Künstliche Intelligenz ist längst in der Medizin angekommen. Sie unterstützt bei Diagnostik, Befundung, Therapieentscheidungen und in der Arzneimittelforschung. Doch die eigentliche Frage lautet nicht, ob KI die Medizin verändert, sondern wie tiefgreifend dieser Wandel sein wird: Verstärken wir damit vor allem die Medizin von gestern – oder entsteht gerade die Grundlage für eine Medizin, die Krankheiten anhand ihrer biologischen Mechanismen neu definiert, früher erkennt, gezielter behandelt und langfristig sogar verhindert?
Genau darüber haben wir im Healthcare Shapers LiveTalk diskutiert - mit dem Informatiker und Datenanalyst Dr. Markus Junker (1) vom Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) (2) und dem Buchautor Prof. Dr. Harald H.H.W. Schmidt (3,4), Arzt und Pharmazeut, Koordinator des Europäischen Plattform-Projekts REPO4EU, Emeritus Professor an der Universität Maastricht und Wissenschaftler im Bereich Systemmedizin (5) und KI-gestütztes Drug Repurposing.
Wenn Daten im Überfluss da sind – aber Erkenntnis fehlt
Die Medizin von heute steht vor einem großen Widerspruch: Obwohl rund 30 Prozent aller weltweit generierten Daten Gesundheitsdaten sind, wird nur ein Bruchteil davon systematisch genutzt. Gleichzeitig basiert die klinische Medizin noch immer überwiegend auf symptom- und organorientierten Krankheitsdefinitionen. Krankheiten werden anhand ihres klinischen Erscheinungsbildes beschrieben, nicht anhand der biologischen Mechanismen, die sie verursachen.
"Die meisten Krankheitsbezeichnungen beschreiben letztlich nur Symptomkomplexe oder Organmanifestationen. Mit Ausnahme vieler Infektionskrankheiten definieren sie die zugrunde liegenden Krankheitsmechanismen nicht“, so Prof. Harald H. H. W. Schmidt.
Die Folge ist, dass viele Therapien weiterhin an Symptomen ansetzen, obwohl Patientinnen und Patienten mit derselben Diagnose häufig völlig unterschiedliche molekulare Krankheitsmechanismen aufweisen. Gerade bei chronischen Erkrankungen begrenzt dies Prävention, Diagnostik und Therapie.
Was KI heute leisten kann
Aus Sicht von Markus Junker liegt die Stärke von KI vor allem darin, große Mengen heterogener Daten miteinander verknüpfen zu können und daraus neue Hypothesen abzuleiten. Sogenannte Wissensgraphen spielen dabei eine zentrale Rolle: Sie verbinden Daten zu Wirkstoffen, Proteinen, Krankheiten, Symptomen oder Enzymen zu semantischen Netzwerken, in denen Zusammenhänge sichtbar werden, die ein Mensch alleine kaum erfassen kann.
„Wir sammeln Daten über Wirkmechanismen, Moleküle und Krankheiten – und stellen Beziehungen her. Die KI kann auf dieser Basis Hypothesen anstellen, was wie wirken kann“, erklärt Dr. Markus Junker.
Ein besonders anschauliches Beispiel ist das Drug Repurposing (6), die Identifizierung neuer Einsatzgebiete für bereits zugelassene Arzneimittel. Solche Entdeckungen wurden früher häufig zufällig gemacht. KI-gestützte Netzwerkanalysen ermöglichen heute eine systematische Suche nach Wirkstoffen, die in gemeinsame molekulare Krankheitsmechanismen eingreifen. Dadurch können Entwicklungszeiten und Kosten erheblich reduziert werden.
Warum das trotzdem noch kein Paradigmenwechsel ist
So leistungsfähig KI zur Mustererkennung ist, sie verändert das zugrunde liegende medizinische Paradigma nicht automatisch. Werden lediglich bestehende Krankheitskategorien digitalisiert, optimiert KI vor allem die bestehende symptomorientierte Medizin. Ein echter Paradigmenwechsel setzt dagegen voraus, die biologischen Mechanismen von Krankheiten selbst neu zu definieren.
"Wenn wir nur alte Daten schneller auswerten, werden wir am Ende nur schneller scheitern,“
so die Einordnung von Prof. Dr. H. H. W. Harald Schmidt.
Der Unterschied liegt somit in einer datengetriebenen Optimierung bestehender Diagnose- und Therapiekonzepte einerseits und einer Medizin, die Krankheiten erstmals anhand ihrer zugrunde liegenden molekularen Mechanismen definiert. Solange KI auf symptomorientierten Krankheitskategorien aufbaut, bleiben auch ihre Vorhersagen an diese Kategorien gebunden.
