Künstliche Intelligenz kann Befunde strukturieren, Arztbriefe vorbereiten, klinische Studien matchen, Leitlinienwissen verfügbar machen und Tumorboards entlasten. Doch die entscheidende Voraussetzung dafür ist Interoperabilität. Ohne strukturierte, semantisch eindeutige und technisch austauschbare Daten bleibt KI im Gesundheitswesen ein Pilotprojekt mit begrenzter Wirkung. Eine Session auf der DMEA befasste sich mit dieser spannenden Frage.

Die Ausgangslage ist bekannt: Gesundheitsdaten entstehen in hochheterogenen Systemlandschaften. Krankenhausinformationssysteme, Praxisverwaltungssysteme, Fachanwendungen, Patientenportale, elektronische Patientenakten, Register und Forschungsplattformen verwenden unterschiedliche Datenmodelle, lokale Codes und proprietäre Schnittstellen. Was in einem System als „Kardiologie“ dokumentiert ist, kann in einem anderen System völlig anders codiert sein. Für Menschen ist diese Uneinheitlichkeit oft noch interpretierbar; für automatisierte Prozesse und KI-Systeme ist sie ein erhebliches Risiko.

Interoperabilität beginnt deshalb bei der Basis: syntaktisch durch einheitliche Datenstrukturen wie HL7 FHIR und semantisch durch verbindliche Terminologien, Codesysteme und Wertelisten. HL7 steht für „Health Level Seven“ und bezeichnet eine Familie von Standards für den Austausch medizinischer Daten. FHIR bedeutet „Fast Healthcare Interoperability Resources“ und ist ein moderner HL7-Standard, der Gesundheitsinformationen in standardisierten digitalen Bausteinen, sogenannten Ressourcen, beschreibt. SNOMED CT, LOINC, FHIR-Profile, Dokumenttypenlisten und zentrale Terminologieserver bilden die Infrastruktur, auf der digitale Versorgung aufbauen kann. Sie sorgen dafür, dass Daten nicht nur transportiert, sondern auch kontextgerecht verstanden werden.

Besonders relevant wird dies im Europäischen Gesundheitsdatenraum. Patientinnen und Patienten sollen Gesundheitsdaten grenzüberschreitend nutzen können. Zugleich sollen Daten für Versorgung, Forschung und Public Health europaweit besser verfügbar werden. Dafür braucht es sprachunabhängige, international anschlussfähige Codiersysteme und klare semantische Strategien. Der zentrale Terminologieserver des BfArM wird hier zum Baustein einer „Single Source of Truth“: ein Ort, an dem Kodiersysteme, Wertelisten und Mappings in standardisiertem Format bereitgestellt und versioniert werden.

Erst auf dieser Grundlage können KI-Agenten ihren klinischen Mehrwert entfalten. Moderne agentische Systeme kombinieren Large Language Models, also große KI-Sprachmodelle, mit Werkzeugen: etwa Datenbankabfragen, FHIR-Servern oder Analysemodulen. Sie können selbstständig prüfen, wo relevante Informationen vorliegen, fehlende Daten an anderer Stelle suchen und klinische Dokumente aus heterogenen Quellen zusammenführen. In der Onkologie ist dieser Ansatz besonders naheliegend: komplexe Patientenverläufe, rasch wachsendes Leitlinien- und Publikationswissen, molekulare Diagnostik und Studienkriterien überfordern zunehmend manuelle Prozesse.

KI kann hier Tumorboards vorbereiten, Therapieoptionen evidenzbasiert strukturieren, Studienmatching unterstützen oder administrative Meldungen erleichtern. Entscheidend bleibt jedoch: Die Qualität der KI-Ausgabe hängt direkt von der Qualität, Struktur und Interoperabilität der Eingangsdaten ab. „FHIR“ allein genügt nicht; Profile, Terminologien, Berechtigungsmodelle, Identifikatoren und klinische Validierung müssen zusammengedacht werden.

Fazit
Interoperabilität ist kein rein technisches Thema, sondern ein Versorgungs- und Patientensicherheitsthema. Sie reduziert Reibungsverluste, vermeidet Datensilos, ermöglicht Automatisierung und schafft die Grundlage für vertrauenswürdige KI. Erst wenn Systeme miteinander sprechen und Daten dasselbe bedeuten, kann KI klinische Entscheidungen sinnvoll unterstützen.

Text: Reinhard Merz
Bild: openAI für arztCME

Der Beitrag KI und Interoperabilität: Warum die Medizin erst eine gemeinsame Sprache lernen muss erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Wohin geht die Reise der digitalen Pflege? Dr. Reinhard Merz (MiM-Verlag/arztCME, Mitte) im Gespräch mit Philip Kraul (Pflegecampus, links) und Klaus Mueller (Medice, rechts).

