Gesundheitsdaten ≠ Gesundheitsdaten: Warum Kassendaten, Patientenakten und Registerdaten nicht dasselbe sind

Autorin: Dr. Eveline Prochaska, Technische Universität Dresden, 29.01.2026

Künstliche Intelligenz (KI / AI) in der Medizin gilt als Schlüsseltechnologie für bessere Diagnostik, Prognosemodelle und eine datengetriebene Versorgung. In der Praxis entscheidet jedoch weniger der Algorithmus als vielmehr die zugrundeliegende Datenquelle, ob KI-Modelle valide, erklärbar und übertragbar sind.

Drei Datentypen spielen im Bereich der Gesundheitsdaten eine zentrale Rolle: Kassendaten (Claims-Daten), elektronische Patientenakten (EHR / ePA) und Registerdaten. Sie unterscheiden sich grundlegend mit direkten Konsequenzen für den Einsatz von KI.

Kassendaten entstehen primär zur Abrechnung medizinischer Leistungen und enthalten strukturierte Informationen zu Diagnosen, Prozeduren, Verordnungen und Kosten. Sie decken häufig sehr große Populationen über lange Zeiträume ab und gelten als klassische Real-World Data (RWD) [1].

Bedeutung für KI / AI

• Sehr große Fallzahlen → geeignet für Machine-Learning-Modelle auf Populationsebene
• Ermöglichen Längsschnittanalysen über Jahre
• Relevante Basis für Versorgungsforschung, Gesundheitsökonomie und Risiko-Stratifizierung [2]

Einschränkungen

• Geringer klinischer Detailgrad
• Diagnosen sind nicht zwingend klinisch validiert
• Keine Laborwerte, Vitalparameter oder Befunde

Für KI in der Medizin eignen sich Kassendaten vor allem für Kosten-, Risiko- und Inanspruchsmodelle, weniger für klinische Entscheidungsunterstützung.

Daten aus elektronischen Patientenakten entstehen direkt im klinischen Versorgungsprozess. Sie umfassen Laborwerte, Vitalparameter, Medikationsverläufe, Bilddaten, Befunde und umfangreiche unstrukturierte Texte. EHR-Daten bilden heute die zentrale Grundlage vieler KI-Anwendungen in der Medizin [3].

Bedeutung für KI / medizinische AI

• Hoher klinischer Kontext
• Grundlage für Deep Learning, NLP und Bildanalyse
• Ermöglicht differenzierte Phänotypisierung und individualisierte Vorhersagemodelle [4]

Herausforderungen

• Fragmentierte Daten über verschiedene Einrichtungen hinweg
• Heterogene Dokumentationsstandards
• Hoher Aufwand für Datenharmonisierung, Bias-Analyse und Qualitätssicherung [3]

Für klinische KI-Modelle sind Patientenakten essenziell, ihre Nutzung erfordert jedoch erhebliche technische und fachliche Expertise.

Registerdaten werden gezielt für klar definierte Fragestellungen erhoben, etwa zu bestimmten Erkrankungen, Therapien oder Medizinprodukten. Sie folgen festen Einschlusskriterien und Qualitätsstandards und gelten als besonders valide Real-World-Datenquelle [5].

Bedeutung für KI / AI

• Hohe Datenqualität und strukturierte Variablen
• Besonders geeignet für Outcome-Analysen und Modellvalidierung
• Relevanz für regulatorische und qualitätssichernde Fragestellungen [6]

Grenzen

• Begrenzte Fallzahlen
• Selektive Populationen
• Häufig kein vollständiger Versorgungs-Längsschnitt

Für KI-Anwendungen sind Registerdaten besonders wertvoll zur Validierung und Absicherung von Modellen.

Keine dieser Datenquellen ist per se überlegen. Der eigentliche Mehrwert entsteht durch die Kombination:

• Kassendaten liefern Breite und zeitliche Kontinuität
• EHR-Daten liefern klinische Tiefe
• Registerdaten liefern Qualität und Fokus

Moderne Dateninfrastrukturen und gemeinsame Datenmodelle (z. B. Sentinel, OMOP) zielen darauf ab, diese Datenquellen kontrolliert zu integrieren [7].

KI in der Medizin scheitert selten am Algorithmus, sondern häufig an falschen Erwartungen an die Daten. Für Forschung, Klinik und Industrie gilt daher:
Welche Daten eignen sich für welche Fragestellung – und mit welchen Limitationen?