Wie begrenzt der symptomorientierte Blick sein kann, zeigt das Beispiel Bluthochdruck. Obwohl einer der wichtigsten Herz-Kreislauf-Risikofaktoren, profitieren innerhalb eines Zeitraums von etwa fünf Jahren nur relativ wenige behandelte Patientinnen und Patienten unmittelbar von einer antihypertensiven Therapie im Sinne der Verhinderung eines Herzinfarkts oder Schlaganfalls. Dies spiegelt sich in den häufig hohen Numbers Needed to Treat (NNT) von 50 und mehr wider. Der Grund ist, dass das individuelle Risiko innerhalb der Diagnose “Bluthochdruck” außerordentlich heterogen ist. Viele Menschen tragen trotz gleicher Blutdruckwerte nur ein geringes kurzfristiges Risiko, während eine kleinere Subgruppe den überwiegenden Teil der Ereignisse auf sich vereint.
Genau hier liegt das Potenzial einer mechanismenbasierten Präzisionsmedizin: Nicht alle Menschen mit demselben Symptom sollten zwangsläufig gleich behandelt werden. Entscheidend ist die Identifikation derjenigen biologischen Krankheitsmechanismen, die tatsächlich das individuelle Risiko bestimmen und behandelbar sind. „Bluthochdruck“ ist aus Sicht der Systemmedizin keine Diagnose, sondern ein Symptom. Die eigentlichen Diagnosen sind die unterschiedlichen biologischen Mechanismen, die zu einer Blutdruckerhöhung führen.
Systemmedizin: Krankheiten nach Mechanismen verstehen
Der Gegenentwurf zur traditionellen symptom- und organorientierten Medizin ist die Systemmedizin. Sie definiert Krankheiten nicht primär über ihre klinische Erscheinung, sondern über die zugrunde liegenden molekularen Netzwerkstörungen. Erkenntnisse aus Molekularbiologie, Netzwerkwissenschaft und Bioinformatik zeigen zunehmend, dass viele Erkrankungen aus einer begrenzten Zahl gestörter biologischer Module hervorgehen, die krankheitsübergreifend auftreten können.
„Wenn wir Krankheiten nach ihren biologischen Mechanismen definieren, können wir sie erstmals gezielt behandeln, viele heilen und idealerweise bereits ihre Entstehung verhindern," erklärt Prof. Harald H.H.W. Schmidt.
Das würde nicht nur präzisere Therapien ermöglichen, sondern auch eine Medizin, die stärker prädiktiv und präventiv arbeiten könne, d. h. die Risiken früher erkennen und mit vorbeugenden Maßnahmen verhindern kann. Ein Beispiel: In Japan sind Röntgenuntersuchungen medizinische Routinemaßnahmen. "Durch den Einsatz von KI konnten in Studien der Universität Osaka Veränderungen von Körperstrukturen bereits identifiziert werden, lange bevor belastende Symptome als Ausdruck von Krankheit klassisch diagnostiziert wurden," berichtet Markus Junker mit Blick auf neue, präventive Ansatzpunkte durch die Nutzung von KI. Damit dieser Wandel gelingen könne, brauche es allerdings mehr als gute Algorithmen.
Wo das System heute bremst: Daten, Studien, Erstattung
Warum dieser Wandel bislang nur langsam vorankommt, hat wissenschaftliche, technische und regulatorische Gründe. Zum einen ist es die Datenverfügbarkeit. Daten sind in unserem Gesundheitssystem häufig in Silos verteilt, schwer zugänglich, schlecht verknüpfbar oder nicht in maschinenlesbarer Form verfügbar. Gerade klinische Daten aus der elektronischen Patientenakte, wären hochrelevant – doch wenn sie als PDFs vorliegen und Beziehungen zwischen Informationen nicht strukturiert abgebildet sind, bleibt ihr Nutzen gering. Besonders schmerzlich fehlt es an longitudinalen Daten, also an belastbaren Informationen über Behandlungsverläufe und Therapieergebnisse.
„Wir haben das große Problem, an die Daten ranzukommen, vor allem an longitudinale Daten – also belastbare Informationen darüber, wie sich Erkrankungen und Therapien über die Zeit entwickeln. " klagt Junker.
