KI-gestützte klinische Entscheidungsunterstützung

Das echte Ausmaß des Problems

Klinische Entscheidungsfindung ist eine der kognitiv anspruchsvollsten Aufgaben, die Menschen regelmäßig ausführen. Ein Arzt trifft pro Schicht hunderte kleine und große Entscheidungen, und jede ist unter Zeitdruck, mit unvollständigen Informationen und gegen die kognitive Erschöpfung eines vollen Praxistages.

Das bekannteste Phänomen ist der Anchoring Bias: Die erste plausible Diagnose, die in den Sinn kommt, wird zur Leitdiagnose, und alternative Diagnosen werden weniger gründlich verfolgt. Die Arbeiten von Graber und anderen zur Fehleranalyse in der Inneren Medizin nennen kognitive Faktoren wie das vorzeitige Festlegen auf eine Arbeitsdiagnose regelmäßig unter den häufigen Beiträgen zu diagnostischen Fehlern. Eine Rangfolge dieser Faktoren geben die Arbeiten nicht her, eine frühere Fassung dieser Seite behauptete eine, und sie ist gestrichen. Ein zweiter, gut beschriebener Beitrag ist die atypische Präsentation seltener Erkrankungen.

Newman-Toker et al. schätzen in BMJ Quality & Safety (2023), dass in den USA jährlich rund 795.000 Menschen infolge diagnostischer Fehler sterben oder eine bleibende Behinderung davontragen. Die Zahl ist eine Modellrechnung aus fünf klinischen Bildern, hochgerechnet auf alle Diagnosen, und sie wird in der Fachdiskussion genau dafür kritisiert. Sie ist eine Größenordnung, kein Zählergebnis.

Für Deutschland haben wir keine vergleichbare Schätzung gefunden. Eine frühere Fassung dieser Seite nannte hier eine Spanne und schrieb sie dem Aktionsbündnis Patientensicherheit zu; das ließ sich nicht bestätigen, die Zahl ist gestrichen.

Das Problem ist nicht mangelnde Kompetenz. Es ist die strukturelle Diskrepanz zwischen der Breite des Medizinwissens und der Zeit, die ein einzelner Arzt hat, es im Einzelfall vollständig abzurufen. Ein Internist kann nicht gleichzeitig den vollständigen Differentialdiagnoseprozess für 20 Krankheitsbilder im Kopf haben, einen Patienten befragen, die Anamnese strukturieren und eine therapeutische Entscheidung treffen.

Mit vs. ohne KI, ein ehrlicher Vergleich

Vergleichswerte aus CDSS-Evaluierungsstudien, individuelle Varianz erheblich. Ein Hinweis zur ersten Zeile, weil sie oft falsch gelesen wird: Eine längere Differentialdiagnoseliste ist für sich genommen kein Qualitätsgewinn. Sie ist erst dann einer, wenn genau die eine Diagnose darauf steht, an die niemand gedacht hat, und wenn der Rest nicht in unnötige Diagnostik führt. Der Abschnitt zu den Einstiegsfehlern weiter unten beschreibt genau diesen Fehler.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) CDSS spart Recherchezeit bei komplexen Einzelfällen, aber die meisten Entscheidungen in der täglichen Praxis sind Routineentscheidungen, bei denen CDSS kaum einen Unterschied macht. Wie oft sich ein Fall wirklich anders entwickelt, lässt sich nicht allgemein sagen, und Zahlen dazu finden sich in Anbietermaterial reichlich und in belastbaren Quellen nicht. Die Zeitersparnis ist real, aber sparsam verteilt: Sie fällt bei wenigen Fällen im Monat an, nicht täglich.

Kosteneinsparung, mittel (3/5) Frühere Diagnosen bei seltenen Erkrankungen reduzieren Folgekosten, aber das ist schwer direkt zuzuordnen. Der wirtschaftliche ROI ist indirekt und langfristig. Für Kliniken mit messbaren Behandlungskostenstrukturen besser nachweisbar als für Arztpraxen.

Schnelle Umsetzung, mittel (3/5) Einfache CDSS-Tools (Isabel DDx, Symptoma) sind sofort nutzbar, kein Setup. Integrierte CDSS im KIS sind ein 4–8-Wochen-Projekt. Mittelfeld in der Branche: nicht trivial, aber auch nicht das komplexeste Vorhaben.

ROI-Sicherheit, niedrig (2/5) Das ist die schwächste Dimension: Klinische Studien zeigen, dass CDSS-Systeme die Differentialdiagnose-Qualität verbessern. Aber den wirtschaftlichen ROI zu messen, weniger Folgekosten durch frühzeitigere Diagnosen, weniger unnötige Diagnostik, ist methodisch sehr schwierig. Für Praxen ist das einer der am schwersten zu rechtfertigenden ROIs.

Skalierbarkeit, mittel (3/5) Das System skaliert mit dem Patientenvolumen, mehr komplexe Fälle bedeuten mehr Nutzen. Aber der Benefit bleibt an die Arztnutzung gebunden: Ohne aktive CDSS-Nutzung kein Skalierungseffekt.

Richtwerte, abhängig von Patientenstruktur, Fachrichtung und CDSS-System.

Was das System konkret macht

Clinical Decision Support System (CDSS) ist der Begriff für KI-Systeme, die Ärzte bei Diagnose- und Therapieentscheidungen unterstützen. Die Kategorie umfasst alles von einfachen Symptom-Checklisten bis hin zu komplexen Machine Learning-Modellen, die Patientendaten gegen Millionen von klinischen Datenpunkten abgleichen.

Für die Praxis sind drei Funktionen besonders relevant:

Differentialdiagnose-Generator Symptomkonstellation eingeben (Alter, Geschlecht, Hauptsymptome, relevante Befunde, Zeitverlauf), das System gibt eine priorisierte Liste möglicher Diagnosen aus, von wahrscheinlich bis selten-aber-nicht-ausschließbar. Wichtig: Der Arzt entscheidet, welche davon klinisch verfolgt werden. CDSS ist Gedankenstütze, nicht Diagnose.

Leitlinien-Abgleich Bei einer spezifischen Diagnose oder Symptomkonstellation prüft CDSS, welche Leitlinienempfehlungen aktuell gelten: Welche Diagnostik ist leitliniengerecht? Welche Ersttherapie? Welche Überweisungsindikation? Das erspart manuellen Leitlinien-Lookup in der Konsultation.

Seltene-Erkrankungen-Filter Eine der wirksamsten Funktionen: CDSS-Systeme, die explizit für seltene Erkrankungen trainiert wurden (orphan diseases), können Symptomkonstellationen auf Erkrankungen mappen, die im normalen Praxisalltag selten genug sind, dass sie systematisch übersehen werden. