische Diagnosen stellen, vor allem weil sie unterschiedliche, sich ergänzende Fehler machen und so einander korrigieren können. Diese Ergebnisse deuten auf ein starkes Potenzial von KI zur Verbesserung der Patientensicherheit und zur Förderung einer gerechteren Gesundheitsversorgung hin.¹

Wie schneiden KI-Systeme im Gesundheitswesen ab?

Nature Medicine: Allgemeine vs. spezialisierte klinische KI

Diese Studie vergleicht zwei spezialisierte klinische KI-Tools, OpenEvidence und UpToDate Expert KI, mit drei allgemeinen Frontier-Modellen: GPT-5.2, Gemini 3.1 Pro und Claude Opus 4.6. Die Studie bezog auch Google Search KI Overview als allgemein zugänglichen Referenzpunkt in die Praxisbewertung ein.

Die Bewertung besteht aus drei Komponenten:

• MedQA: 500 ärztliche Zulassungsfragen.
• HealthBench: 500 klinische Prompts, die anhand von Expertengutachten bewertet wurden.
• Real Clinical Queries (RCQ): 100 anonymisierte Fragen, die von Ärzten in einer klinischen Live-Umgebung gestellt wurden. Die Antworten wurden von 12 verblindeten Klinikern auf Richtigkeit, Vollständigkeit, Sicherheit und Klarheit bewertet.

Die Studie untersucht, ob Produkte, die speziell für den klinischen Einsatz vermarktet werden, besseres medizinisches Wissen, klinische Ausrichtung und praktischen Nutzen bieten als allgemeine LLMs.

Die RCQ-Komponente ist besonders wichtig, da sie die Leistung bei Fragen misst, die Ärzte tatsächlich stellen, und sich nicht nur auf prüfungsartige Datensätze verlässt.

Ergebnisse des Benchmarks

Die allgemeinen Modelle übertrafen die spezialisierten klinischen Tools in allen drei Bewertungen:

• Bei MedQA erreichte Gemini 97,4%, verglichen mit 89,6% für OpenEvidence und 88,4% für UpToDate.
• Bei HealthBench erreichte GPT-5.2 88,0, während OpenEvidence und UpToDate 62,6 und 61,3 erreichten.
• Bei RCQ erzielte Gemini eine durchschnittliche Klinikerbewertung von 3,62 von 4, gefolgt von GPT-5.2 mit 3,54 und Claude mit 3,52. OpenEvidence erzielte 3,24 und UpToDate 3,17.
• Google KI Overview lag ungefähr auf dem Niveau der beiden klinischen Tools.
• UpToDate verweigerte 19% der realen klinischen Anfragen, verglichen mit 1–3% bei den Frontier-Modellen.
• Die Studie fand keine statistisch signifikanten Unterschiede zwischen den Systemen hinsichtlich schädlicher Inhalte oder Halluzinationsraten.

Was bedeuten die Ergebnisse?

Eine gesundheitsspezifische Benutzeroberfläche, ein Retrieval-System oder eine Marke führt nicht automatisch zu einer besseren klinischen Leistung. Zumindest bei den getesteten Aufgaben scheinen Modellgröße, allgemeine Denkfähigkeit und Ausrichtung mehr Wert zu bieten als eine domänenspezifische Positionierung.

Für Gesundheitsorganisationen unterstützt das Ergebnis die unabhängige Bewertung klinischer KI-Produkte vor der Beschaffung, anstatt anzunehmen, dass spezialisierte Tools genauer oder sicherer sind. Die Studie bewertete jedoch keine Faktoren wie Zitationsqualität, Latenz, Kosten, Workflow-Integration oder Leistung bei hochspezialisierten medizinischen Aufgaben.²

MedAgentBench: Eine virtuelle EHR-Umgebung zum Benchmarken medizinischer LLM-Agenten

MedAgentBench ist eine Evaluationsumgebung zum Testen, ob LLM-Agenten Aufgaben innerhalb einer elektronischen Patientenakte ausführen können, anstatt nur medizinische Fragen zu beantworten.

Sie enthält 300 von Klinikern verfasste Aufgaben in 10 Kategorien, 100 realistische Patientenprofile und mehr als 700.000 klinische Datenelemente. Die Modelle interagieren über FHIR mit einer simulierten EHR, dem Interoperabilitätsstandard, der von großen Gesundheitsinformationssystemen unterstützt wird.

Zu den Aufgaben gehören das Abrufen von Patienteninformationen, die Überprüfung von Laborergebnissen, die Dokumentation von Vitalzeichen, das Anordnen von Tests, das Ausstellen von Überweisungen und das Erstellen von Medikamentenaufträgen.

MedAgentBench misst, ob ein KI-Agent:

• Die Anweisung eines Klinikers versteht.
• Die richtigen Informationen in einer Patientenakte findet.
• Bedingte klinische Logik anwendet.
• Die richtigen EHR-Funktionen auswählt und aufruft.
• Die angeforderte Aktion abgeschlossen, ohne ungültige oder unvollständige Ergebnisse zu produzieren.

Die Hauptmetrik ist der End-to-End-Aufgabenerfolg. Das Modell muss die Aufgabe korrekt abschließen, nicht nur eine plausible Erklärung liefern.

Ergebnisse des Benchmarks

Claude 3.5 Sonnet v2 erzielte die höchste Gesamterfolgsquote von 69,67%, gefolgt von GPT-4o mit 64,0%, DeepSeek-V3 mit 62,67% und Gemini 1.5 Pro mit 62,0%.

Was bedeuten die Ergebnisse?

Aktuelle Modelle können viele strukturierte EHR-Aufgaben bewältigen, insbesondere die Informationsbeschaffung. Allerdings scheiterte selbst das beste Modell bei insgesamt etwa 30% aller Aufgaben und bei fast der Hälfte der handlungsorientierten Aufgaben.

Dieses Zuverlässigkeitsniveau könnte für überwachte Pilotprojekte, administrative Unterstützung oder schreibgeschützte Arbeitsabläufe nützlich sein. Es reicht jedoch nicht für unbeaufsichtigte Medikamenten-, Labor- oder Überweisungsaktionen, bei denen ein einziger falscher API-Aufruf die Patientenakte verändern kann.

MedAgentBench unterstreicht daher den Unterschied zwischen medizinischem Wissen und betrieblicher Zuverlässigkeit: Ein Modell kann medizinische Fragen gut beantworten, während es immer noch Schwierigkeiten hat, mehrstufige klinische Workflows auszuführen.³

MAST: Medical KI Superintelligence Test

MAST ist eine kontinuierlich aktualisierte Suite von KI-Benchmarks für den medizinischen Bereich, die vom ARISE KI Research Network gepflegt wird. Anstatt eine einzelne eng begrenzte Fähigkeit zu messen, kombiniert sie Bewertungen, die folgendes abdecken:

• Diagnostische Argumentation
• Management-Argumentation
• Patientensicherheit
• Radiologie
• Andere medizinische Bilder
• Agentische Aufgabenerfüllung

Zu den enthaltenen Benchmarks gehören First Do NOHARM, CPC-Bench, der Script Concordance Test, ReXrank Mini, MedAgentBench v2 und PhysicianBench.

MAST veröffentlicht sowohl einen allgemeinen Composite als auch einen für Kliniker fokussierten Composite. Die Punktzahlen verwenden einen gleichgewichteten harmonischen Mittelwert, was bedeutet, dass eine schwache Leistung in einem Bereich die Gesamtpunktzahl stärker beeinträchtigt als bei einem einfachen Durchschnitt. Die agentische Leistung wird derzeit separat ausgewiesen und nicht in die Composits einbezogen.

MAST zielt darauf ab, zu messen, ob ein KI-System über breite und ausgewogene klinische Fähigkeiten verfügt, anstatt ob es für eine bestimmte Prüfung oder einen Datensatz optimiert werden kann.

Ergebnisse des Benchmarks

Am 17. Juli 2026 führte GPT-5.5 das öffentliche Composite-Ranking mit 61,6% an, gefolgt von Gemini 3.5 Flash mit 59,4%, Claude Opus 4.7 mit 59,0% und Gemini 3.1 Pro mit 58,7%.