Spannend sind auch internationale Unterschiede: Während Deutschland im Talk eher als schwieriger Datenstandort beschrieben wurde, verwiesen die Experten auf Länder wie Estland, die skandinavischen Länder und die USA, in denen Daten- und Biobank-Ressourcen bereits weiter ausgebaut sind. Auch bei klinischen Studien wurde ein deutlicher Unterschied benannt: Phase‑2‑Studien in Deutschland wurden als besonders schwierig beschrieben, während Länder wie Spanien als effizientere und forschungsnähere Umfelder genannt wurden.
Mindestens ebenso bedeutsam sind ökonomische und regulatorische Rahmenbedingungen.
"Unser heutiges Innovationssystem belohnt vor allem neue patentgeschützte Wirkstoffe. Auch Innovationen mit bereits zugelassenen Arzneimitteln können durchaus patentierbar sein – etwa durch neue Kombinationen, Reformulierungen, Dosierungen oder Companion Diagnostics. Dennoch bleibt die Markteinführung häufig schwierig, weil es sich oft um kostengünstige Wirkstoffe handelt und die Erstattung die erheblichen Investitionen in die notwendige klinische Entwicklung vielfach nicht ausreichend refinanziert," erklärt Prof. Harald H.H.W. Schmidt.
Entwicklungskosten zwischen 100 Millionen und über einer Milliarde Euro, ineffiziente Studienstrukturen und die deutsche Erstattungslogik mit Rabattverträgen und Generikafokus erschweren zusätzliche Fortschritte. Gleichzeitig wurden im Talk positive Impulse aus der Schweiz und aus Brüssel benannt, wo neue Modelle für Erstattung und Policy-Weiterentwicklung diskutiert werden.
Der Blick nach vorn: KI als Diagnosemotor?
Mit Blick auf die Zukunft werden KI-Systeme nach Einschätzung der beiden Experten in den kommenden Jahren einen immer größeren Teil der datenbasierten Diagnostik und Therapieplanung unterstützen oder übernehmen. Bereits heute erreichen spezialisierte KI-Systeme in einzelnen diagnostischen Fragestellungen eine Genauigkeit, die mit der erfahrener Ärztinnen und Ärzte vergleichbar oder teilweise sogar höher ist. Entscheidend wird jedoch sein, dass KI nicht isoliert eingesetzt wird. Ihr größtes Potenzial entfaltet sie dann, wenn sie biologische Mechanismen und Muster erkennt, Risikoprofile präzisiert und Ärztinnen und Ärzte bei komplexen Entscheidungen unterstützt.
Gleichzeitig betonen die Experten, dass daraus kein Bedeutungsverlust für Ärzt:innen folgen muss. Im Gegenteil: Wenn KI die Datenanalyse übernimmt, gewinnen Empathie, Einordnung und gemeinsame Entscheidungsfindung weiter an Bedeutung. Die Medizin der Zukunft wäre dann nicht weniger menschlich, sondern an anderer Stelle menschlicher.
Fazit
Der Healthcare Shapers LiveTalk hat deutlich gemacht, dass KI weit mehr sein kann als ein Instrument zur Effizienzsteigerung. Ihr eigentliches Potenzial liegt darin, gemeinsam mit der Systemmedizin den Übergang von einer symptomorientierten zu einer mechanismenbasierten Medizin zu ermöglichen. Voraussetzung dafür sind hochwertige vernetzte Daten, neue wissenschaftliche Modelle von Krankheit sowie innovationsfreundliche regulatorische und gesundheitsökonomische Rahmenbedingungen. Erst das Zusammenspiel von KI, Biologie, klinischer Medizin und Gesundheitsökonomie kann den versprochenen Paradigmenwechsel Wirklichkeit werden lassen. Genau an dieser Schnittstelle wird sichtbar, wie wichtig interdisziplinäre Zusammenarbeit ist – und warum Formate wie die Healthcare Shapers LiveTalks (7) dazu beitragen, diese Brücken zu bauen.
FAQ: KI, Systemmedizin und Drug Repurposing
Was ist Systemmedizin?
Systemmedizin ist ein interdisziplinärer Ansatz, der Krankheiten anhand ihrer zugrunde liegenden biologischen und molekularen Mechanismen untersucht. Statt Symptome oder betroffene Organe in den Mittelpunkt zu stellen, analysiert sie komplexe Netzwerke aus Genen, Proteinen, Stoffwechselwegen und Umweltfaktoren. Ziel ist eine präzisere, personalisierte und präventive Medizin.
Welche Rolle spielt Künstliche Intelligenz in der Systemmedizin?
KI kann große Mengen heterogener Gesundheitsdaten analysieren und Zusammenhänge erkennen, die für Menschen kaum sichtbar sind. Sie unterstützt dabei, biologische Krankheitsmechanismen zu identifizieren, Risiken früher zu erkennen und neue Therapieansätze abzuleiten.
