KI in der Medizin: Was Medizinstudierende jetzt wissen müssen – ein internationaler Vergleich

Was KI in der Medizin wirklich kann – jenseits des Hypes

Bevor wir Länder vergleichen, lohnt ein nüchterner Blick auf den Ist-Zustand. KI in der Medizin lässt sich grob in drei Anwendungsbereiche unterteilen: Diagnostik, klinische Entscheidungsunterstützung und administrative Automatisierung.

In der Diagnostik ist KI am weitesten fortgeschritten. Das meistzitierte Beispiel ist die Hautkrebserkennung: Eine 2018 im Fachjournal Annals of Oncology veröffentlichte Studie zeigte, dass ein KI-Algorithmus Melanome mit einer Sensitivität von 95 Prozent erkannte – verglichen mit 86,6 Prozent bei 58 erfahrenen Dermatologen. Seitdem haben sich die Algorithmen weiterentwickelt. Ähnliche Ergebnisse gibt es für die Erkennung diabetischer Retinopathie, Lungenrundherde in CT-Scans und Frakturen im konventionellen Röntgenbild.

Bei der klinischen Entscheidungsunterstützung geht es um Systeme, die Ärzten in Echtzeit relevante Informationen bereitstellen: Wechselwirkungen zwischen Medikamenten, Risikoabschätzungen für postoperative Komplikationen oder Sepsis-Frühwarnsysteme. Und dann ist da noch die administrative KI: Systeme, die Anamnesen dokumentieren und Diagnosen aus dem gesprochenen Wort extrahieren. In US-amerikanischen Kliniken spart das laut einer Studie der American Medical Association von 2024 Ärzten im Schnitt bis zu zwei Stunden Dokumentationsarbeit pro Tag.

Deutschland im Vergleich: Wo stehen wir wirklich?

Deutschland ist in der medizinischen KI-Forschung kein Nachzügler. Institutionen wie das Deutsche Krebsforschungszentrum (DKFZ) in Heidelberg und das Helmholtz-Zentrum München entwickeln Algorithmen, die in internationalen Top-Journals erscheinen. Aber zwischen Forschung und klinischer Praxis klafft eine Lücke, die im internationalen Vergleich sichtbar wird.

Laut einer Befragung der Deutschen Gesellschaft für Gesundheitswirtschaft von 2023 setzen erst 18 Prozent der deutschen Krankenhäuser KI-Tools in der klinischen Routine ein. In den USA sind es über 40 Prozent. Gründe: der strenge Datenschutz nach DSGVO, fehlende Interoperabilität der Krankenhausinformationssysteme, unklare Erstattungsmodelle und institutionelle Trägheit.

USA: KI ist im Klinikalltag angekommen

Das Massachusetts General Hospital, die Mayo Clinic und das UCSF Medical Center gehören zu den Vorreitern. Dort laufen KI-Systeme nicht in Pilotprojekten, sondern im täglichen Betrieb. Ein Sepsis-Früherkennungs-Algorithmus schlägt Alarm, bevor Laborwerte kritisch werden. In der Radiologie bewertet die KI als erstes jedes neue CT und markiert auffällige Befunde.

An vielen US Medical Schools – Stanford, Harvard, NYU – sind KI-Module inzwischen Pflichtbestandteil. Studierende lernen, wie Algorithmen trainiert werden, wie man Bias in Trainingsdaten erkennt und KI-Outputs kritisch bewertet. Stanford startete dieses verpflichtende Curriculum bereits 2019. Das Argument: Wer als Arzt 2030 keine KI-Grundkenntnisse hat, ist so kompetent wie jemand, der kein EKG lesen kann.

Japan: KI als Antwort auf den Ärztemangel

Japan hat die älteste Bevölkerung weltweit, aber eine der niedrigsten Ärztedichten unter den OECD-Ländern. KI ist dort kein Experiment, sondern eine Notwendigkeit. Die Regierung hat KI-Gesundheitsprojekte zur nationalen Priorität erklärt. Im Fujita Health University Hospital in Nagoya erkennt ein KI-System Magenkrebs in frühen Endoskopiestadien mit einer Genauigkeit, die erfahrene Gastroenterologen übertrifft. Laut einer Umfrage des japanischen Ärzteverbands von 2023 befürworten 74 Prozent der Ärzte den verstärkten KI-Einsatz – deutlich mehr als in europäischen Ländern.

Großbritannien: Der NHS baut sein eigenes KI-Labor

Das NHS AI Lab wurde 2019 mit einem Budget von über 250 Millionen Pfund gegründet. Besonders weit ist der NHS bei der KI-gestützten Brustkrebsfrüherkennung: In einem Pilotprojekt mit 170.000 Frauen wurde gezeigt, dass KI bei der Mammografie-Auswertung die Doppelbefundung durch zwei Radiologen ersetzen kann, ohne Abstriche bei der Diagnosequalität. Die Royal Colleges – für Radiologie, Pathologie, Innere Medizin – haben bereits Kompetenzrahmen veröffentlicht, die definieren, was Ärzte über KI wissen sollen.

Was Medizinstudierende konkret wissen sollten

Du musst kein Machine-Learning-Ingenieur werden. Aber es gibt ein Mindestmaß, das zukünftige Ärzte brauchen.

Erstens: Wie entstehen Algorithmen? Sie werden auf historischen Daten trainiert und reproduzieren deren Muster – inklusive Verzerrungen. Ein Hautkrebs-Algorithmus, überwiegend auf hellen Hautypen trainiert, schneidet bei dunkler Haut schlechter ab (belegt durch Journal of the American Academy of Dermatology, 2022).

Zweitens: Wie interpretiere ich KI-Outputs? Ein System gibt eine 78-prozentige Sepsis-Wahrscheinlichkeit aus. Was bedeutet das klinisch? Was bedeutet es nicht? Diese Einordnung ist eine ärztliche Kernkompetenz der Zukunft.

Drittens: Haftungsfragen. Wenn du einem KI-Algorithmus folgst und ein Behandlungsfehler entsteht – wer haftet? In Deutschland ist das gesetzlich nicht klar geregelt. Der EU AI Act von 2024 klassifiziert Medizin-KI als Hochrisiko und stellt klare Anforderungen an Dokumentation und menschliche Aufsicht.

Was sich im deutschen Medizinstudium ändern muss

Die Approbationsordnung wurde zuletzt 2002 grundlegend reformiert. Einzelne Universitäten – Charité, LMU München, Heidelberg – bieten KI-Wahlpflichtmodule an, aber ein bundesweites Pflichtprogramm fehlt. In Schweden müssen Medizinstudierende ab dem dritten Studienjahr verpflichtend Gesundheitsinformatik mit KI-Grundlagen absolvieren. Die Niederlande haben ein einheitliches KI-Curriculum gemeinsam mit allen medizinischen Fakultäten entwickelt. Deutschland kann von diesen kleineren, aber agileren Nachbarn lernen.

KI verändert, was gute Ärzte ausmacht

McKinsey schätzte 2024, dass 30 bis 50 Prozent der administrativen Tätigkeiten von Ärzten bis 2035 automatisiert werden könnten. Das bedeutet nicht weniger Ärzte, sondern Ärzte mit mehr Zeit für das, was sie einzigartig macht: das Gespräch, die ethische Abwägung, das Begleiten in schwierigen Situationen. Was KI nicht kann: Empathie, komplexe soziale Kontexte verstehen, in unstrukturierten Ausnahmesituationen sicher navigieren. Genau das sind die Kompetenzen, die ein gutes Medizinstudium formt – und die in Zukunft noch wichtiger werden.