Digitale Dokumentation, KI-gestützte Assistenzsysteme, smarte Sensorik und Robotik versprechen, Pflegekräfte zu entlasten und Versorgungsprozesse sicherer zu machen. Doch zwischen technologischer Vision und Pflegealltag liegen oft Medienbrüche, Zeitdruck, fehlende Schnittstellen und begrenzte Ressourcen. Im Interview sprechen wir darüber, wo die Pflege bei der Digitalisierung tatsächlich steht, welche Lösungen echten klinischen Nutzen bringen und warum Fortschritt nicht allein von Technik abhängt, sondern von Akzeptanz, Schulung und praxistauglicher Implementierung.

Text: Reinhard Merz
Bilder: Mascha Prüß

Der Beitrag Pflege auf der DMEA 2026: Zwischen Steinzeit und Pflegeroboter erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Jüngst wurde die ePA(-Pflicht) ein Jahr alt. Grund zum Feiern? Eine Podiumsdiskussion auf der DMEA in Berlin (21.-23.4.2026) ging heute dieser Frage nach und fragte auch: Wie wird es in 5 Jahren aussehen?

Eine illustre Runde hatte sich zusammengefunden, um über die Frage zu diskutieren, ob und wann die elektronische Patientenakten (ePA) in der Versorgung ankommt. Moderiert wurde die Veranstaltung von der politischen Redakteurin des Deutschen Ärzteblatts, Rebecca Beerheide, und es diskutierten: Prof. Thomas Grechenig, Geschäftsführer der Rise GmbH, Andreas Storm, Vorstandsvorsitzender der DAK Gesundheit, die Klinikerin Prof. Claudia Schmidtke und die niedergelassene Gynäkologin Dr. Maike Henningsen.

Der Einstiegsfrage, ob sie den ersten Geburtstag gebührend gefeiert hätten, beantworteten alle Diskutanten mit einem etwas zögerlichen „Ja, aber …“. Schnell wurde klar: Man hätte sich schon ein bisschen mehr Fortschritt gewünscht in den letzten 12 Monaten. Zwar haben 94% der gesetzlich Versicherten jetzt eine Akte, aber deren Nutzung ist trotz aller Jubelmeldungen noch sehr bescheiden.

Trotzdem war der Grundtenor positiv. Prof. Grechenig hob hervor: „Was viele vergessen: Wir haben in den letzten 10 Jahren ein System aufgebaut, das digital souverän agiert und in der Lage ist, personalisierte Dienst für eine digitale Verwaltung zu liefern – weit über den eigentlichen Gesundheitsbereich hinaus.“ Und Andreas Storm ordnete es so ein: „Wir haben in den letzten 12 Monaten mehr Fortschritte gemacht als in den 10 Jahren davor.“

Dr. Henningsen erzählte aus ihrer Praxis: „Viele meiner Patientinnen sind der ePA gegenüber prinzipiell positiv eingestellt, sehen aber nicht, wo sie persönlich profitieren können. Hier müssen wir noch viel Aufklärungsarbeit leisten.“ Und Prof. Schmidtke ergänzte: „Patienten und Patientinnen müssen verstehen, dass die ePA zusammen mit KI-Auswertungstools in der Lage sein wird, Zusammenhänge zu finden, die ein Arzt nie entdecken würde.“

Reicht das, um nach vielen Rückschlägen positiv in die Zukunft zu schauen? Bei der Abschlussfrage mochte man das fast glauben. Denn alle Diskutanten waren der optimistischen Meinung, dass die ePA in fünf Jahren ein selbstverständlicher Teil unserer Versorgung sein wird – wie das Smartphone heute ein selbstverständlicher Teil unserer Kommunikation ist. Ob das der Realität entspricht, lesen Sie dann in unserem DMEA-Bericht 2031.

Text und Bild: Reinhard Merz

Der Beitrag DMEA 2026: Wo steht die ePA heute? erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Auch Extended Reality (XR) gewinnt an Bedeutung: VR, AR & Co. könnten die ärztliche Fortbildung nachhaltig verändern – vor allem dort, wo Lernen erlebbar wird.

In den vergangenen Monaten hat sich auch die Berichterstattung – auch im MedicalLearning-Blog – stark auf ein Thema konzentriert: Künstliche Intelligenz. Das ist nachvollziehbar, denn KI verändert derzeit in rasantem Tempo Diagnostik, Therapieplanung und medizinische Entscheidungsprozesse. Gleichzeitig existiert jedoch auch ein zweites technologisches Feld, das für die ärztliche Fortbildung zunehmend an Bedeutung gewinnt: Extended Reality (XR), also die Kombination aus Augmented Reality (AR), Virtual Reality (VR) und Mixed Reality (MR). Eine aktuelle systematische Übersicht von Siddiqui et al. (2025) liefert hierzu einen fundierten Überblick und analysiert auf Basis von 21 Studien aus den Jahren 2021 bis 2024 den Einsatz von XR in medizinischer Ausbildung und Versorgung . Auch wenn die Autorenschaft nicht aus klassischen internationalen Spitzenzentren stammt, ist die Arbeit methodisch sauber durchgeführt und stützt sich auf internationale Evidenz. Gerade für die Einordnung aktueller Entwicklungen ist sie daher gut geeignet.