Die relativ geringen Unterschiede zwischen den führenden Modellen stehen im Kontrast zu größeren Abweichungen auf Ebene der einzelnen Benchmarks. So führen beispielsweise spezialisierte retrievalbasierte klinische Systeme den Sicherheitsbenchmark First Do NOHARM an, während allgemeine Modelle tendenziell eine breitere Abdeckung bei Argumentations- und Bildgebungsaufgaben bieten.

Was bedeuten die Ergebnisse?

Kein Modell zeigt derzeit eine gleichmäßig starke Leistung in allen klinischen Dimensionen. Composite-Werte im niedrigen 60%-Bereich deuten darauf hin, dass selbst führende Systeme erhebliche Schwächen aufweisen, die dann sichtbar werden, wenn diagnostische Argumentation, Behandlungsentscheidungen, Sicherheit und Bildinterpretation gemeinsam bewertet werden.

Der Benchmark zeigt auch, warum die Auswahl von KI im Gesundheitswesen anwendungsspezifisch erfolgen sollte. Ein Modell, das Gesamtranking anführt, ist möglicherweise nicht das beste System für Sicherheitsüberprüfungen, Radiologie oder EHR-Automatisierung. Gesundheitseinrichtungen sollten daher die Ergebnisse auf Dimensionsebene prüfen, anstatt sich nur auf eine einzige Composit-Bewertung zu verlassen.⁴

Anwendungsfälle von KI im Gesundheitswesen

Patientenversorgung

1. Virtuelle Stationen

Eine virtuelle Station ist ein Versorgungsmodell, bei dem Patienten zu Hause eine Behandlung auf Krankenhausniveau erhalten, während sie vom medizinischen Personal aus der Ferne überwacht werden.

Praxisbeispiel: NHS Virtual Wards

Tausende schwerkranke Kinder in England werden jetzt zu Hause über „Virtual Wards“ des NHS behandelt und vermeiden so lange Krankenhausaufenthalte. Mit tragbaren Geräten wie Herzfrequenz- und Sauerstoffmonitoren können Ärzte die Vitalzeichen der Patienten verfolgen und schnell reagieren, falls sich etwas ändert.

Kinder mit Erkrankungen wie Asthma, Herzproblemen, Infektionen und chronischen Krankheiten erhalten eine Krankenhausbehandlung aus der Ferne, wobei Krankenschwestern bei Bedarf für Tests oder Medikamente zu Hause vorbeikommen. Die Daten werden rund um die Uhr von klinischen Teams über Plattformen wie Feebris überwacht, die KI nutzt, um Frühwarnsignale zu erkennen (siehe Abbildung 1).

Abbildung 1: Feebris' Pulsüberwachungsbeispiel.

Für die Familien sind die emotionalen Auswirkungen erheblich. Die Versorgung zu Hause reduziert Stress und hilft den Kindern, sich sicherer und wohler zu fühlen. Die Verantwortlichen des NHS sagen, dass virtuelle Stationen Krankenhausbetten freimachen und gleichzeitig die Versorgung kinderfreundlicher machen, und sie erwarten, dass die Fernversorgung in den kommenden Jahren für viele Erkrankungen zum Standard wird.⁵

2. Assistierte Diagnose & Verschreibung

KI-gestützte Chatbots können Patienten bei der Selbstdiagnose leichter Erkrankungen unterstützen oder Ärzten bei der Diagnose anhand von Symptomen, Krankengeschichte und Diagnosedaten helfen.

Eine Studie, die untersuchte, wie gut ChatGPT Erkrankungen diagnostizieren kann und wie oft es empfiehlt, einen Arzt aufzusuchen, ergab gemischte Ergebnisse hinsichtlich seiner diagnostischen Zuverlässigkeit.

Über fünf Tage hinweg stellten die Forscher ChatGPT dieselben Fragen zu fünf häufigen orthopädischen Erkrankungen. Die Antworten wurden als korrekt, teilweise korrekt, falsch oder als Liste möglicher Diagnosen bewertet. Die Genauigkeit und Konsistenz der Antworten wurde gemessen, und ChatGPTs Fähigkeit, orthopädische Erkrankungen genau zu diagnostizieren, war inkonsistent.

Zudem waren seine Empfehlungen, ärztliche Hilfe in Anspruch zu nehmen, nicht immer stark ausgeprägt. ChatGPT könnte als erster Schritt nützlich sein, doch es besteht ein Risiko, sich ohne angemessenen ärztlichen Rat auf die Selbstdiagnose zu verlassen.⁶

Praxisbeispiel: Ochsner Health mit DeepScribe

Ärzte verbrachten zuvor viel Zeit mit der Dokumentation von Patientenbesuchen (oft nach Feierabend), was sowohl die Genauigkeit als auch die Work-Life-Balance beeinträchtigte. Ochsner Health hat sich mit DeepScribe zusammengeschlossen, um die administrative Belastung durch klinische Dokumentation im gesamten Multi-Spezialitäten-Netzwerk zu reduzieren.

Die Umgebungs-KI von DeepScribe erfasst Gespräche in Echtzeit und generiert hochgradig anpassbare, fachspezifische Notizen, sodass Kliniker sich stärker auf die Patienteninteraktion konzentrieren können.

Infolgedessen erreichte das System eine 78%ige Akzeptanz bei den Klinikern und eine 96%ige Patientenzufriedenheit, während gleichzeitig die Dokumentationszeit erheblich verkürzt und die Qualität der Notizen verbessert wurde.⁷

Praxisbeispiel: DxGPT

DxGPT ist ein augmentiertes Intelligenz-Tool, das klinische Diagnose durch eine strukturierte Differentialdiagnose unterstützt, anstatt offenen Text zu liefern.

Es generiert fünf diagnostische Hypothesen mit Symptomen, die dafür und dagegen sprechen, und verwendet fortschrittliche Sprachmodelle innerhalb eines kontrollierten Rahmens, der Relevanz und Sicherheit gewährleisten soll.

Erste Validierungsstudien, einschließlich der Arbeit mit dem Sant Joan de Déu Hospital, deuten auf eine Genauigkeit hin, die mit der von klinischen Experten vergleichbar ist. Das System ist jedoch nicht für autonome Diagnosen bestimmt und muss von qualifiziertem Fachpersonal interpretiert werden.

DxGPT betont strenge Datenschutzpraktiken, darunter automatische Anonymisierung, speicherinterne Verarbeitung, keine Speicherung personenbezogener Daten und die Einhaltung von GDPR, HIPAA und dem entstehenden EU KI Act.⁸

Praxisbeispiel: OpenAI for Healthcare

OpenAI for Healthcare ist eine Suite von HIPAA-konformen KI-Tools, die klinische, betriebliche und administrative Arbeitsabläufe in Krankenhäusern, Gesundheitssystemen und anderen Versorgungseinrichtungen unterstützen.

Eine der Kernfähigkeiten von OpenAI im Gesundheitswesen ist die evidenzbasierte klinische Unterstützung bei der Diagnose. Das Tool liefert Antworten, die in relevanter medizinischer Literatur verankert sind, darunter von Experten begutachtete Studien, Leitlinien des öffentlichen Gesundheitswesens und klinische Richtlinien.

Sie enthalten auch transparente Zitate mit Titeln, Zeitschriften und Veröffentlichungsdaten, was eine schnelle Quellenüberprüfung ermöglicht, das klinische Denken unterstützt und eine zeitnahe Patientenversorgung fördert.⁹

3. KI-Tools für psychische Gesundheit

KI wird zunehmend in der psychischen Gesundheitsversorgung eingesetzt, um bei Früherkennung, Behandlung und kontinuierlicher Unterstützung zu helfen. Diese KI-Tools für psychische Gesundheit analysieren Text, Sprache, Gesichtsausdrücke, Wearables und Gesundheitsakten, um frühe Anzeichen von Erkrankungen wie Angstzuständen und Depressionen zu erkennen, Risiken vorherzusagen und die Behandlung zu personalisieren.

Darüber hinaus bieten Chatbots und digitale Plattformen emotionale Unterstützung, Therapieanleitung, Therapeutenvermittlung und kontinuierliche Überwachung, während sie gleichzeitig die Arbeitsbelastung der Kliniker durch Automatisierung reduzieren. Obwohl diese Tools den Zugang erweitern und die Effizienz verbessern, bleiben Herausforderungen in Bezug auf Datenschutz, Verzerrungen, Regulierung und die Sicherstellung, dass KI die menschliche Betreuung unterstützt und nicht ersetzt.

Praxisbeispiel: Verint (Cogito)

Cogito¹⁰ nutzt fortschrittliche künstliche Intelligenz, um die psychische Gesundheitsversorgung durch Echtzeit-Tools für emotionale Intelligenz und Gesprächsanalyse zu verbessern:

• Coaching für emotionale Intelligenz in Echtzeit: Cogitos Plattform analysiert stimmliche Hinweise während der Patienteninteraktionen und gibt Pflegemanagern Echtzeit-Anleitung. Dies hilft ihnen, Empathie zu zeigen, Vertrauen aufzubauen und die Patienteneinbindung zu verbessern, was für erfolgreiche psychische Gesundheitsinterventionen entscheidend ist. ​
• Überwachung der psychischen Gesundheit: Die Plattform sammelt passiv und sicher Verhaltensdaten über mobile Anwendungen und analysiert sie anhand klinischer Bewertungskriterien für psychische Gesundheit. Diese kontinuierliche Überwachung hilft bei der Früherkennung von psychischen Gesundheitsproblemen und ermöglicht rechtzeitige Interventionen.

Praxisbeispiel: Headspace

Headspace, ehemals Ginger und Headspace Health, nutzt prädiktive Analysen, um Personen mit einem Risiko für psychische Erkrankungen zu identifizieren, indem Verhaltensweisen wie erhöhter Stress, Schlafstörungen und sozialer Rückzug überwacht werden.

Wenn Muster auf ein potenzielles Problem hindeuten, ergreift die Plattform proaktiv die Initiative und bietet zusätzliche Unterstützung, z. B. die Verbindung von Nutzern mit Coaches für psychische Gesundheit.¹¹

Praxisbeispiel: ThroughLine

ThroughLine ist eine digitale Infrastrukturplattform, die Websites, Apps und Online-Communities den Zugang zu vertrauenswürdiger, von Menschen betreuter Krisen- und psychischer Gesundheitsunterstützung ermöglicht.

Sie integriert affektives Computing und KI-Prinzipien für psychische Gesundheit, um Nutzer intelligent mit den relevantesten Helplines aus einem verifizierten globalen Netzwerk von über 1.300 Diensten in 150 Ländern zu verbinden.

ThroughLine deckt kritische Bereiche wie Suizid, Missbrauch, Selbstverletzung und LGBTQ+-Unterstützung ab und bietet Integration über eine Web-App, ein einbettbares Widget oder eine Entwickler-API.

Die Plattform legt Wert auf Schutz durch strenge Verifizierungsstandards, inklusive Betreuungsrichtlinien und datenschutzfreundliche Analysen und hilft Partnern gleichzeitig, regulatorische Anforderungen wie GDPR und den EU Digital Services Act zu erfüllen.¹²

4. Kundenservice-Chatbots im Gesundheitswesen

Kundenservice-Chatbots können Patientenfragen zu Terminen, Abrechnung oder Medikamentennachfüllungen beantworten.

Dies kann die Geschwindigkeit und Genauigkeit von Diagnosen verbessern, die Arbeitsbelastung der Gesundheitsdienstleister verringern und eine bessere Ressourcenverteilung ermöglichen. Ärzte können sich auf komplexere Fälle konzentrieren, während KI-Tools Erstbewertungen oder Zweitmeinungen für Routinefälle liefern.

Praxisbeispiel: KI-gestützter Onkologie-Chatbot am SSG Hospital

Im Jahr 2025 startete das SSG Hospital einen KI-Chatbot speziell für Krebspatienten und Pflegepersonen. Er bietet sofortige Anleitung zu Behandlungsoptionen (wie Operation, Chemotherapie und Strahlentherapie), Anweisungen zur Nachsorge, Symptom- und Nebenwirkungsmanagement sowie Details zu ambulanten Abteilungen in mehreren Sprachen. Der Chatbot zielt darauf ab, Ängste zu reduzieren und eine zugänglichere, benutzerfreundlichere Kundenbetreuung zu bieten.¹³

5. KI-Agenten im Gesundheitswesen

KI-Agenten unterstützen im Gesundheitswesen durch Automatisierung von Aufgaben, Verbesserung der Entscheidungsfindung und bessere Patientenversorgung. Sie analysieren medizinische Daten für Diagnosen, schlagen personalisierte Behandlungen vor, prognostizieren Ergebnisse und verwalten administrative Aufgaben.

Agentic AI-Tools ermöglichen zudem Echtzeitüberwachung und virtuelle Konsultationen, was die Effizienz steigert und Fehler reduziert.

Praxisbeispiel: Prosper KI-Sprachagent für Northeast OB/GYN

Northeast OB/GYN hatte Schwierigkeiten, mit dem schnellen Wachstum Schritt zu halten, aufgrund von Personalmangel, hoher Fluktuation und steigenden Anrufvolumen, was zu langen Wartezeiten, nicht verifizierten Patientenleistungen und Mitarbeiter-Burnout führte.

Als Lösung setzte die Praxis Prosper ein, eine KI-gestützte Rezeptionslösung, die Terminplanung, Stornierungen, Leistungsüberprüfung und Wartelistenverwaltung automatisiert, während komplexe Fälle an das Personal weitergeleitet werden.

Nach einer schrittweisen Einführung wurde das System schnell in den täglichen Betrieb integriert, bearbeitet alle eingehenden Anrufe und löst etwa 50% ohne menschliches Eingreifen. Dies führte zu einer 40%igen Reduzierung der Betriebskosten, einem 12%igen Anstieg der vereinbarten Termine und einer konstanten 24/7-Abdeckung.¹⁴

Praxisbeispiel: Claude for Healthcare

Claude for Healthcare¹⁵ ist Anthropics HIPAA-fähiges Produkt, das Gesundheitsdienstleistern, Startups und Patienten ermöglicht, Claude sicher für medizinische und administrative Aufgaben zu nutzen.

Es erweitert die bestehenden Claude-Funktionen um gesundheitsspezifische Konnektoren, Agentenfähigkeiten und Compliance-Kontrollen, damit Organisationen direkt mit klinischen, Versicherungs- und Abrechnungsdaten arbeiten können.

Zu den wichtigsten Funktionen gehören:

• Healthcare-Datenkonnektoren: Bieten direkten Zugang zu branchenüblichen Quellen, einschließlich der CMS Coverage Database, ICD-10, dem National Provider Identifier Registry und PubMed.
• FHIR-Entwicklungsunterstützung: Zur Vereinfachung der Integration zwischen Gesundheitssystemen, die den FHIR-Standard nutzen, wodurch Entwicklungszeit und Integrationsfehler reduziert werden.
• Workflows für die Vorabgenehmigung: Eine konfigurierbare Vorlage zur Prüfung von Vorabgenehmigungen, die den Abgleich von Versicherungspolicen, klinischen Leitlinien, Patientenakten und Widerspruchsdokumentation unterstützt.
• Versorgungskoordination und Triage: Unterstützung beim Sortieren und Priorisieren von Patientennachrichten, Überweisungen und Übergaben, um sicherzustellen, dass dringende Anliegen rechtzeitig berücksichtigt werden.
• Plattform für Healthtech-Startups: APIs und Entwicklertools, die Startups den Aufbau KI-gestützter Lösungen wie klinischer Dokumentationsunterstützung, Chart-Review-Tools und administrativer Automatisierung ermöglichen.
• Integration persönlicher Gesundheitsdaten (USA): Optionaler und nutzergesteuerter Zugang zu Laborergebnissen und Gesundheitsakten über HealthEx, Function, Apple Health und Android Health Connect, sodass Claude die Krankengeschichte zusammenfassen, Ergebnisse erklären und bei der Vorbereitung auf klinische Besuche helfen kann.
• Datenschutz- und Sicherheitskontrollen: Ausdrückliche Nutzereinwilligung, feingranulare Berechtigungssteuerung, kein Training mit persönlichen Gesundheitsdaten, kontextbezogene Haftungsausschlüsse und Anleitung, bei Bedarf medizinisches Fachpersonal zu konsultieren.