Was ist Drug Repurposing?
Drug Repurposing bezeichnet die Nutzung bereits zugelassener Medikamente für neue Anwendungsgebiete. Da Sicherheit und Verträglichkeit dieser Wirkstoffe oft bereits bekannt sind, können Entwicklungszeiten und Kosten im Vergleich zur klassischen Arzneimittelentwicklung deutlich reduziert werden.
Wie unterstützt KI das Drug Repurposing?
KI-basierte Wissensgraphen und Netzwerkanalysen können Wirkstoffe, Gene, Proteine und Krankheiten miteinander verknüpfen. Dadurch lassen sich potenzielle neue Einsatzgebiete für bestehende Medikamente systematisch identifizieren, anstatt auf Zufallsentdeckungen angewiesen zu sein.
Warum reicht KI allein nicht für einen Paradigmenwechsel in der Medizin aus?
KI optimiert zunächst die Analyse vorhandener Daten. Ein echter Paradigmenwechsel entsteht erst dann, wenn Krankheiten nicht mehr primär über Symptome, sondern über ihre biologischen Ursachen und Mechanismen definiert werden. Dafür braucht es neben KI neue wissenschaftliche Krankheitsmodelle sowie hochwertige, vernetzte Gesundheitsdaten.
Was bedeutet mechanismenbasierte Medizin?
Mechanismenbasierte Medizin betrachtet die biologischen Prozesse, die Krankheiten verursachen. Menschen mit derselben klinischen Diagnose können unterschiedliche molekulare Krankheitsmechanismen aufweisen und daher unterschiedliche Therapien benötigen. Ziel ist eine präzisere und wirksamere Behandlung.
Warum sind Gesundheitsdaten für KI-Anwendungen so wichtig?
KI benötigt große Mengen strukturierter und qualitativ hochwertiger Daten, um Muster und Zusammenhänge erkennen zu können. Besonders wichtig sind longitudinale Daten, die zeigen, wie sich Krankheiten und Therapien über längere Zeiträume entwickeln.
Welche Hindernisse bremsen KI und Systemmedizin heute?
Zu den größten Herausforderungen gehören fragmentierte Gesundheitsdaten, fehlende Interoperabilität, regulatorische Hürden, hohe Kosten klinischer Studien sowie Erstattungsmodelle, die innovative Nutzung bestehender Medikamente nur begrenzt fördern.
Wird KI Ärztinnen und Ärzte ersetzen?
Nach Einschätzung vieler Expertinnen und Experten eher nicht. KI wird vor allem datenintensive Analysen unterstützen und beschleunigen. Die Einordnung von Ergebnissen, die Kommunikation mit Patientinnen und Patienten sowie gemeinsame Therapieentscheidungen bleiben zentrale Aufgaben medizinischer Fachkräfte.
Kann KI dazu beitragen, Krankheiten früher zu erkennen?
Ja. KI-Systeme können Muster in Bilddaten, Laborwerten oder anderen medizinischen Informationen identifizieren, bevor klinische Symptome sichtbar werden. Dadurch entstehen neue Möglichkeiten für Früherkennung, Prävention und personalisierte Versorgung.
Danke an die beiden Experten, Dr. Markus Junker vom DFKI und Prof. Dr. Harald H. H. W. Schmidt, die ihre Perspektive auf das Thema "KI als Hebel für einen echten Paradigmenwechsel in der Medizin" mit uns geteilt haben, Danke an Günther Illert, Strategie Coach und Workshop Moderator, sowie Dr. Ursula Kramer, Digital Health Expertin, für die Moderation des Healthcare Shapers LiveTalks.
Quellen/Links
- Dr. Markus Junker https://www.linkedin.com/in/markus-junker-a77a64/
- Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI) https://www.dfki.de/web
- Prof. Dr. Harald Schmitt https://www.linkedin.com/in/haraldschmidt/
- Geheilt statt behandelt, Prof. Dr. Harald Schmitt, Plassen Verlag, Mai 2021 https://www.amazon.de/Geheilt-statt-behandelt/Medizin-Gesundheit/dp/3864707412
- Systemmedizin erklärt https://www.gesundheitsforschung-bmftr.de/de/systemmedizin-9458.php
- KI-gesteuertes Drug Repurposing erzielt klinische Erfolge https://informedclearly.com/de/ai/38779/ki-gesteuertes-drug-repurposing-klinische-erfolge
- Healthcare Shapers LiveTalks https://www.healthcareshapers.com/blogs?post_category=74
Autoren des Beitrags