Was beim Blick in die Ergebnisse deutlich wird: XR ist weit mehr als ein technisches Experiment. Die Technologien ermöglichen es, digitale Inhalte direkt mit der realen Umgebung zu verknüpfen und schaffen damit eine neue Qualität des Lernens. Anatomische Strukturen lassen sich dreidimensional erkunden, Eingriffe realitätsnah simulieren und komplexe klinische Situationen beliebig oft trainieren – ohne Risiko für Patientinnen und Patienten. Besonders in der chirurgischen Ausbildung, im Notfalltraining und in der Anatomievermittlung zeigen sich klare Vorteile. Bemerkenswert ist dabei, dass diese Vorteile weniger im klassischen Wissenszuwachs liegen. Die analysierten Studien zeigen vielmehr, dass XR vor allem Motivation, Zufriedenheit und Selbstvertrauen der Lernenden deutlich steigert, während der Kompetenzgewinn gegenüber traditionellen Lehrmethoden häufig vergleichbar bleibt . Für die Fortbildung ist das ein relevanter Aspekt: Nachhaltiges Lernen hängt wesentlich vom Engagement der Teilnehmenden ab – und genau hier scheint XR anzusetzen.

Auch über die Ausbildung hinaus ergeben sich interessante Perspektiven. XR kann in der Operationsplanung eingesetzt werden, indem komplexe anatomische Strukturen als 3D-Modelle visualisiert werden. Intraoperativ lassen sich zusätzliche Informationen einblenden, in der Telemedizin entstehen realitätsnähere Interaktionen, und in der Patientenaufklärung können komplexe Sachverhalte verständlicher vermittelt werden. Besonders spannend wird es dort, wo XR auf KI trifft: Während KI große Datenmengen analysiert und Entscheidungsgrundlagen liefert, macht XR diese Informationen visuell erfahrbar. Gleichzeitig bleibt die Entwicklung realistisch betrachtet noch in einem frühen Stadium. Die Kosten für Hardware und Infrastruktur sind hoch, die Integration in bestehende Abläufe ist anspruchsvoll, und die Studienlage ist teilweise heterogen. Zudem stammt ein Großteil der Evidenz aus Ländern mit hoher Ressourcenverfügbarkeit, was die Übertragbarkeit einschränkt . Auch das viel diskutierte „Metaversum“ hat zuletzt an Dynamik verloren – ein Hinweis darauf, dass nicht jede technologische Vision unmittelbar in der Praxis ankommt.

Dennoch sollte XR nicht vorschnell als vorübergehender Trend eingeordnet werden. Für die ärztliche Fortbildung eröffnet sich hier eine Entwicklung, die über klassisches E-Learning hinausgeht. Während bisher vor allem Wissen vermittelt wurde, rückt zunehmend das praktische Erleben in den Vordergrund: das sichere Trainieren klinischer Situationen, das intuitive Verstehen komplexer Zusammenhänge und das wiederholbare Üben ohne Risiko. Für Plattformen wie arztCME ergibt sich daraus perspektivisch eine interessante Erweiterung. Immersive Lernformate könnten bestehende Angebote sinnvoll ergänzen und insbesondere praktische Inhalte stärker abbilden. Entscheidend wird dabei sein, XR nicht als Ersatz, sondern als Ergänzung etablierter Fortbildungsformate zu verstehen.

Text: Redaktion arztCME

Bild: Open AI für arztCME

Der Beitrag Jenseits der KI: Extended Reality in der medizinischen Fortbildung erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Eine amerikanische Studie untersuchte, wie kommerzielle große Sprachmodelle (LLMs) verbale Wahrscheinlichkeitsbegriffe interpretieren, die zur Vermittlung medizinischer Risiken verwendet werden.

Große Sprachmodelle wie ChatGPT, Gemini, Grok oder Claude werden zunehmend auch für Gesundheitsfragen genutzt. Eine aktuelle Studie zeigt jedoch, dass diese Systeme erhebliche Schwächen haben, wenn es um die Vermittlung medizinischer Wahrscheinlichkeiten geht. Genau darin liegt ein relevantes Risiko für die Patientenkommunikation.

Die im JAMA Network veröffentlichte Studie (Link) untersuchte, wie vier kommerzielle Large Language Models zehn gebräuchliche verbale Wahrscheinlichkeitsbegriffe wie „selten“, „häufig“ oder „wahrscheinlich“ interpretieren. Solche Formulierungen werden in der Medizin und Pharmakovigilanz regelmäßig verwendet, von Patientinnen und Patienten aber sehr unterschiedlich verstanden. Die Autoren wollten wissen, ob LLMs eher regulatorische Definitionen – etwa die Vorgaben der Europäischen Kommission – oder eher alltagsnahe, laienhafte Bedeutungen wiedergeben.