Praxisbeispiel: Sully.ai

Parikh Health unter der Leitung von Dr. Neesheet Parikh hat seine Abläufe und die Patientenversorgung durch die Integration von Sully.ai mit seinen elektronischen Patientenakten (EMRs) erheblich verbessert.

Das KI-gestützte Check-in-System personalisiert die Patienteninteraktionen, während die Automatisierung der Rezeptionsaufgaben es dem Personal ermöglicht, sich stärker auf die Patientenbetreuung zu konzentrieren.

Diese Zusammenarbeit mit Sully.ai reduzierte die Operationen pro Patient um das 10-fache und verkürzte den Zeitaufwand für administrative Aufgaben wie die Patientenaktenverwaltung von 15 Minuten auf 1–5 Minuten. Dies führte zu einer 3-fachen Steigerung von Effizienz und Geschwindigkeit.

Zusätzlich hat die Plattform den Arzt-Burnout um 90% reduziert und ermöglicht fokussiertere und bedeutungsvollere Patienteninteraktionen.¹⁶

Praxisbeispiel: Agentic-KI Healthcare-Plattform

Agentic-KI Healthcare ist ein Forschungsprototyp, der mehrere KI-Agenten mit integrierten Datenschutz-, Erklärbarkeits- und regulatorischen Sicherheitsvorkehrungen kombiniert.

Das System verwendet Verschlüsselung, rollenbasierte Zugriffssteuerung und Audit-Protokolle, um sicherere Arbeitsabläufe im Gesundheitswesen zu unterstützen, und bietet mehrsprachige Unterstützung in Englisch, Französisch und Arabisch, um die Inklusivität zu verbessern.¹⁷

6. Rezeptprüfung

KI-Technologie hilft Gesundheitsdienstleistern, Verschreibungsfehler zu reduzieren, indem sie Rezepte auf mögliche Wechselwirkungen, falsche Dosierungen und Patientenallergien analysiert.

Dies verringert das Risiko unerwünschter Arzneimittelereignisse, einer bedeutenden Quelle von Komplikationen und Kosten im Gesundheitswesen.

7. Schwangerschaftsmanagement

KI-Systeme können eingesetzt werden, um die Gesundheit von Mutter und Fötus durch tragbare Geräte und Fernüberwachungssysteme zu überwachen.

Diese Tools nutzen Daten von Vitalwerten und anderen Metriken, um mögliche Komplikationen frühzeitig vorherzusagen und zu diagnostizieren. Dies verbessert die Schwangerschaftsergebnisse und senkt die Mütter- und Säuglingssterblichkeitsraten.

8. Echtzeit-Priorisierungstriage

KI-basierte präskriptive Analysen können Patientendaten wie Symptome, Krankengeschichte und Vitalwerte analysieren, um medizinischem Fachpersonal zu helfen, Fälle in Echtzeit zu priorisieren.

Praxisbeispiel: Lightbeam Health

Lightbeam Health nutzt prädiktive Analysen, um Gesundheitsrisiken bei Patienten vorherzusehen.

Es analysiert über 4.500 Faktoren, darunter klinische, soziale und umweltbedingte Determinanten, um versteckte Risiken zu identifizieren. Das System liefert zudem präskriptive Empfehlungen für gezielte Interventionen, die Patientenergebnisse verbessern, etwa durch die Reduzierung von Wiederaufnahmen und Notfallbesuchen.¹⁸

Praxisbeispiel: Wellframe

Wellframe ermöglicht es medizinischem Fachpersonal, personalisierte, interaktive Versorgungsprogramme direkt über eine mobile App an Patienten zu liefern. Die klinischen Module der Plattform basieren auf evidenzbasierter Versorgung, um sicherzustellen, dass Patienten Anleitung aus bewährten medizinischen Praktiken erhalten.

Die App unterstützt zudem die Echtzeitkommunikation zwischen Pflegeteams und Patienten für kontinuierliche Überwachung und sofortige Intervention bei Bedarf.

Gesundheitsexperten können die Erfahrung für jeden Patienten individuell anpassen und dabei auf individuelle Gesundheitszustände eingehen, wie z. B. das Management chronischer Krankheiten oder die Nachsorge nach einem Krankenhausaufenthalt.

Wellframes KI-Technologie bietet Patienten maßgeschneiderte Versorgungspläne und stattet Kliniker zudem mit Dateneinblicken über ein Dashboard aus. Diese Echtzeitinformationen helfen, Hochrisikopatienten zu priorisieren und eine effizientere Gesundheitsversorgung zu ermöglichen.

Wellframe ermöglicht durch diese Fähigkeiten bessere Patientenergebnisse, unterstützt die präventive Versorgung und fördert personalisiertere Beziehungen zwischen Patienten und ihren Pflegeteams.¹⁹

9. Echtzeit-Triage

Die Integration von KI zur Priorisierung stellt sicher, dass die kritischsten Fälle zuerst behandelt werden, wodurch die Effizienz der Notaufnahme gesteigert und die Patientenergebnisse verbessert werden.

Praxisbeispiel: Enlitic

Enlitics Patienten-Triage-Lösungen nutzen KI-Technologien, um die Effizienz von Gesundheitssystemen zu steigern, indem sie eingehende medizinische Fälle scannen und auf mehrere klinische Befunde hin bewerten.

Diese Befunde werden dann priorisiert, sodass die dringendsten Fälle an die entsprechenden medizinischen Fachkräfte im Netzwerk weitergeleitet werden. Dieser Prozess ermöglicht es dem Fachpersonal, Fälle mit hoher Priorität schneller zu bearbeiten, was die Patientenversorgung insgesamt verbessert und Verzögerungen bei Diagnose und Behandlung verringert.

Durch die Automatisierung der Triage mit KI helfen Enlitics Lösungen, die manuelle Belastung der Kliniker zu reduzieren und Arbeitsabläufe zu optimieren, insbesondere in der Radiologie. Die Plattform erhöht auch die Datenqualität im Gesundheitswesen, indem sie medizinische Bilddaten standardisiert, wodurch sichergestellt wird, dass Bilder korrekt beschriftet und weitergeleitet werden.²⁰

10. Personalisierte Medikamente und Versorgung

KI ermöglicht die Entwicklung personalisierter Behandlungspläne durch die Analyse individueller Patientendaten, einschließlich genetischer Informationen, Lebensstil und Krankengeschichte. Personalisierte Medizin hilft, die Behandlungswirksamkeit zu verbessern, Nebenwirkungen zu reduzieren und Gesundheitskosten zu senken, indem unnötige Behandlungen vermieden werden und die besten Ergebnisse für jeden Patienten angestrebt werden.

KI-Tools im Gesundheitswesen können Nutzern helfen, basierend auf ihren Patientendaten die besten Behandlungspläne zu finden, wodurch Kosten gesenkt und die Effektivität der Versorgung erhöht werden.

Praxisbeispiel: Aitia

Das Unternehmen nutzt maschinelles Lernen, um Patienten mit den für sie wirksamsten Behandlungen zu matchen.²¹

Praxisbeispiel: Oncora Medicals

Oncora kann Daten von Gesundheitssystemen analysieren und daraus lernen, um personalisierte Behandlungen speziell für Krebspatienten zu ermöglichen.²²

11. Patientendatenanalyse

Lösungen für Gesundheitsanalysen können Erkenntnisse aus klinischen Daten gewinnen, um Fachkräften im Gesundheitswesen Empfehlungen zur Verbesserung der Patientenversorgung, zur Identifizierung von Risikogruppen und zur Optimierung der Ressourcenallokation zu geben. Dieser Ansatz trägt zur Senkung der Versorgungskosten bei und verbessert gleichzeitig die Patientenergebnisse durch fundiertere Entscheidungsfindung.

Praxisbeispiel: Delphi-2M

Delphi-2M ist ein generatives Transformer-Modell, das darauf ausgelegt ist, den Verlauf von Krankheiten über die gesamte Lebensspanne einer Person hinweg vorherzusagen. Im Gegensatz zu herkömmlichen Einzelkrankheitsmodellen erfasst es Multimorbidität, indem es mehr als 1.000 Erkrankungen gleichzeitig analysiert. Es basiert auf einer modifizierten GPT-2-Architektur, kodiert das Alter, sagt sowohl die nächste Krankheit als auch deren Zeitpunkt voraus und berücksichtigt gleichzeitig auftretende Diagnosen.

Über die Vorhersage hinaus kann Delphi-2M langfristige Krankheitstrajektorien generieren und synthetische Datensätze erstellen, die klinische Muster bewahren und gleichzeitig die Privatsphäre schützen.

Trotz dieser Einschränkungen zeigt Delphi-2M Potenzial für Präzisionsmedizin, Früherkennung und systemweite Planung. Durch die Antizipation individueller Risiken und die Projektion von Krankheitslasten kann es sowohl die Patientenversorgung als auch die Gesundheitspolitik informieren. Zukünftige Erweiterungen könnten genomische, bildgebende und Wearable-Daten integrieren, um klinische und öffentliche Gesundheitsanwendungen weiter zu stärken.²³

Praxisbeispiel: Zakipoint Health

Zakipoint Health bietet ein umfassendes Dashboard, das darauf ausgelegt ist, eine transparente Sicht auf die Gesundheitsrisiken und -kosten jedes Mitglieds zu geben. Dieser Ansatz ermöglicht maßgeschneiderte Interventionen zur Verbesserung der Gesundheitsergebnisse.

Die Plattform nutzt prädiktive Analysen, um Kostentreiber und Risikofaktoren zu identifizieren, und hilft Gesundheitssystemen, Gesundheitsrisiken zu reduzieren und Kosteneinsparungen zu erzielen.²⁴

12. Chirurgische Roboter

Robotergestützte Operationen kombinieren KI und kollaborative Roboter. Diese Werkzeuge unterstützen bei Eingriffen, die Präzision und Wiederholung erfordern, wie z. B. laparoskopische Chirurgie.

Diese Roboter können vordefinierte Bewegungen ermüdungsfrei und mit hoher Präzision ausführen. Dies hilft, das Risiko menschlicher Fehler zu reduzieren, die Genesungszeit zu verkürzen und Chirurgen zu ermöglichen, komplexere Eingriffe mit hoher Genauigkeit durchzuführen.

Abbildung 1: Beispiel für robotergestützte Chirurgie.²⁵

13. Assistenzrobotik

Assistenzrobotik im Gesundheitswesen verbessert die Patientenversorgung und unterstützt medizinisches Fachpersonal durch die Ausführung von Aufgaben mithilfe von Sensoren, Aktoren und intelligenten Steuerungssystemen.

Zu den Anwendungen der Assistenzrobotik gehören Exoskelette, die Rehabilitation von Schlaganfall- oder Rückenmarkspatienten unterstützen, sowie robotische Medikamentenspender, die eine genaue Dosierung sicherstellen. Telepräsenzroboter ermöglichen Fernkonsultationen, und robotische Pflegeassistenten wie Robear helfen, Patienten sicher anzuheben oder zu bewegen.

Diese Technologien verbessern Effizienz, Genauigkeit und Patientenergebnisse in verschiedenen klinischen Umgebungen.

Praxisbeispiel: LUCAS 3

Das LUCAS 3 ist ein mechanisches Thoraxkompressionssystem, das von Stryker entwickelt wurde. Es liefert konsistente, qualitativ hochwertige Kompressionen während der kardiopulmonalen Reanimation (CPR) und hilft, den Blutfluss bei Patienten mit Herzstillstand aufrechtzuerhalten (siehe Bild unten).

Das Gerät ist tragbar, batteriebetrieben und für den Einsatz in Krankenwagen, Krankenhäusern oder an Notfallorten konzipiert.

Es verringert die körperliche Belastung der Helfer und verbessert die CPR-Ergebnisse, indem es ununterbrochene Kompressionen auch während des Transports oder der Defibrillation gewährleistet.

Abbildung 2: LUCAS 3 Brustkompressionssystem.²⁶

Medizinische Bildgebung und Diagnose

14. Früherkennung

KI kann Krankenakten, Labordaten und Bildgebungsergebnisse analysieren, um frühe Anzeichen chronischer Erkrankungen wie Krebs, Diabetes oder Herz-Kreislauf-Erkrankungen zu erkennen. Eine frühe Diagnose führt zu rechtzeitigen Interventionen, die Patientenergebnisse verbessern und langfristige Behandlungskosten senken können.

Praxisbeispiel: iCAD

iCAD, das maschinelle Lernalgorithmen zur Analyse von Mammographien einsetzt, erkennt frühe Anzeichen von Brustkrebs und unterstützt Radiologen bei genaueren Diagnosen. Dieser Fortschritt hat zu besseren Patientenergebnissen und einer Reduzierung falsch-positiver Diagnosen beigetragen.

Die Brustgesundheitslösungen von iCAD bieten fortschrittliche Software für digitale Brusttomosynthese (DBT), Brustdichtebewertung, 2D-Mammographie und personalisierte Risikobewertung.²⁷

Praxisbeispiel: Forschung für KI-unterstütztes Screening

Eine große randomisierte Screening-Studie in Schweden untersuchte, ob die Hinzunahme von KI zum Mammographie-Screening die Rate von Intervall-Brustkrebserkrankungen im Vergleich zur standardmäßigen Doppelbefundung durch Radiologen beeinflusst.

Über 105.000 Frauen wurden entweder einem KI-unterstützten Screening oder einem konventionellen Screening ohne KI zugewiesen. Die Studie ergab, dass das KI-unterstützte Screening eine Intervallkrebsrate erreichte, die nicht schlechter war als die der Standardpraxis, und erfüllte damit die Nicht-Unterlegenheitskriterien der Studie. Obwohl die Gesamtraten für Intervallkrebs ähnlich waren, wies die KI-Gruppe weniger invasive und risikoreichere Intervallkrebse auf.

Die Screening-Sensitivität war mit KI signifikant höher, ohne Einbußen bei der Spezifität, und diese Verbesserungen waren konsistent über Altersgruppen und Brustdichtekategorien hinweg.

Insgesamt deuten die Ergebnisse darauf hin, dass KI-unterstützte Mammographie die Krebserkennung und Screening-Effizienz verbessern kann, was ihre potenzielle Einführung in die klinische Routinepraxis unterstützt.²⁸

Praxisbeispiel: Google Health

Die Forschung von Google Health zum Brustkrebs-Screening zeigt, dass sein KI-Modell Anzeichen von Brustkrebs mit einer Genauigkeit erkennen kann, die der von Radiologen ähnlich ist.

Das System wird anhand einer großen Anzahl de-identifizierter Mammogramme trainiert, um krebsassoziierte Muster zu lernen, und wird in realen klinischen Umgebungen evaluiert. Die Zusammenarbeit umfasst Patienten, Kliniker, Gesundheitsfachleute sowie Partnerschaften mit Einrichtungen wie Northwestern Medicine, Imperial College London, mehreren NHS-Trusts und der Japanese Foundation for Cancer Research.

