KI im Gesundheitswesen braucht mehr als Daten – sie braucht vertrauenswürdige Informationen

Warum die Zukunft der künstlichen Intelligenz nicht von immer leistungsfähigeren Modellen abhängt, sondern von der Qualität der Informationen, auf die sie zugreifen können.

Künstliche Intelligenz entwickelt sich mit beeindruckender Geschwindigkeit. Moderne Sprachmodelle verstehen komplexe Zusammenhänge, generieren hochwertige Inhalte und unterstützen zunehmend auch anspruchsvolle klinische Entscheidungen.

Trotz dieser Fortschritte bleibt die breite Einführung von KI im Gesundheitswesen hinter den Erwartungen zurück. Zwar evaluieren oder nutzen inzwischen 85 Prozent der befragten Gesundheitseinrichtungen generative KI, viele kommen jedoch über Pilotprojekte oder einzelne Anwendungsfälle nicht hinaus. Die größten Herausforderungen liegen heute weniger in der Leistungsfähigkeit der Modelle als in ihrer Integration in bestehende Prozesse, einer verlässlichen Governance und vor allem in der Qualität der zugrunde liegenden Informationen.

Die öffentliche Diskussion konzentriert sich häufig auf immer leistungsfähigere Sprachmodelle. Die entscheidende Frage lautet jedoch nicht, welches Modell eingesetzt wird, sondern auf welcher Informationsbasis es arbeitet.

Damit rückt eines der ältesten Prinzipien wieder in den Mittelpunkt: „Garbage in, garbage out.“

Während Gesundheitseinrichtungen erhebliche Investitionen in moderne KI-Lösungen tätigen, gehören fragmentierte Informationen, voneinander getrennte IT-Systeme, doppelte Datensätze, uneinheitliche Terminologien und unvollständige Patientenhistorien vielerorts noch immer zum Alltag. Der entscheidende Faktor ist daher nicht die Leistungsfähigkeit der KI, sondern die Qualität der Informationen, mit denen sie arbeitet. Erst wenn fragmentierte Daten zu vertrauenswürdigen und konsistenten Informationen zusammengeführt werden, kann KI ihr Potenzial im klinischen Alltag entfalten.

Ein weit verbreitetes Missverständnis lautet: Weil Large Language Models mit riesigen Datenmengen trainiert werden, benötigen sie auch im klinischen Einsatz vor allem möglichst viele Daten. Tatsächlich sind das Training eines KI-Modells und seine Anwendung im Gesundheitswesen jedoch zwei grundlegend unterschiedliche Herausforderungen.

Für das Training sind große Datenmengen unverzichtbar. Im klinischen Alltag zählt dagegen vor allem die Qualität der verfügbaren Informationen. Künstliche Intelligenz im Gesundheitswesen braucht deshalb nicht einfach mehr Daten. Sie benötigt Informationen, die vollständig, vertrauenswürdig, klinisch relevant und im richtigen Kontext verfügbar sind.

Die Unterscheidung zwischen Daten, Informationen und Wissen ist dabei entscheidend. Ein Blutdruckwert von 150/95 mmHg ist zum Beispiel zunächst lediglich ein Messwert. Erst die Information, dass er von einem 72-jährigen Patienten mit Diabetes mellitus, chronischer Nierenerkrankung und antihypertensiver Medikation stammt, macht ihn klinisch relevant. Das Wissen, dass genau diese Kombination das kardiovaskuläre Risiko erhöht und therapeutische Konsequenzen haben kann, bildet schließlich die Grundlage für fundierte Entscheidungen – sowohl durch medizinische Fachkräfte als auch durch KI.

Kaum eine Branche erzeugt so viele Daten wie das Gesundheitswesen. Jeder Patientenkontakt liefert Laborwerte, Bilddaten, Medikationsinformationen, Arztbriefe, Pflegeberichte, Pathologiebefunde oder Vitalparameter aus Wearables. Gleichzeitig bleiben diese Informationen allerdings häufig auf unterschiedliche Anwendungen, Fachabteilungen und Einrichtungen verteilt. Und genau da liegt das eigentliche Problem. Jedes System bildet nur einen Teil der Patientengeschichte ab. Das vollständige Bild bleibt über zahlreiche Informationssilos hinweg fragmentiert – und mit ihm auch die Grundlage für fundierte KI-gestützte Entscheidungen.

Ärzte treffen ihre Entscheidungen nicht auf Grundlage einzelner Befunde. Ein Laborwert allein führt nur selten zu einer Diagnose. Erst das Zusammenspiel aus Diagnosen, Laborverläufen, Medikamenten, Symptomen, Bildbefunden, Familienanamnese und Begleiterkrankungen ergibt ein vollständiges Bild des klinischen Zustands eines Patienten. Und nach demselben Prinzip arbeitet auch künstliche Intelligenz.

Large Language Models und klinische KI-Systeme bewerten nicht einfach einzelne Datenpunkte. Sie erkennen Zusammenhänge, identifizieren Muster, schätzen Wahrscheinlichkeiten ein und unterstützen klinische Entscheidungen auf Basis des verfügbaren Kontexts. Fehlt dieser Kontext, sinkt zwangsläufig auch die Qualität der Ergebnisse.

Deshalb hängt der Nutzen von KI im klinischen Alltag nicht allein vom eingesetzten Modell ab. Entscheidend ist, ob alle relevanten Informationen vollständig und im richtigen Zusammenhang verfügbar sind.

Internationale Branchenorganisationen wie HIMSS weisen seit Jahren darauf hin, dass Interoperabilität weit mehr bedeutet als den technischen Austausch von Daten. Erst wenn Informationen organisationsübergreifend sicher ausgetauscht, integriert und im klinischen Kontext genutzt werden können, entsteht die Grundlage für fundierte Entscheidungen – durch medizinische Fachkräfte ebenso wie durch KI.

Ein Beispiel verdeutlicht diesen Zusammenhang: Ein KI-System zur Erkennung von Lungenkrebs liefert deutlich fundiertere Ergebnisse, wenn es neben der aktuellen CT-Aufnahme auch frühere Bildgebungen, Laborwerte, Begleiterkrankungen und die klinische Vorgeschichte berücksichtigen kann. Erst dieser Kontext ermöglicht eine belastbare Bewertung.

Das eigentliche Potenzial entsteht daher nicht durch zusätzliche Algorithmen, sondern durch zusätzliche Zusammenhänge. Dasselbe KI-Modell liefert bessere Ergebnisse, wenn es den Patienten besser versteht.

Deshalb erzielen Gesundheitseinrichtungen trotz vergleichbarer KI-Technologien häufig unterschiedliche Ergebnisse. Ausschlaggebend ist meist nicht die Software selbst, sondern die Qualität, Vollständigkeit und Vernetzung der Informationen, auf die sie zugreifen kann.

Über viele Jahre bestand das Ziel der digitalen Transformation im Gesundheitswesen vor allem darin, Anwendungen miteinander zu verbinden. Enterprise Service Busse, Kommunikationsserver und Integrationsplattformen ermöglichten den Datenaustausch zwischen Laboren, Radiologien, Apotheken und elektronischen Patientenakten und beseitigten zahlreiche technische Hürden. Diese Integrationsschicht bleibt unverzichtbar. Für den erfolgreichen Einsatz von KI reicht sie jedoch nicht mehr aus.

Die nächste Stufe der digitalen Transformation beginnt dort, wo nicht länger Anwendungen, sondern Informationen miteinander verknüpft werden. Ziel ist es, aus Tausenden einzelner klinischer Beobachtungen ein vollständiges und konsistentes Bild des Patienten zu schaffen – unabhängig davon, aus welchem Primärsystem die Informationen stammen. Dafür müssen Daten aus unterschiedlichen Quellen integriert, semantisch harmonisiert und kontinuierlich aktualisiert werden. Erst so entsteht eine longitudinale Patientenakte, die den gesamten Behandlungsverlauf abbildet und jederzeit für klinische Entscheidungen verfügbar ist.

