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