Diese Studien untersuchen, wie das Modell helfen könnte, Fälle mit höherem Risiko zu priorisieren, als Zweitleser in Screening-Workflows zu fungieren und eine konsistentere und inklusivere Erkennung über verschiedene Bevölkerungsgruppen hinweg zu unterstützen.²⁹

Praxisbeispiel: Ezra

Ezra nutzt KI bei der Analyse von Ganzkörper-MRT-Scans, um Kliniker bei der Früherkennung von Krebs zu unterstützen.³⁰

15. Erkenntnisse aus der medizinischen Bildgebung

KI-gestützte Tools können die Analyse medizinischer Bilder (z. B. Röntgenbilder, MRTs, CT-Scans) verbessern, indem sie Muster erkennen, die menschliche Radiologen möglicherweise übersehen. Diese Erkenntnisse helfen, Krankheiten früher und genauer zu diagnostizieren.

KI wird auch zur Diagnose von COVID-19 anhand von Bildgebungsdaten eingesetzt, was eine schnellere Identifizierung kritischer Fälle ermöglicht, die eine Beatmung benötigen.

KI-gestützte medizinische Bildgebung wird auch häufig bei der Diagnose von COVID-19-Fällen und der Identifizierung von Patienten, die eine Beatmung benötigen, eingesetzt.

Praxisbeispiel: Median Technologies

Median Technologies stellte eyonis LCS vor, eine KI-gestützte Software, die Früherkennung von Lungenkrebs durch die Analyse von Niedrigdosis-CT-Scans verbessert. Das Tool wurde entwickelt, um Radiologen bei der Identifizierung und Charakterisierung verdächtiger Lungenknoten zu unterstützen, mit dem Ziel, die diagnostische Genauigkeit zu erhöhen und falsch-positive Befunde zu reduzieren.

eyonis™ LCS wurde in zwei großen klinischen Studien (REALITY und RELIVE) getestet und zeigte statistisch signifikante Verbesserungen bei der Erkennung von Lungenkrebs im Frühstadium. Die Software erwartet nun die Zulassung durch die FDA 510(k) und die CE-Kennzeichnung, die für Mitte 2025 erwartet wird, vor der geplanten kommerziellen Markteinführung.

Neben der Erkennung begegnet eyonis™ LCS der Variabilität zwischen Radiologen und integriert sich in klinische Arbeitsabläufe, was eine skalierbare Lösung für Lungenkrebs-Screeningprogramme in den USA und Europa bietet.³¹

Praxisbeispiel: Radiobotics RBfracture

Das KI-gestützte Tool RBfracture von Radiobotics wurde von NICE (National Institute for Health and Care Excellence) als eine von vier KI-Technologien zur Unterstützung der Frakturerkennung auf Röntgenbildern in der Notfallversorgung für den NHS zugelassen.

RBfracture zeigte eine verbesserte diagnostische Sensitivität, von 74% auf 83%, ohne Einbußen bei der Spezifität, und begegnet damit Herausforderungen wie übersehenen Frakturen, Personalknappheit und Ermüdung von Klinikern, insbesondere in kleineren oder ländlichen Zentren.³²

Praxisbeispiel: Huiying Medical

Huiying Medical, ein Medizintechnikunternehmen mit Sitz in China, hat eine KI-Bildgebungslösung entwickelt, die COVID-19 anhand von CT-Thorax-Scans erkennen kann. Nach Angaben des Unternehmens könnte diese Lösung Gebieten ohne Zugang zu RT-PCR, der Standard-Testmethode für COVID-19, zugutekommen.

Huiying entwickelte die KI-Algorithmen anhand von CT-Daten von über 4.000 Coronavirus-Fällen. Das System untersucht Milchglastrübungen (GGO) in der Lunge, ein Zeichen für eine teilweise Füllung des Luftraums, zusammen mit anderen Indikatoren, um die Wahrscheinlichkeit einer COVID-19-Infektion zu bewerten.

Praxisbeispiel: SkinVision

Die App von SkinVision ermöglicht es Patienten, frühe Anzeichen von Hautkrebs mit ihrem Smartphone zu erkennen. Indem Benutzer hochwertige Fotos ihrer Haut machen und sich auf verdächtige Muttermale oder Läsionen konzentrieren, können die Apps diese mit KI-Algorithmen analysieren.

Diese Analyse liefert eine sofortige Risikobewertung, die helfen kann, potenzielle Gefahren wie Melanome, Plattenepithelkarzinome oder Basalzellkarzinome zu identifizieren.

Die Algorithmen von SkinVision wurden anhand einer umfangreichen Datenbank dermatologischer Bilder trainiert, um zwischen Hauterkrankungen mit hohem und niedrigem Risiko zu unterscheiden. Bei Hochrisikobewertungen empfiehlt die App eine professionelle ärztliche Konsultation.³³

Forschung und Entwicklung

16. Arzneimittelentwicklung

KI beschleunigt die Arzneimittelentwicklung, indem sie große Datensätze aus medizinischer Forschung, historischen Behandlungsdaten und biologischen Signalwegen analysiert. Dies führt zu einer schnelleren Identifizierung vielversprechender Wirkstoffkandidaten und reduziert die Kosten und die Zeit, die benötigt werden, um neue Medikamente auf den Markt zu bringen.

KI-Technologie kann auch die Wirksamkeit von Medikamenten vorhersagen, was zu besseren Ergebnissen in klinischen Studien führen würde.

Praxisbeispiel: Boltz-ABFE

Boltz-ABFE³⁴ ist eine KI-Methode, die Deep-Learning-Vorhersagen mit freien Energiesimulationen kombiniert. Ähnlich wie AlphaFold, das Proteinstrukturen vorhersagt, prognostizieren Boltz-Modelle Protein-Ligand-Komplexe.

Durch die Integration dieser KI-basierten Vorhersagen mit physikbasierten Berechnungen erweitert Boltz-ABFE den Anwendungsbereich von FEP auf frühere Phasen der Arzneimittelentwicklung und ermöglicht es Forschern, Kandidatenmoleküle effizienter zu bewerten, ohne die Genauigkeit zu beeinträchtigen.

Funktionsweise von Boltz-ABFE

• Verwendet Boltz-1 und Boltz-2, KI-Modelle, die darauf trainiert sind, Protein-Ligand-Komplexe direkt aus Proteinsequenzen und Ligandeninformationen vorherzusagen.
• Wendet Strukturverfeinerung an, um Probleme wie Fehler in der Bindungsordnung, Stereochemiefehler und sterische Konflikte zu beheben.
• Führt einen Redocking-Prozess durch, bei dem Liganden mit Docking-Software angepasst werden, um Geometrie und Genauigkeit zu verbessern.
• Verbessert die Zuverlässigkeit, indem Regionen mit geringem Vertrauen entfernt und bei Bedarf Bindungspartner einbezogen werden.

Ergebnisse aus Benchmarks

• Getestet an vier Proteinen (TYK2, CDK2, JNK1, P38) aus dem FEP+-Benchmark-Set.
• Erzeugte Schätzungen der Bindungsenergie, die oft innerhalb von 1 kcal/mol der experimentellen Ergebnisse lagen.
• In einigen Fällen erreichte oder übertraf das Modell Simulationen, die von Kristallstrukturen ausgingen.
• Zeigte Empfindlichkeit gegenüber strukturellen Details, was Korrekturschritte wie Redocking wichtig machte.

Praxisbeispiel: NuMedii

Das Biopharma-Unternehmen NuMedii hat die AIDD-Technologie (Artificial Intelligence for Drug Discovery) entwickelt, die Big Data und KI nutzt, um schnell Zusammenhänge zwischen Medikamenten und Krankheiten auf systemischer Ebene zu erkennen.³⁵

Praxisbeispiel: Insilico Medicine

Insilico Medicine, ein Biotech-Unternehmen mit Sitz in Boston und Hongkong, hat einen Meilenstein in der KI-gesteuerten Arzneimittelentwicklung bekannt gegeben.

Ihre Leitsubstanz, Rentosertib, die vollständig mit Hilfe künstlicher Intelligenz entwickelt wurde, zeigte vielversprechende Ergebnisse in einer klinischen Phase-II-Studie für idiopathische Lungenfibrose (IPF), eine fortschreitende und derzeit unheilbare Lungenerkrankung.