Das zentrale Ergebnis: Die Modelle lieferten häufig GAR KEINE konkrete numerische Einschätzung. Dieses Verhalten nahm vor allem dann zu, wenn die geschilderte klinische Situation schwerwiegender war oder die Anfrage ängstlich formuliert wurde. Wenn die Systeme dennoch Zahlen nannten, orientierten sie sich meist stärker an Laienvorstellungen als an medizinisch-regulatorischen Standards. So wurde der Begriff „häufig“ von allen Modellen deutlich höher eingeschätzt, als es die europäische Leitlinie für Nebenwirkungsangaben vorsieht.

Für die Praxis bedeutet das: LLMs können Missverständnisse in der Risikokommunikation nicht nur übernehmen, sondern sogar verstärken. Gerade in der Aufklärung über Therapieeffekte, Nebenwirkungen oder Prognosen ist das problematisch. Positiv war, dass Antworten bei höherer emotionaler Belastung oft länger und besser lesbar ausfielen. Das könnte auf eine gewisse Anpassungsfähigkeit der Systeme an die Kommunikationssituation hindeuten.

Dennoch bleibt die Kernaussage klar: Ohne technische Leitplanken und standardisierte Vorgaben sind LLMs derzeit keine verlässlichen Werkzeuge für die präzise Kommunikation medizinischer Wahrscheinlichkeiten. Es bleibt viel zu tun, bevor LLMs sicher in patientennahe Kommunikationsprozesse integriert werden können.

Text: Reinhard Merz
Bild: chatGPT für arztCME

Der Beitrag LLMs und die Sache mit der Wahrscheinlichkeit erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Künstliche Intelligenz kann heute in Sekunden medizinische Texte generieren. Doch hochwertige Information entsteht nicht automatisch. Besonders deutlich wird das im Bereich der medizinischen Information.

Generative KI funktioniert nicht ohne menschliche Vorarbeit. Systeme werden mit großen Mengen vorhandener Inhalte trainiert – darunter journalistische Texte, wissenschaftliche Publikationen und Fachartikel. Die KI produziert daraus neue Texte, doch die Grundlage bleibt menschliche Kreativität. Wenn aber immer mehr Inhalte automatisch erzeugt werden, stellt sich eine einfache Frage: Wer finanziert künftig die Recherche, Analyse und kritische Einordnung, auf denen diese Systeme aufbauen?

Der Rechtswissenschaftler Josef Drexl vom Max-Planck-Institut für Innovation und Wettbewerb sieht hier ein strukturelles Problem. Journalismus erfüllt eine zentrale gesellschaftliche Funktion: Er recherchiert, überprüft Informationen und ordnet komplexe Entwicklungen ein. Gerade in sensiblen Bereichen wie Medizin und Gesundheitspolitik ist diese Aufgabe kaum durch automatisierte Systeme zu ersetzen. Zwar können KI-Tools Texte zusammenfassen, Studien auswerten oder Informationen strukturieren. Doch die entscheidenden Fragen bleiben menschlich: Welche Studie ist relevant? Wie belastbar sind die Daten? Welche Interessen stehen hinter einer Veröffentlichung? Und was bedeutet eine neue Erkenntnis für die klinische Praxis?

Die juristische Debatte über KI und Urheberrecht hat gerade erst begonnen. Ein Beispiel ist ein Urteil des Landgerichts München I aus dem Jahr 2025 im Verfahren der GEMA gegen OpenAI. Dabei ging es um die Frage, ob KI-Systeme urheberrechtlich geschützte Inhalte speichern und reproduzieren dürfen. Doch solche Fälle betreffen nur einen Teil des Problems. Die eigentliche Herausforderung liegt darin, dass KI auf riesigen Mengen menschlicher Inhalte basiert, ohne dass deren Urheber systematisch beteiligt werden. Drexl schlägt deshalb ein neues Vergütungsmodell vor. Denkbar wäre eine Abgabe für Anbieter generativer KI-Systeme, die anschließend an Urheberinnen und Urheber verteilt wird. Ein solches Modell würde anerkennen, dass KI-Produktion letztlich auf menschlicher Kreativität aufbaut.

Für den Medizinjournalismus ist diese Diskussion besonders relevant. Verlässliche Information über neue Studien, Therapien oder gesundheitspolitische Entwicklungen entsteht nicht automatisch. Sie erfordert Recherche, fachliche Kompetenz und redaktionelle Verantwortung.

KI kann dabei ein hilfreiches Werkzeug sein. Sie kann Informationen schneller zugänglich machen, Daten analysieren und Inhalte strukturieren. Doch sie ersetzt nicht die kritische Bewertung und Einordnung, die gerade im Gesundheitsbereich unverzichtbar ist. Vielleicht liegt genau hier die eigentliche Zukunft des Journalismus: weniger in der reinen Textproduktion, sondern stärker in der Bewertung, Einordnung und Qualitätssicherung von Information. Gerade für Ärztinnen und Ärzte, die sich fortlaufend über neue Entwicklungen informieren müssen, bleibt diese Rolle zentral.