Auch die WHO Europe betont, dass vertrauenswürdige KI eine belastbare Data Governance, qualitativ hochwertige Gesundheitsdaten und interoperable Informationssysteme voraussetzt. Nur wenn Informationen sicher, konsistent und systemübergreifend verfügbar sind, kann künstliche Intelligenz ihr Potenzial im klinischen Alltag entfalten.

Die nächste Generation der digitalen Transformation beginnt nicht mit einer neuen KI-Anwendung, sondern mit einer Informationsarchitektur, die Daten aus unterschiedlichsten Quellen zu vertrauenswürdigen Informationen zusammenführt.
Genau diese Rolle übernimmt ein Digital Backbone.

Im Unterschied zu klassischen Integrationsplattformen verbindet ein Digital Backbone nicht nur Anwendungen. Es schafft eine einheitliche Informationsbasis, in der Daten aus verschiedenen Primärsystemen integriert, semantisch harmonisiert und kontinuierlich aktualisiert werden. So entsteht ein vollständiges, konsistentes und longitudinales Bild jedes Patienten – unabhängig davon, aus welchen Systemen die Informationen stammen.

Diese Informationsbasis steht nicht nur einer einzelnen Anwendung zur Verfügung, sondern kann von unterschiedlichsten digitalen Lösungen genutzt werden – von der klinischen Entscheidungsunterstützung über KI-Assistenten bis hin zu klinischer Forschung oder Digital Twins.

Für künstliche Intelligenz bedeutet das einen entscheidenden Unterschied: Anstatt Informationen aus einzelnen Dokumenten oder isolierten Datenquellen zusammenzuführen, kann sie auf den vollständigen klinischen Kontext zugreifen. Empfehlungen basieren damit nicht auf einem Ausschnitt der Patientengeschichte, sondern auf einem konsistenten Gesamtbild.

Seit vielen Jahren verfolgt InterSystems genau diesen Ansatz. Lösungen wie InterSystems IRIS for Health und InterSystems HealthShare unterstützen Gesundheitseinrichtungen dabei, klinische und administrative Informationen aus nahezu beliebigen Quellsystemen zusammenzuführen, mithilfe offener Standards wie HL7® FHIR®, HL7 v2 und DICOM zu harmonisieren und daraus eine konsistente longitudinale Patientenakte aufzubauen.

Darauf baut auch der HealthShare AI Assistant auf. Anstatt einzelne Dokumente oder voneinander getrennte Datenquellen zu durchsuchen, können medizinische Fachkräfte Informationen in natürlicher Sprache abfragen und erhalten Antworten, die auf vertrauenswürdigen klinischen Informationen basieren. Transparente Quellenverweise ermöglichen es, die Ergebnisse jederzeit nachzuvollziehen und fachlich zu überprüfen.

Gerade im Gesundheitswesen ist diese Nachvollziehbarkeit entscheidend. Vertrauen entsteht nicht allein durch gute Ergebnisse, sondern dadurch, dass medizinische Fachkräfte verstehen können, wie eine Empfehlung zustande gekommen ist.

Künstliche Intelligenz wird sich in den kommenden Jahren rasant weiterentwickeln. Modelle werden leistungsfähiger, spezialisierter und breiter verfügbar. Der nachhaltige Wettbewerbsvorteil wird deshalb immer weniger in der Auswahl des neuesten Sprachmodells liegen.

Entscheidend ist vielmehr, ob Gesundheitseinrichtungen über eine Informationsbasis verfügen, die vollständige, konsistente und vertrauenswürdige Gesundheitsinformationen bereitstellt. Nur auf dieser Grundlage kann KI klinische Entscheidungen nachvollziehbar und verlässlich unterstützen.

Wer heute in Interoperabilität, Informationsqualität und eine belastbare Informationsarchitektur investiert, schafft damit die Voraussetzung für den erfolgreichen Einsatz von KI – unabhängig davon, welche Modelle morgen verfügbar sein werden.

Denn das Rennen um KI im Gesundheitswesen wird nicht durch Big Data entschieden, sondern durch vertrauenswürdige Informationen. Ein Digital Backbone schafft dafür die Grundlage.