In der Studie zeigten Patienten, die höchste Dosis von Rentosertib erhielten, deutliche Verbesserungen der Lungenfunktion. Biomarker-Analysen bestätigten, dass das Medikament gezielt ein spezifisches Protein angriff, das mit IPF in Verbindung gebracht wird, wie von Insilicos KI-Algorithmen vorhergesagt.³⁶

17. Genanalyse und Editierung

KI unterstützt die Analyse genetischer Daten, um genetische Variationen zu verstehen und die Auswirkungen von Gen-Editierung vorherzusagen.

Diese Technologie hilft Forschern auch vorherzusagen, wie sich bestimmte Gen-Editierungen auf das Krankheitsrisiko oder die Behandlungsergebnisse auswirken könnten, und ermöglicht so präzisere und effektivere Gentherapien.

Praxisbeispiel: crossNN

Forscher der Charité – Universitätsmedizin Berlin haben ein KI-Modell namens crossNN entwickelt, das über 170 Krebsarten anhand des epigenetischen Fingerabdrucks von Tumoren genau erkennen und klassifizieren kann.

Dieser nicht-invasive Ansatz analysiert genetisches Material, wie z. B. Liquor cerebrospinalis, und ist daher besonders nützlich für Fälle, in denen Biopsien zu riskant sind, wie bei Hirntumoren.

Die KI vergleicht unbekannte Tumordaten mit Tausenden von Referenzprofilen mithilfe eines neuronalen Netzwerks, das mit über 8.000 Proben trainiert wurde, und erreicht eine Genauigkeit von bis zu 99% bei Hirntumoren und 978% über alle Krebsarten hinweg.

Im Gegensatz zur traditionellen Diagnostik, die auf Gewebeuntersuchungen beruht, verwendet crossNN DNA-Methylierungsmuster, die für jeden Tumortyp einzigartig sind. Die Technologie ist so konzipiert, dass sie sowohl äußerst zuverlässig als auch erklärbar ist, was für den klinischen Einsatz unerlässlich ist.³⁷

Praxisbeispiel: SOPHiA GENETICS

SOPHiA GENETICS bietet Genetikern die SOPHiA DDM™-Plattform, die KI zur Verbesserung der Genomanalyse einsetzt. Die Plattform automatisiert die Erkennung, Annotation und Priorisierung komplexer Varianten in Next-Generation-Sequencing (NGS)-Daten und führt so zu schnelleren und genaueren Erkenntnissen.

Sie integriert sich in bestehende Laborumgebungen, erleichtert die Zusammenarbeit über ein globales Expertennetzwerk und enthält Tools wie Alamut™ Visual Plus für die detaillierte Variantenanalyse.

Das MaxCare-Programm bietet zudem Unterstützung durch Vor-Ort-Beratungen, Schulungen und Leistungsbewertungen, um eine erfolgreiche Implementierung zu gewährleisten.³⁸

18. Vergleichende Wirksamkeit von Geräten und Medikamenten

KI kann die Wirksamkeit verschiedener medizinischer Geräte oder Medikamente bewerten und vergleichen, indem sie klinische Ergebnisse und Patientendaten analysiert.

Dies hilft Gesundheitsdienstleistern, fundiertere Entscheidungen über die wirksamsten Behandlungen zu treffen und gleichzeitig das Ausprobieren bei medizinischen Interventionen zu reduzieren.

Praxisbeispiel: 4Quant

4Quant nutzt Big-Data-Analysen und Deep-Learning-Technologie, um aussagekräftige Erkenntnisse aus Bildern und Videos zu gewinnen und so das Design und die Optimierung von Experimenten zu unterstützen. Ihre Plattform setzt maschinelle Lernalgorithmen ein, um riesige Mengen visueller Daten zu verarbeiten, sodass Forscher und medizinisches Fachpersonal komplexe Informationen effektiv analysieren können.

Durch die Automatisierung der Extraktion umsetzbarer Erkenntnisse aus Bildgebungsdaten ermöglicht 4Quant den Nutzern, Schlüsselkomponenten und Muster zu identifizieren, die für ihre spezifischen experimentellen Anforderungen am relevantesten sind. Dies kann besonders in Bereichen wie wissenschaftlicher Forschung, Medizin und industriellen Anwendungen wertvoll sein, wo die Analyse visueller Daten für die Entscheidungsfindung entscheidend ist.

Die Lösungen von 4Quant bieten auch eine Anpassung an spezifische Nutzeranforderungen für gezieltere Analysen. Dieser Ansatz reduziert den Zeit- und Arbeitsaufwand für die Analyse großer Datensätze und verbessert die Präzision und Qualität der Erkenntnisse.³⁹

Gesundheitsmanagement

19. Markenmanagement und Marketing

KI-Plattformen können die Wahrnehmung des Gesundheitsmarktes und die Patientendemografie analysieren, um medizinischen Fachkräften zu helfen, ihre Marketingstrategien zu optimieren. Krankenhäuser und Gesundheitsorganisationen können ihren Markenruf verbessern, indem sie Botschaften zuschneiden und die richtigen Segmente ansprechen.

20. Preisgestaltung und Risiko

KI-Modelle können die optimale Preisgestaltung für Behandlungen und Dienstleistungen vorhersagen, indem sie Wettbewerb, Marktnachfrage und Patientenergebnisse analysieren.

Dies hilft Gesundheitsdienstleistern, wettbewerbsfähige und dennoch profitable Preise festzulegen, während gleichzeitig die finanzielle Belastung der Patienten reduziert und die operativen Margen optimiert werden.

21. Marktforschung

KI kann genutzt werden, um Wettbewerbsinformationen über andere Krankenhäuser oder Gesundheitsdienstleister zu sammeln. Diese Daten ermöglichen es Krankenhäusern, ihre Dienstleistungen zu benchmarken, Verbesserungsbereiche zu identifizieren und sich an Veränderungen in der Gesundheitsmarktlandschaft anzupassen.

Praxisbeispiel: MD Analytics

MD Analytics ist eine Lösung für die Marktforschung im Gesundheits- und Pharmabereich. Das Tool bietet eine breite Palette quantitativer und qualitativer Forschungslösungen, die auf jede Phase des Produktlebenszyklus zugeschnitten sind.

Zu den Dienstleistungen gehören klinische Studien, Marktbewertungen, Analyse der Patientenreise und Evaluierung von Kaufprozessen. Pre-Launch-Lösungen umfassen Bedarfsprognosen, Konzepttests, Preisforschung und Bewertungen von Patientenunterstützungsprogrammen. In den Phasen nach der Markteinführung und des Wachstums liegt der Schwerpunkt auf Kundenengagement, Bewertung des Außendienstes, Multi-Channel-Optimierung und der Verfolgung von KPIs.⁴⁰

22. Betriebsabläufe

Prozessautomatisierungstechnologien wie intelligente Automatisierung und RPA können Gesundheitsabläufe wie Terminplanung, Abrechnung und Berichterstattung verwalten. Durch die Automatisierung von Routineaufgaben können Gesundheitsdienstleister Personalressourcen freisetzen, um sich auf die Patientenversorgung zu konzentrieren, während gleichzeitig die Verwaltungskosten gesenkt werden.

Praxisbeispiel: Comet

Comet ist das medizinische Intelligenzsystem von Epic, das Klinikern, Patienten und Gesundheitssystemen helfen soll, bessere, datengestützte Entscheidungen zu treffen, indem es wahrscheinliche Ergebnisse auf dem Gesundheitsweg eines Patienten vorhersagt.

Das System wurde mit über 100 Milliarden de-identifizierten medizinischen Ereignissen in Epic Cosmos trainiert und modelliert zeitlich geordnete Sequenzen von Diagnosen, Laborergebnissen, Medikationen und Begegnungen, um zukünftige Szenarien zu simulieren, darunter Krankheitsverlauf, Wiederaufnahmerisiko und Dauer des Krankenhausaufenthalts.