Die Debatte über KI und Urheberrecht ist daher nicht nur eine juristische Frage. Sie entscheidet auch darüber, ob hochwertige Information – insbesondere im medizinischen Bereich – langfristig gesichert werden kann.

Quelle: Max-Planck-Institut für Innovation und Wettbewerb: Wie das Urheberrecht im KI-Zeitalter überleben kann.

Text: Redaktion arztCME

Bild: Google AI, 2026, für arztCME

Der Beitrag Wie (Medizin-)Journalismus im KI-Zeitalter überleben kann erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Die Digitalisierung des Gesundheitswesens wird seit 20 Jahren als zentraler Hebel für Effizienz, bessere Versorgung und mehr Patientenorientierung positioniert. Doch wo stehen wir heute? Heise online ist dieser Frage nachgegangen.

Zur Zeit vergeht kein Kongress, bei dem nicht mindestens eine große Plenarsession sich dem Thema KI widmet. Das war so beim Deutschen Krebskongress (Link) im Februar in Berlin, beim FoKo vorletzte Woche in Düsseldorf und bei Der DERM letzte Woche in Frankenthal. Und immer stellt sich die Frage: Wie sind Nutzen, Risiken und soziale Folgen abzuschätzen? Und wohin geht die Reise? Heise online hat den aktiuellen Stand in 5 Punkten zusammengefasst (Link).

Punkt 1: Die elektronische Patientenakte (ePA). Klares Statement dazu. Sie bleibt aktuell weit hinter den Erwartungen zurück. Trotz Nutzen im Einzelfall tüberwiegen geringe Nutzbarkeit, unvollständige Inhalte und eine bislang schwache Einbindung vieler Leistungserbringer. Noch haben längst nicht alle Versicherten einen Zugang, trotzdem soll die ePA politisch zu einer zentralen Gesundheitsplattform mit zusätzlichen Funktionen wie Ersteinschätzung und Terminmanagement ausgebaut werden.

Punkt 2: Die digitale Patientensteuerung mittels KI. Systeme zur strukturierten medizinischen Ersteinschätzung sollen helfen, Patientinnen und Patienten gezielter in die Versorgung zu lenken und Fehlsteuerungen zu reduzieren. Doch auch dorthin ist der Weg noch weit. Die Ergebniss hängen stark von den Eingaben der Nutzenden ab, können manipulierbar sein und bergen das Risiko, soziale Ungleichheiten zu verstärken (Link). Besonders kritisch wird der Einsatz großer Sprachmodelle in der Triage gesehen, da diese Notfälle nicht zuverlässig erkennen.

Punkt 3: Die KI-gestützte Dokumentation. Das Ziel ies hier, Behandelnde zu entlasten. Sprachaufzeichnungen aus dem Sprechzimmer könnten automatisch transkribiert und strukturiert zusammengefasst werden. Das wirft Fragen nach Datenschutz, Abhängigkeit von externen Technologieanbietern und der Qualität der Arzt-Patienten-Kommunikation auf.Wird die Akzeptanz sinken, wenn Gespräche aufgezeichnet und cloudbasiert verarbeitet werden? Hier könnte relativ schnellst echter Nurtzen entstehen.

Punkt 4: KI in diagnostischen und therapeutischen Prozessen. Hier sind wir zum Teil schon am Ziel angekommen, etwa in der Radiologie, der Pathologie oder bei robotischen Verfahren. Problematisch bleibt, dass Patientinnen und Patienten oft kaum einschätzen können, in welcher Form KI tatsächlich eingesetzt wird. Ungleichheiten könnten entstehen, wenn die Kostenübernahme für innovative KI-Leistungen durch die gesetzlichen Kassen ausbleibt.

Punkt 5: Eigenverantwortung und KI-gestützte Selbstinformation. Hier ist die Schere schon sehr weit geöffnet. Digitale Gesundheitscoaches können im Einzelfall durchaus sinnvoll sein, ersetzen aber weder Gesundheitskompetenz noch strukturelle Prävention. Wer über geringe digitale oder sprachliche Kompetenzen verfügt, fällt hier klar durchs Raster.

Das Fazit von Heise online: Der Nutzen digitale Gesundheitstechnologien hängt entscheidend davon ab, wie sie implementiert, sozial begleitet und gerecht zugänglich gemacht werden. Und hier gibt ein Blick auf die letzten 20 Jahre leider wenig Grund zum Optimismus. Wenn Digitalisierung bestehende Versorgungsungleichheiten aber nicht abbaut, sondern weiter verschärft, stehen uns politisch unruhige Jahre bevor.

Text. Reinhard Merz
Bild: chatGPT für arztCME

Der Beitrag Digitalisierung im Gesundheitswesen: 5 Chancen, 5 Fallen erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Der Bundesgerichtshof hat entschieden, dass das Verbot der Laienwerbung mit Vorher-Nachher-Darstellungen (§ 11 HWG) auch bei bestimmten minimalinvasiven ästhetischen Behandlungen greifen kann – insbesondere, wenn durch Injektionen Form oder Gestalt von Nase oder Kinn verändert werden.

Ein makelloser Teint per Mausklick, die perfekte Kinnlinie durch KI-Algorithmen und eine Hauttextur ohne eine einzige Pore: Die Digitalisierung verändert nicht nur unsere alltägliche Kommunikation, sondern transformiert die Erwartungshaltung in der medizinischen Sprechstunde grundlegend. Während Patientinnen und Patienten heute mit KI-generierten Idealbildern in die Praxis kommen, sehen sich die ästhetische Chirurgie und die Dermatologie in Deutschland mit einem Regelwerk konfrontiert, das den Schutz vor unrealistischen Heilversprechen priorisiert. Wir bewegen uns in einem Spannungsfeld, in dem die technologische Machbarkeit der Bildmanipulation und die strengen Schranken des Heilmittelwerbegesetzes (HWG) hart aufeinanderprallen.

Die durch Künstliche Intelligenz getriebene Entwicklung geht längst über die klassische Fotoretusche hinaus. Sogenannte Echtzeit-Filter und KI-Avatare erschaffen Proportionen, die anatomisch oft nicht mehr realisierbar sind. In der Fachwelt hat sich hierfür bereits der Begriff der Snapchat- oder Filter-Dysmorphie etabliert. Die KI lernt dabei stetig von dem, was wir digital favorisieren, und verstärkt so einen Feedback-Loop der Perfektion, der keine biologischen Grenzen wie Wundheilung oder Narbengewebe kennt. Für das dermatologische und chirurgische Fachpersonal bedeutet dies eine wachsende Herausforderung im Erwartungsmanagement, da das digitale Wunschbild oft weit jenseits des medizinisch Machbaren liegt.

Inmitten dieser Bilderflut steht der § 11 des Heilmittelwerbegesetzes wie ein Fels in der Brandung, der durch die aktuelle Rechtsprechung eine neue, drastische Schärfe erhalten hat. Lange Zeit herrschte Unsicherheit darüber, wie weit der Begriff der „operativen plastisch-chirurgischen Eingriffe“ reicht. Mit dem wegweisenden Urteil des Bundesgerichtshofs (Az. I ZR 170/24) ist nun höchstrichterlich bestätigt: Für Behandlungen, bei denen durch Unterspritzung mit Hyaluron oder Hyaluronidase Form oder Gestalt von Nase oder Kinn verändert werden, darf außerhalb der Fachkreise nicht mit Vorher-Nachher-Darstellungen geworben werden. Entscheidend ist dabei weniger das Instrumentarium als Zweck, mögliche Dauerwirkung und Risiken der Behandlung – und damit eine weite Auslegung des Anwendungsbereichs. Für die Praxis heißt das: Wo eine nicht medizinisch notwendige ästhetische Maßnahme das Erscheinungsbild nachhaltig verändert, wird Vorher-Nachher-Werbung gegenüber Laien schnell zum juristischen Risiko – auch wenn der Eingriff minimalinvasiv ist.

Die Intention des Gesetzgebers bleibt dabei der Patientenschutz: Man möchte verhindern, dass Menschen durch suggestive, oft nicht repräsentative Bilder zu medizinisch nicht notwendigen Eingriffen verleitet werden. Doch die Realität in den Praxen zeigt die Kehrseite dieser Medaille. Während sich die seriöse Dermatologie und Chirurgie in Deutschland an das strikte Werbeverbot halten müssen, werden Patienten online mit (oft massiv manipulierten oder KI-optimierten) Ergebnissen aus dem Ausland überflutet, wo Werberegeln teils anders ausgestaltet, weniger restriktiv oder weniger konsequent durchgesetzt werden. Dies führt nicht nur zu einem erheblichen Wettbewerbsnachteil, sondern schafft ein gefährliches Informationsvakuum. Patienten orientieren sich an unrealistischen Standards, weil die fachlich fundierte Aufklärung durch echtes Bildmaterial im öffentlichen Raum häufig nicht zulässig ist.

Gerade in der Dermatologie, wo die Verbesserung der Hauttextur im Fokus steht, ist der Druck durch KI-Filter enorm. Der Wunsch nach absoluter Porenlosigkeit ist ein direktes Produkt digitaler Glättungs-Algorithmen und stellt die dermatologische Aufklärung vor die Aufgabe, den Patienten den Unterschied zwischen gesunder Haut und einem bearbeiteten Datensatz zu erklären. Damit rückt die ethische Verantwortung und die psychologische Indikationsstellung mehr denn je in das Zentrum der ärztlichen Tätigkeit. Das persönliche Beratungsgespräch ist dabei ein zentraler, rechtlich zulässiger Rahmen, in dem Bilddokumentationen – bei informierter Einwilligung und datenschutzkonformer Verwendung – als Instrument der objektiven und ehrlichen Aufklärung eingesetzt werden können.

