Künstliche Intelligenz: Von der Intuition zur Evidenz

Datengestützte Medizin: Der Aufstieg des maschinellen Lernens

Autorin: Dr. Marika Kaden, Hochschule Mittweida, 19.03.2026

Der Begriff Künstliche Intelligenz (KI), geprägt 1955 von John McCarthy, hat sich seit den 1990er von einem vorwiegend theoretischen Forschungsfeld zu einer Schlüsseltechnologie mit erheblicher gesellschaftlicher und wirtschaftlicher Relevanz entwickelt. Dies wird besonders in Bereichen deutlich, in denen große, komplexe Datenmengen anfallen, wie beispielsweise in der Medizin, der Materialforschung, der Klimamodellierung oder der Sprachverarbeitung. Während der Begriff „KI“ weiterhin Verwendung findet, ist es empfehlenswert von Maschinellem Lernen (ML) zu sprechen. Warum? Der Begriff Künstliche Intelligenz weckt oft falsche Assoziationen mit menschenähnlicher Intelligenz und Autonomie, während ML die tatsächlichen, datengetriebenen Algorithmen und Methoden präziser beschreibt. In diesen Bereichen verschiebt ML nicht nur technische Möglichkeiten, sondern auch Arbeitsweisen: von erfahrungsbasierter Intuition hin zu datengetriebener Evidenz.

Um zu verstehen, was ML heute tatsächlich leistet, lohnt sich eine nähere Betrachtung. Fangen wir mit einem exemplarischen Fallbeispiel an.

Stellen wir uns eine internistische Praxis in einer mittelgroßen Stadt in Sachsen vor, z. B. Mittweida. Die Ärztin verfügt neben der klassischen elektronischen Patientenakte über ein ML-basiertes Entscheidungsunterstützungssystem. Dieses System ist auf Grundlage historischer Patientendaten, Leitlinien, Laborergebnissen und Bildbefunden trainiert worden und wird fortlaufend mit neuen, anonymisierten Daten aktualisiert.

Ein:e Patient:in mittleren Alters erscheint mit unspezifischen Beschwerden: Müdigkeit, gelegentliche Atemnot beim Treppensteigen, diffuse Thoraxschmerzen. Für sich genommen sind diese Symptome unspektakulär und könnten von harmlosen Ursachen bis zu ernsthaften Herz-Kreislauf-Erkrankungen reichen. Das ML-System analysiert in Sekundenbruchteilen die aktuelle Symptomatik, die bisherige Anamnese, Vitalparameter, Laborwerte und Medikationshistorie und gibt der Ärztin eine priorisierte Liste von Verdachtsdiagnosen inklusive geschätzter Wahrscheinlichkeiten sowie Vorschläge für sinnvolle Weiteruntersuchungen.

Wichtig ist: Die Maschinellen Lernmethoden treffen keine Diagnose im rechtlichen oder medizinischen Sinn. Mit ihnen wird ein statistisches Risikoprofil erzeugt, das die Ärztin in ihre klinische Bewertung einbezieht. Die letztliche Entscheidung bleibt beim Menschen, der oft noch ein besseres Bild vom Patienten hat. Dennoch können diese Modelle den Arzt unterstützen, indem sie auf seltene oder dem Arzt unbekannte Diagnosen hinweisen. Somit verändert die Technologie den Prozess: Seltene Konstellationen, die im klinischen Alltag leicht übersehen werden, können systematisch berücksichtigt werden und die Qualität der Entscheidung ist weniger stark von individueller Erfahrung oder Tagesform abhängig.

Aus wissenschaftlicher Perspektive haben die heutigen dominierenden ML-Ansätze unter anderem folgende Eigenschaften:

• Datenbasierter Ansatz: Modelle lernen nicht explizite Regeln, sondern Wahrscheinlichkeitsverteilungen aus Beispieldaten.
• Nichtlineare Modellierung: Maschine Learning Modelle können hochdimensionale Daten verarbeiten und nichtlineare Zusammenhänge abbilden, etwa in Bildern, Signalen oder Text.
• Generalisation statt Auswendiglernen: Ziel ist, aus Trainingsbeispielen Muster zu extrahieren, die auf neue, bisher ungesehene Daten übertragbar sind.

In der Praxis werden diese Modelle speziell zugeschnitten: Convolutional Neural Networks (CNNs) für Bilddaten, Graph Neural Networks für Netzdaten (z. B. Molekülstrukturen oder soziale Netzwerke) und natürlich nicht zu vergessen Transformer-Architekturen für Sequenzen und Sprache mit den Large Language Modellen, welche seit fünf Jahren die Arbeitsweisen in vielen Bereichen stark beeinflussen.  Dabei sind ML-Modelle kein „bewusstes“ System, sondern ein mathematisches Optimierungsverfahren, das Energiefunktionen minimiert.

