Ob in den Nachrichten, beim Blick aufs Smartphone oder in der Diskussion unter Kolleg*innen: Künstliche Intelligenz (KI) ist das Thema unserer Zeit. Auch vor unserer Gesundheit macht der technologische Fortschritt keinen Halt. Doch was kann KI heute schon leisten, wo stößt sie an ihre Grenzen und was bedeutet das für die Gesundheitsversorgung?
Wo KI heute schon eingesetzt wird: Die Stärken der Technologie
In der medizinischen Forschung und Diagnostik ist KI längst keine Zukunftsmusik mehr. Ihre größte Stärke liegt im Erkennen von Mustern in riesigen Datenmengen; und das in einer Geschwindigkeit, die für uns Menschen unmöglich ist.
-
Früherkennung in der Bildgebung: Bei der Auswertung von Röntgenbildern, MRT-Aufnahmen oder Hautkrebs-Screenings unterstützen KI-Systeme Ärzt*innen hocheffektiv. Eine KI kann Tausende von Bildern in Sekundenschnelle mit einer Datenbank abgleichen und oft selbst winzigste Gewebeveränderungen entdecken, die dem menschlichen Auge entgehen könnten.
Beispiel Augenheilkunde: Die KI-Software „IDx-DR“ war eines der ersten von der US-Zulassungsbehörde FDA freigegebenen Systeme, das völlig eigenständig eine diabetische Retinopathie (eine Augenerkrankung bei Diabetes) anhand von Netzhautbildern diagnostizieren kann – ein riesiger Gewinn für die Früherkennung im Praxisalltag. -
Präzisere Medikamentenentwicklung: Bis ein neues Medikament auf den Markt kommt, vergehen oft Jahre der Forschung. KI hilft Wissenschaftler*innen heute dabei, die Struktur von Proteinen zu analysieren und vorherzusagen, welche Wirkstoffe am besten helfen könnten. Das beschleunigt die Entwicklung von Therapien enorm.
-
Personalisierte Medizin: Anstatt eines „Geheimrezepts“, das für alle gleich wirken soll, ermöglicht KI den Blick aufs Detail. Sie kann genetische Daten, Vorerkrankungen und Lebensstile analysieren, um Behandlungskonzepte maßzuschneidern.
Die Schattenseite: Wenn Algorithmen diskriminieren
Wo Licht ist, ist auch Schatten. Ein Thema, das in der Gesundheitsforschung aktuell sehr intensiv diskutiert wird, ist der sogenannte „Algorithmische Bias“ , also die algorithmische Voreingenommenheit oder einfach gesagt: Eine Diskriminierung durch KI.
Das Problem ist: Eine KI ist niemals neutral. Sie lernt ausschließlich aus den Daten, mit denen wir Menschen sie füttern. Sind diese Daten einseitig oder spiegeln sie gesellschaftliche Vorurteile wider, lernt die KI diese Fehler mit und verallgemeinert sie.
-
Der „White Male Bias“ in der Dermatologie: Viele KI-Systeme zur Erkennung von Hautkrebs wurden überwiegend mit Bilddaten von hellhäutigen Menschen trainiert. Dies zeigen unter anderem Studie, wie die von Benčević et al. (2024).
-
Rassistische Verzerrung im Gesundheitssystem: Eine im Jahr 2019 im renommierten Wissenschaftsmagazin Science veröffentlichte Studie von Obermeyer et al. untersuchte einen weit verbreiteten US-amerikanischen Algorithmus, der vorhersagen sollte, welche Patient*innen ein intensiveres Pflege- und Gesundheitsprogramm benötigen. Das Ergebnis: Bei gleicher Krankheitsereignis-Schwere stufte die KI schwarze Patient*innen systematisch als „gesünder“ ein als weiße. Warum? Der Algorithmus nutzte die bisherigen Gesundheitskosten als Indikator für den Pflegebedarf. Da schwarze Menschen in den USA historisch bedingt jedoch einen schlechteren Zugang zum Gesundheitssystem haben und dadurch weniger Kosten verursachten, zog die KI den falschen Schluss, sie seien weniger krank.
Warum Empathie und das biopsychosoziale Modell unersetzbar bleiben
Diese Beispiele zeigen, warum eine KI niemals die alleinige Kontrolle über eine Therapie haben darf. Gesundheit ist kein rein mathematisches Problem.
Erinnerst du dich an das biopsychosoziale Modell? Gesundheit wird immer von biologischen, psychischen und sozialen Faktoren beeinflusst. Eine KI sieht die biologischen Daten (Blutwerte, MRT-Bilder). Was sie nicht sieht, ist der Mensch dahinter:
Eine KI kann zwar das Röntgenbild einer Arthrose analysieren. Sie weiß aber nicht, ob Patient*in A große Existenzängste hat, ob Patient*in B einsam zu Hause sitzt und deshalb keine Kraft für die Übungen findet, oder ob Patient*in C einfach nur jemanden braucht, der im Gespräch zuhört und Mut zuspricht.
Für einen nachhaltigen Therapieerfolg braucht es Vertrauen, eine offene Kommunikation auf Augenhöhe und die Bindung zwischen Therapeut*in oder Ärzt*in und Patient*in.
Literatur
- Benčević M, Habijan M, Galić I, Babin D, Pižurica A. Understanding skin color bias in deep learning-based skin lesion segmentation. Comput Methods Programs Biomed. 2024 Mar;245:108044.
- Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019 Oct 25;366(6464):447-453.