Comet basiert auf ähnlichen Prinzipien wie Large Language Models und generiert plausible Gesundheitstrajektorien und fasst diese in umsetzbare Erkenntnisse zusammen, die in klinische Arbeitsabläufe integriert werden. Im Gegensatz zu herkömmlichen Tools bewegt es die Versorgungsplanung von einem reaktiven zu einem antizipativen Ansatz, indem es eine Reihe möglicher Ergebnisse präsentiert und Teams hilft, Ressourcen zuzuweisen, Entlassungen zu planen und Risiken mit größerer Sicherheit zu managen.

Comet arbeitet unter strengen Datenschutz- und Sicherheitsstandards und hat in einer Vielzahl von bewerteten Fällen eine erfolgreiche Leistung gezeigt. Ab 2026 können Forscher in teilnehmenden Organisationen Comet in einem virtuellen Labor erkunden, um seine Anwendungsfälle zu verfeinern, was einen Schritt in Richtung einer personalisierteren, proaktiveren und sichereren Entscheidungsfindung im Gesundheitswesen darstellt.⁴¹

23. Betrugserkennung

KI-Tools können Muster in Gesundheitsansprüchen analysieren, um betrügerische Aktivitäten wie falsche Abrechnungen oder Überabrechnungen zu erkennen. Dies hilft Gesundheitsorganisationen, Verluste durch Betrug zu minimieren und sicherzustellen, dass Ressourcen effizienter für die Patientenversorgung eingesetzt werden.

Praxisbeispiel: Markovate

Ein nationaler Krankenversicherungsanbieter sah sich mit zunehmenden betrügerischen Ansprüchen und Datenschutzverletzungen konfrontiert, was zu finanziellen Verlusten und einer Beeinträchtigung der Privatsphäre der Patienten führte.

Markovate⁴² implementierte ein KI-basiertes Betrugserkennungssystem, das Anspruchsdaten analysiert, verdächtiges Verhalten kennzeichnet und sich nahtlos in die Infrastruktur des Anbieters integriert, wobei die Einhaltung von HIPAA gewährleistet und sensible Patientendaten geschützt werden.

Die Ergebnisse sind:

• 30% Reduzierung betrügerischer Ansprüche innerhalb von sechs Monaten.
• 25% Verbesserung der Datensicherheit.
• 40% schnellere Anspruchsbearbeitung, was die Effizienz steigert.

Hyperautomatisierung im Gesundheitswesen

Hyperautomatisierung ist ein aufkommender Ansatz zur digitalen Transformation, der darauf abzielt, so viele Geschäftsprozesse wie möglich zu automatisieren und diejenigen, die nicht vollständig automatisiert werden können, digital zu unterstützen.

Hyperautomatisierung kombiniert KI, RPA und Computer-Vision-Technologien für eine durchgängige Prozessautomatisierung im Gesundheitswesen.

Hier sind Anwendungsfälle der Hyperautomatisierung im Gesundheitswesen:

24. Krankenversicherungsbearbeitung

Durch den Einsatz von NLP-Methoden und KI/Deep-Learning-Modellen kann ein Hyperautomatisierungsansatz Krankenversicherungsunternehmen helfen:

• Manuelle Arbeit bei Vorabgenehmigung und Anspruchsbearbeitung zu minimieren,
• Menschliche Fehler zu reduzieren,
• Betrug im Gesundheitswesen genauer zu erkennen und zu verhindern,
• Kundenzufriedenheit durch kürzere Anspruchszyklen sicherzustellen.

25. Einhaltung gesetzlicher Vorschriften

Gesundheitsdienstleister, Krankenversicherer, Apotheken und andere Akteure im Gesundheitswesen müssen Vorschriften wie HIPAA in den USA und GDPR in der EU einhalten.

Hyperautomatisierung kann helfen, die Einhaltung gesetzlicher Vorschriften für Gesundheitsorganisationen sicherzustellen:

• Intelligente Bots können jede Aktion in Gesundheitssystemen protokollieren und das Aktivitätsprotokoll bei Bedarf dokumentieren.
• KI/ML-Modelle können verwendet werden, um potenziellen Betrug im Gesundheitswesen vorherzusagen,
• Die Automatisierung interner Prüfungsprozesse kann helfen, Risiken und interne Kontrollen effizienter und häufiger zu bewerten.

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{25 Anwendungsfälle von KI im Gesundheitswesen mit Beispielen}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/healthcare-ai-use-cases}},
  note   = {AIMultiple. Abgerufen am 21. Juli 2026}
}

Referenzlinks

1.

Human–AI collectives make the most accurate medical diagnoses | Max-Planck-Gesellschaft

2.

General-purpose large language models outperform specialized clinical AI tools on medical benchmarks | Nature Medicine

Nature Publishing Group US

3.

MedAgentBench: A Virtual EHR Environment to Benchmark Medical LLM Agents | NEJM AI

4.

MAST - Medical AI Superintelligence Test | ARISE

Academic Medical Centers Network

5.

Thousands of children treated in NHS ‘virtual wards’

The Times

6.

Journal of Medical Internet Research - The Potential of ChatGPT as a Self-Diagnostic Tool in Common Orthopedic Diseases: Exploratory Study

7.

Ochsner Health partners with DeepScribe to improve the care experience across their 46-hospital system

8.

DxGPT: Free AI Diagnostic Support for Complex & Rare Diseases

Foundation29

9.

Introducing OpenAI for Healthcare | OpenAI

10.

Cogito is now part of Verint. Use AI for EX and CX insights.

Verint

11.

Headspace for Organizations | Formerly Headspace Health and Ginger

12.

Helplines for global online communities | ThroughLine

13.

AI-powered oncology chatbot launched at SSG Hospital | Vadodara News - The Times of India

14.

Getprosper Ai

15.

Advancing Claude in healthcare and the life sciences \ Anthropic

16.

AI Medical Employees For Doctors | Success Stories - Sully

Sully.ai

17.

https://arxiv.org/pdf/2510.02325

18.

Lightbeam Health Solutions

Lightbeam Health Solutions

19.

Wellframe - Digital Health Management

Wellframe, Inc.

20.

Enlitic | Data Analytics for Healthcare | Healthcare Data Solutions

Enlitic, Inc

21.

Discovering Next Generation Drugs with Gemini Digital Twins

Aitia Bio

22.

Oncora Medical - Cancer Registry Assistant

23.

Learning the natural history of human disease with generative transformers | Nature

Nature Publishing Group UK

24.

https://www.zakipointhealth.com/solutions

25.

Autonomous Robot Improves Surgical Precision Using AI | NVIDIA Technical Blog

NVIDIA Developer

26.

LUCAS 3, v3.1 chest compression system | Stryker

27.

AI Mammography for Patients | iCAD

iCAD

28.

Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading without AI in the MASAI study: a randomised, controlled, non-inferiority, single-blinded, population-based, screening-accuracy trial -

29.

Google for Health - Advancing Breast Cancer Detection with AI

Google for Health

30.

MRI Screening Service

Ezra

31.

ECR 2025: AI-powered Lung Cancer Screening - MedicalExpo e-Magazine

MedicalExpo e-Magazine

32.

RBfracture approved for NHS use by NICE

Radiobotics

33.

SkinVision | Skin Cancer Detection App

34.

https://arxiv.org/pdf/2508.19385

35.

NuMedii – Disrupting Drug Discovery Using Big Data and Artificial Intelligence

BEWOKWIN

36.

AI drug startup Insilico Medicine touts promising advance in treating lung disease

The Boston Globe

37.

Tumor diagnostics: AI model detects more than 170 types of cancer

Medical Xpress

38.

Geneticists - SOPHiA GENETICS

SOPHiA GENETICS

39.

4Quant: Turning Images into Information

40.

Health and Pharmaceutical Market Research MD Analytics

MD Analytics Inc.

41.

Curiosity: A New Medical Intelligence for Clinical and Operational Insights  | Epic

42.

Healthcare Fraud Detection and Security - Markovate

Markovate

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple mit Schwerpunkt auf E-Mail-Marketing und Verkaufsvideos. Sie arbeitete zuvor als Personalvermittlerin in Projektmanagement- und Beratungsfirmen. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationale Beziehungen.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten