In einem modernen Klinik-IT-System mit CPU, GPU und Quantenprozessor (QPU) übernimmt die KI die Rolle der kognitiven Schicht, die Datenströme aus klinischen Prozessen interpretiert, Entscheidungen vorbereitet und die Rechenressourcen orchestriert. Die klassische IT stellt dabei robuste Transaktionssysteme und Inter-operabilität bereit, während GPU-Cluster und perspektivisch QPUs hochkomplexe Mustererkennung, Optimierung und Simulationen für Diagnostik, Therapieplanung und Ressourcensteuerung ermöglichen.

Intelligent Process Automation (IPA) kombiniert RPA, KI und ML zur Automatisierung komplexer Prozesse mit Lernfähigkeit. Quantencomputing revolutioniert IPA durch ultraschnelle Optimierung und Simulation unstrukturierten Daten, z. B. in Logistik oder Finanzen, ermöglicht aber skalierbare, datenintensive Anwendungen in hybriden Systemen.

Intelligent Process Automation verknüpft klassische Robotic Process Automation (RPA) mit KI, um komplexere, wissensintensive Prozesse im Krankenhaus Ende-zu-Ende zu automatisieren. Typische Aufgaben reichen von Dokumentenverarbeitung (z.B. Befund- und Formularerkennung) über Termin- und Bettensteuerung bis hin zu medizinischem Controlling und Abrechnung, wodurch Fachpersonal von Routine entlastet und Durchlaufzeiten verkürzt werden. Perspektivisch wird IPA zum Kern der „Smart Hospital“-Architektur, etwa für prädiktive Prozesse wie Forecasting von Belegung, Materialbedarf oder MD-Prüfaufwand. Managementaufgaben umfassen strategische Use-Case-Auswahl, Governance (Compliance, Datenschutz, Patientensicherheit), Change-Management sowie den Aufbau eines Center of Excellence, das Standards, Betrieb und Skalierung der Automatisierung verantwortet.

Aufgaben,  Organisation und Risiken

Aufgaben der KI lassen sich in drei Ebenen gliedern: klinische Entscheidungsunterstützung, Prozess- und Ressourcenoptimierung sowie datengetriebene Forschung und Innovation. In der Diagnostik nutzt die KI Bilddaten, Signale und Laborwerte, um Auffälligkeiten frühzeitig zu erkennen und behandelnden Teams Wahrscheinlichkeiten und Differentialdiagnosen anzuzeigen, ohne deren Urteil zu ersetzen. In der Betriebssteuerung analysiert sie Belegungs- und Prozessdaten, schlägt Betten- und OP-Planungen vor, automatisiert Dokumentation und Kodierung und entlastet so Fachpersonal von repetitiven Tätigkeiten. In der Forschung beschleunigt sie in Kombination mit QPUs komplexe Berechnungen, etwa in der Molekülsimulation, der Genom-Analyse und der Auswertung großer Studienkohorten.

Organisatorische Voraussetzungen für die Einführung von Intelligent Process Automation (IPA) im Krankenhaus sind vor allem klare Governance-Strukturen, ein verankertes Zielbild „Smart Hospital“ und ein interdisziplinär besetztes Steuerungsgremium (z.B. KI-/Automatisierungs-Board oder Change Office), das Strategie, Priorisierung und Compliance verantwortet. Erforderlich sind definierte Rollen (Process Owner, Automatisierungs-CoE, Change-Management), standardisierte Prozess- und Datenmodelle sowie transparente Verantwortlichkeiten zwischen IT, Medizin, Pflege, Verwaltung und Betriebsrat. Ebenso wichtig sind ein strukturierter Change-Management-Plan mit Kommunikations- und Schulungskonzept, frühe Stakeholder-Einbindung und Ressourcen für kontinuierliche Prozessanalyse, damit IPA nicht als IT-Projekt, sondern als Organisationsentwicklung verankert wird.

KI in hybriden Klinik-IT-Systemen birgt hohe Risiken wie Datenschutzverletzungen durch unkontrollierte Cloud-Übertragung sensibler Patientendaten (DSGVO-Konflikte), Bias in Algorithmen, die Fehldiagnosen verursachen, sowie Cyberangriffe auf Trainingsdaten. Integrierte Legacy- und Cloud-Systeme erschweren Transparenz ("Black-Box"-Effekt) und Interoperabilität, was zu Haftungsfallen führt. Fehlende Schulungen verstärkt Manipulationsrisiken; EU-KI-Verordnung fordert strenge Hochrisiko-Regeln. Der EU AI Act klassifiziert KI-Systeme risikobasiert in unannehmbare (verboten, z. B. Social Scoring), hohe (strenge Anforderungen an Transparenz, Tests und Dokumentation, z. B. in Medizin), begrenzte (Transparenzpflichten) und minimale Risiken, um Innovation zu fördern und Grundrechte zu schützen.

Erfolgskennzahlen und Verantwortlichkeit

Erfolgskennzahlen für IPA-Projekte im Gesundheitswesen lassen sich in Effizienz-, Qualitäts- und Akzeptanzmetriken gliedern. Auf Effizienzseite sind u.a. Durchlaufzeitverkürzung je Prozess (z.B. Aufnahme, Abrechnung), Automatisierungsgrad (Anteil voll/teilautomatisierter Schritte), Bearbeitungskapazität pro FTE und direkte Kosteneinsparung pro Vorgang zentrale KPIs. Qualitäts- und Compliance-Kennzahlen umfassen Fehlerquote vor/nach Automatisierung, Anzahl korrigierter oder zurückgewiesener Fälle (z.B. MD, Kostenträger), SLA-Einhaltungsrate, Termintreue sowie Audit- und Datenschutzverstöße. Ergänzend sollten Patient:innen- und Mitarbeiterzufriedenheit (z.B. NPS, Reduktion „Burnout-Treiber“ wie Dokumentationslast), Nutzungsraten der automatisierten Workflows und Re-Investitionsquote der Einsparungen in Versorgung bzw. Innovation erfasst werden.

Verantwortlichkeit bleibt dabei immer beim Menschen und in der Organisation, nicht bei der KI. Ärztinnen, Pflegefachpersonen und Therapeutinnen verantworten die konkrete Patientenversorgung; sie dürfen KI-Ausgaben nur als Empfehlung nutzen und müssen Plausibilität und Kontext eigenständig prüfen. Die Einrichtung als Ganzes, vertreten durch Träger, Vorstand/Geschäftsführung und ärztliche Leitung, trägt die Verantwortung für Auswahl, Einführung, Überwachung und Abschaltung von KI-Systemen sowie für Governance, Qualitätsmanagement und Risikokontrollen. Technische, rechtliche und ethische Verantwortung für Entwicklung, Wartung und Update-Politik liegt bei Herstellern und Betreibern, die nachweisbar für Transparenz, Robustheit, Datenschutz und Cybersicherheit sorgen müssen, insbesondere wenn KI-Module als (Hochrisiko) Medizinprodukte eingesetzt werden. KI bleibt damit ein machtvolles, aber rechtlich und ethisch klar eingehegtes Werkzeug im Dienst der professionellen Verantwortlichkeit, auch in hochmodernen QPU-gestützten IT-Architekturen.

Die KI ist nicht Selbstzweck, sondern ein medizinisches Assistenzsystem, das Diagnosen unterstützt, Risiken vorhersagt, Workflows optimiert und personalisierte Medizin im Routinebetrieb technisch handhabbar macht.

Autor: Wolf-Dietrich Lorenz

Symbolbild: photostockatinat / AdobeStock