Text: Redaktion arztCME

Bild: Google AI, 2026, für arztCME

Der Beitrag Ästhetische Chirurgie und Dermatologie im KI-Zeitalter erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Auf dem DKK 2026 wurde auch die Zukunft der onkologischen Prävention diskutiert. Die zentrale Frage lautet nicht mehr, ob wir Krebs früher erkennen können, sondern wie wir vorhandenes Wissen konsequent und gerecht in Versorgungssysteme integrieren.

Krebs bleibt eine der größten gesundheitspolitischen Herausforderungen in Deutschland. Jährlich werden rund 520.000 Neuerkrankungen diagnostiziert, etwa 230.000 Menschen sterben an den Folgen einer malignen Erkrankung. Prognosen gehen aufgrund der demografischen Entwicklung von weiter steigenden Inzidenzen aus.

Gleichzeitig ist seit Jahren bekannt, dass ein erheblicher Anteil dieser Erkrankungen vermeidbar wäre. Schätzungen zufolge könnten etwa 37–40 % aller Krebsneuerkrankungen durch konsequente Primärprävention verhindert werden. In Kombination mit strukturierter Früherkennung (Sekundärprävention) ließen sich sogar bis zu 60 % der Krebstodesfälle vermeiden – auf Basis des bereits vorhandenen Wissens.

Die wesentlichen modifizierbaren Risikofaktoren sind ja seit Jahrzehnten bekannt: Tabakkonsum, ungesunde Ernährung, Adipositas, Bewegungsmangel, Alkoholkonsum, onkogene Infektionen. Trotz dieser klaren Evidenz bleibt die Implementierung auf Bevölkerungsebene unzureichend. Gleichzeitig fließt nur ein geringer Anteil der Gesundheitsausgaben in strukturierte Präventionsstrategien, während der Großteil in kurative Versorgung investiert wird.

Von „One size fits all“ zur risikoadaptierten Prävention

Traditionelle Screeningprogramme orientieren sich primär am Lebensalter. Beispielhaft ist die Darmkrebsvorsorge ab dem 50. Lebensjahr. Dieses altersbasierte Modell ignoriert jedoch die multidimensionale Natur des Krebsrisikos. Denn das individuelle Risiko wird auch bestimmt durch genetische Disposition, Geschlecht, Lebensstil und Komorbiditäten. Die Zukunft liegt in der Verschiebung von einer altersbasierten zu einer risikobasierten Präventionslogik.

Ein wesentlicher Innovationsbereich ist die molekulare Früherkennung mittels Liquid Biopsy. Tumoren setzen zellfreie DNA-Fragmente (ctDNA) in den Blutkreislauf frei, die mit hochsensitiven Sequenziermethoden erfasst werden können. Vision ist die Detektion maligner Prozesse vor klinischer Manifestation.

Herausforderungen bestehen weiterhin hinsichtlich der Sensitivität in Frühstadien, der Spezifität bei altersassoziierten Mutationen (z. B. klonale Hämatopoese sowie der gesundheitsökonomischen Skalierbarkeit. Dennoch markiert die Liquid Biopsy einen potenziellen Wendepunkt in der Sekundär- und Tertiärprävention.

Auch KI-basierte Systeme finden zunehmend Eingang in die klinische Prävention: KI-gestützte Koloskopiesysteme erhöhen die Adenomdetektionsrate und verbessern die Differenzierung zwischen neoplastischen und nicht-neoplastischen Läsionen. In der Dermatologie ermöglichen
Algorithmen zur Bildanalyse eine standardisierte Risikostratifizierung von Hautläsionen. Und elektronische Gesundheitsdaten können genutzt werden, um individuelle Krankheitswahrscheinlichkeiten vorherzusagen und personalisierte Screeningstrategien abzuleiten.

Die Stärkung der biologischen Resilienz ist ein komplett neuer Ansatz. Hintergrund: Mit zunehmendem Alter nimmt die Immunkompetenz ab. Gleichzeitig steigt die Inzidenz maligner Erkrankungen. Innovative Forschungsansätze zielen darauf ab, das alternde Immunsystem gezielt zu stärken. Experimentelle Konzepte umfassen mRNA-basierte Strategien zur Expression thymusspezifischer sowie die Verbesserung der immunologischen Tumorüberwachung. Diese immunologischen Ansätze verschieben Prävention von passiver Vermeidung hin zu aktiver biologischer Resilienzsteigerung.

Implementierung: Die eigentliche Systemherausforderung

Doch technologische Innovation allein reicht nicht aus. Ein Beispiel ist die HPV-Impfung. Hier haben wir hohe Wirksamkeit und eine robuste Evidenz – dennoch unzureichende Impfquoten. Es zeigt sich die zentrale Implementierungslücke zwischen wissenschaftlicher Erkenntnis und populationsweiter Anwendung. Prävention ist daher nicht nur eine medizinische, sondern auch eine gesellschaftliche Aufgabe.

Die zukünftige Krebsprävention wird sich daher entlang mehrerer Entwicklungslinien entfalten. Die zentrale Frage lautet nicht mehr, ob wir Krebs früher erkennen können, sondern wie wir vorhandenes Wissen konsequent und gerecht in Versorgungssysteme integrieren. Die Zukunft der Prävention beginnt nicht im Labor. Sie beginnt in der Umsetzung.

Text: Reinhard Merz
Bild: Google Nano Banana für arztCME

Der Beitrag Die Zukunft der onkologischen Prävention erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

LLMs brillieren in Benchmarks – doch als „First Point of Contact“ für Laien zeigt sich eine kritische Schwachstelle.

Die medizinische Fachwelt blickt mit einer Mischung aus Skepsis und Faszination auf die rasanten Fortschritte bei Large Language Models (LLMs). Während aktuelle Modelle wie GPT-4o oder Llama 3 in medizinischen Staatsexamen nahezu perfekte Ergebnisse erzielen, stellt sich die entscheidende Frage nach ihrer Sicherheit im klinischen Alltag – insbesondere als „First Point of Contact“ für medizinische Laien. Eine aktuelle, im Fachjournal Nature Medicine veröffentlichte Studie unterzieht dieses Versprechen einer ernüchternden Realitätsprüfung.

Die Forscher untersuchten in einer randomisierten Studie mit 1.298 Teilnehmern, inwieweit LLMs die Öffentlichkeit dabei unterstützen können, Behandlungsdringlichkeiten (Dispositions) korrekt einzuschätzen und zugrunde liegende Diagnosen zu identifizieren. Die Grundlage bildeten zehn validierte klinische Vignetten – vom akuten Myokardinfarkt bis zum banalen Infekt –, für die ein Expertenpanel aus Ärzten Goldstandard-Empfehlungen auf einer fünfstufigen Skala von „Self-care“ bis „Ambulance“ festlegte.

Die Ergebnisse offenbaren eine eklatante Diskrepanz zwischen theoretischem Potenzial und praktischer Anwendung: Isoliert betrachtet erreichen die Modelle bei der Identifizierung relevanter Bedingungen eine Genauigkeit von beeindruckenden 94,9 %. Sobald jedoch menschliche Probanden mit der KI interagierten, sank diese Rate auf unter 34,5 %. Damit schnitten die KI-unterstützten Nutzer sogar schlechter ab als die Kontrollgruppe, die herkömmliche Suchmethoden verwendete. Letztere hatte eine um den Faktor 1,76 höhere Chance, eine relevante Diagnose korrekt zu benennen.

Besonders kritisch für die Notfallmedizin ist die Einschätzung der Akuität. Hier zeigten die Teilnehmer – unabhängig von der Unterstützung durch GPT-4o, Llama 3 oder Command R+ – eine signifikante Tendenz zur Unterschätzung des Schweregrads ihrer Symptome. Die Treffsicherheit bei der Wahl der richtigen Versorgungsebene lag in den Interaktionsgruppen bei unter 44,2 %.

Die Ursache für dieses Versagen verorten die Autoren im sogenannten „Human-LLM Interaction Failure“. Die Analyse der Transkripte zeigt ein Kommunikationsproblem auf zwei Ebenen: Einerseits lieferten die Nutzer in 16 von 30 untersuchten Fällen initial nur unvollständige Informationen, da ihnen das medizinische Verständnis dafür fehlte, welche Symptome (z. B. die Plötzlichkeit eines Kopfschmerzes) diagnostisch wegweisend sind. Andererseits reagierten die Modelle hochgradig inkonsistent. In einem Fall erhielten zwei Nutzer mit nahezu identischen Symptomen einer Subarachnoidalblutung diametral entgegengesetzte Ratschläge: Während einem Nutzer korrekt zur Notaufnahme geraten wurde, erhielt der andere die Empfehlung, sich in einem dunklen Raum auszuruhen .

Für Ärzte ist die wichtigste Erkenntnis dieser Studie, dass standardisierte Benchmarks wie das US Medical Licensing Exam (USMLE) kein Prädiktor für die Sicherheit in der realen Patienteninteraktion sind. Selbst Modelle mit einer Benchmark-Genauigkeit von über 80 % führten in der menschlichen Anwendung teils zu klinisch korrekten Ergebnissen von unter 20 %. Auch KI-basierte Patientensimulationen konnten diese menschliche Variabilität nicht adäquat abbilden.

Fazit: Solange Modelle nicht über eine robuster deterministische Gesprächsführung verfügen und die inhärenten Bias der menschlichen Interaktion abfangen können, bleibt die ärztliche Triage durch nichts zu ersetzen.

Quelle: Bean, A. M., et al. (2026). Reliability of LLMs as medical assistants for the general public: a randomized preregistered study. Nature Medicine. https://doi.org/10.1038/s41591-025-04074-y

Text: Redaktion arztCME

Bild: Leonardo AI für arztCME

Der Beitrag Selbstdiagnose: Wo die Mensch–KI-Interaktion versagt erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.