Aus wissenschaftlicher und gesundheitssystemischer Sicht ergeben sich drei wesentliche Chancen:

1. Erhöhte diagnostische Präzision
   ML-Systeme können subtile Muster erkennen, die für menschliche Beobachter schwer zugänglich sind – etwa mikroskopische Auffälligkeiten in histopathologischen Bildern oder zeitliche Muster in Biosignalen. In Studien erreichen solche Systeme für bestimmte Aufgaben bereits eine Genauigkeit im Bereich oder oberhalb menschlicher Expertinnen und Experten. Dadurch werden Früherkennung und Risikostratifizierung potenziell verbessert.
2. Skalierbarkeit und Effizienz
   Viele medizinische Tätigkeiten – von der Bildbefundung bis zur Triage in Notaufnahmen – sind standardisierbar und datenintensiv. ML kann hier Routineaufgaben unterstützen oder bei dem teilweisen Automatisieren helfen, wodurch Fachpersonal entlastet und Ressourcen besser verteilt werden. Auch im Gesundheitsmanagement (z. B. Hospital-Logistik, Bettenplanung) zeigen ML-basierte Optimierungsalgorithmen deutliche Effizienzgewinne.
3. Personalisierte Medizin
   Durch die Integration heterogener Daten (Genomik, Bildgebung, Labor, klinische Verlaufsdaten) lassen sich individualisierte Prognose- und Therapieempfehlungen ableiten. ML-Modelle können Subgruppen von Patient:innen identifizieren, die unterschiedlich auf Therapien ansprechen, und so die Grundlage für präzisere, weniger „one-size-fits-all“-orientierte Behandlungskonzepte legen.

Neben den Potenzialen haben Maschinelle Lernsysteme ihre Begrenzungen und Risiken:

• Datenqualität und -repräsentativität
  ML-Systeme lernen nur aus den Daten, die ihnen zur Verfügung stehen. Sind diese Daten verzerrt (z. B. bestimmte Bevölkerungsgruppen unterrepräsentiert), reproduziert oder verstärkt das Modell die Verzerrung. Für die Medizin bedeutet das: Ungerechte Ergebnisse sind möglich, wenn Trainingsdaten nicht divers und sorgfältig kuratiert sind.
• Erklärbarkeit und Nachvollziehbarkeit
  Viele leistungsfähige Modelle sind sogenannte „Black Boxes“, d. h. es ist für Anwender:innen nicht nachvollziehbar, wie es zu einer Entscheidung kommt.  Für sicherheitskritische Anwendungen – etwa in der Diagnostik – besteht jedoch ein legitimes Bedürfnis nach Erklärbarkeit und Glaubwürdigkeit. Hier arbeitet die Forschung an interpretierbaren ML-Methoden, die Entscheidungswege transparent machen sollen, etwa durch Sensitivitätsanalysen, lokale Erklärungsmodelle oder smarte Modelle, die nachvollziehbar bei Designs sind (s. Link zum anderen Paper).
• Verantwortung und Regulierung
  Je stärker ML-Systeme in Entscheidungsprozesse eingebunden sind, desto drängender werden Fragen der Haftung und regulatorischen Kontrolle. In der EU werden ML-Anwendungen im Gesundheitswesen voraussichtlich als „High-Risk“-Systeme eingestuft, was strenge Anforderungen an Sicherheit, Transparenz, Validierung und Überwachung bedeutet. Die Verantwortung bleibt, juristisch wie ethisch, beim menschlichen Fachpersonal und den betreibenden Institutionen.
• Abhängigkeit und Kompetenzverlust
  Wird ML unreflektiert eingesetzt, besteht die Gefahr, dass menschliche Expertise erodiert, weil kritische Fähigkeiten zunehmend an Maschinen delegiert werden. Dem lässt sich nur begegnen, wenn ML systematisch als Assistenzsystem verstanden und in die Aus- und Weiterbildung integriert wird, statt als Ersatz für Fachwissen.

Künstliche Intelligenz, besser gesagt Maschinelles Lernen, verändert die Medizin und viele andere Bereiche nicht durch spektakuläre Roboter oder Science-Fiction-Szenarien, sondern durch die stille Transformation von Routinen, Entscheidungswegen und Datenflüssen bereits seit Jahrzehnten. Die Technik bietet die Chance, Diagnostik und Therapie evidenzbasierter, reproduzierbarer und individueller zu machen, verlangt aber im Gegenzug hohe Standards an Datenqualität, Validierung, Governance und ethische Reflexion.

Die kleine Geschichte aus der Praxis zeigt: Es geht nicht um die Ablösung des medizinischen Personals durch eine Maschine, sondern um eine Neuverteilung von Aufgaben. Die Stärke der ML liegt in der Verarbeitung großer Datenmengen, die Stärke des Menschen in Kontextverständnis, Werturteil und Verantwortung. Eine wissenschaftlich seriöse Perspektive auf ML bedeutet daher, beide Kompetenzen bewusst zu kombinieren und weder die Potenziale noch die Grenzen der Technologie zu unterschätzen.