Der retrospektive Einsatz künstlicher Intelligenz gehört zu den vielversprechendsten, bislang unterschätzten KI-Anwendungen im Krankenhaus. Nicht die unmittelbare Diagnoseentscheidung steht im Mittelpunkt, sondern die nachträgliche Auswertung großer Mengen routinedokumentierter Behandlungsdaten: Verläufe, Diagnosen, Medikation, Laborwerte, OP- und Pflegedokumentation sowie Outcome-Daten. Die transformative Wirkung: Es lassen sich Versorgungsmuster, Komplikationsrisiken, Verweildauern, Wiederaufnahmen oder Abweichungen von Leitlinien sichtbar machen und daraus Erkenntnisse für künftige Behandlungsentscheidungen gewinnen. 

Entscheidend ist die Datenbasis. KI kann nur so gut sein wie die Dokumentation, aus der sie lernt: unvollständige Freitexte, inkonsistente Kodierungen, fehlende Zeitstempel oder unterschiedliche Dokumentationskulturen zwischen Fachabteilungen verzerren jedes Ergebnis. Krankenhäuser benötigen daher standardisierte, interoperable und qualitätsgesicherte Daten sowie eine klare Abgrenzung des Anwendungsziels.

Die Konzeption sollte nicht technologisch, sondern klinisch beginnen: Welche Frage soll beantwortet werden, für welche Patientengruppe, mit welchem erwartbaren Nutzen und welchen messbaren Kriterien? Ein Modell, das etwa Risiken für Delir, Wiederaufnahme oder Medikationsprobleme erkennt, muss an der eigenen Klinikpopulation validiert und regelmäßig auf Bias geprüft werden. Ohne externe Validierung und Repräsentativität der Daten bleibt unklar, ob Ergebnisse übertragbar sind.

Umsetzung und Anwendungen

Praktisch bieten sich zunächst niedrigschwellige Anwendungen an: Qualitätsindikatoren, Fallmix- und Verweildaueranalysen, Erkennung unerwünschter Ereignisse, Auswertung von Antibiotikaverordnungen, Identifikation verzögerter Diagnostik oder die Vorbereitung von Meldungen und Qualitätsberichten. Auch die nachträgliche Prüfung, ob leitliniengerechte Maßnahmen dokumentiert wurden, kann Ärzte entlasten,  sofern die Ergebnisse als Lernsignal und nicht als Kontrollinstrument verstanden werden.

Für Ärzte liegt der Nutzen in einer evidenznäheren Rückmeldung zum eigenen Handeln, in der Entlastung von manueller Auswertung und in der Möglichkeit, systematische Schwächen statt Einzelfällen zu adressieren. Für Patienten kann dies frühere Risikoidentifikation, konsistentere Versorgung und weniger vermeidbare Komplikationen bedeuten. Voraussetzung bleibt jedoch, dass Erkenntnisse tatsächlich in Visiten, Fallkonferenzen, Leitlinien und Prozessen ankommen.

Für Bewertung durch Ärzte Arzt gehört, den Patienten in seiner Gesamtheit zu betrachten und die Grenzen von KI-Systemen zu berücksichtigen. Dabei spielt auch die ärztliche Schweigepflicht eine Rolle.

Risiken und Verantwortung

Die Risiken sind erheblich: Bias kann bestehende Versorgungsungleichheiten verstärken, plausible KI-Ausgaben können fachlich falsch sein, und retrospektive Korrelationen dürfen nicht vorschnell als kausale Handlungsempfehlung interpretiert werden. Datenschutz, Datensicherheit, Zweckbindung und die Kontrolle über externe Cloud-Dienste sind dabei keine Formalitäten, sondern Kernbestandteile des Projekts.

Rechtlich bleibt das Krankenhaus in der Regel Verantwortlicher für die Verarbeitung Patientendaten; der Anbieter ist typischerweise Auftragsverarbeiter. Bei klinisch relevanten Systemen kommen AI Act, MDR und Dokumentationspflichten hinzu. Die ärztliche Letztverantwortung für Diagnose und Therapie wird durch KI nicht verlagert; menschliche Kontrolle, klare Verantwortlichkeiten und ein zentrales KI-Inventar sind daher unverzichtbar.

KI kann ärztliche Teams unterstützen, ohne unmittelbar in laufende Behandlungsentscheidungen einzugreifen. Voraussetzung seien verlässliche, strukturierte und rechtssicher nutzbare Daten. Retrospektive KI ist kein Selbstzweck, sondern ein Governance-Projekt: Sie lohnt sich dort, wo klinische Fragen, Datenqualität, organisatorische Umsetzung und rechtliche Verantwortung von Beginn an zusammen gedacht werden.
 

Autor: Wolf-Dietrich Lorenz
Foto: Adobe Stock / Ridwan_DigitalGrid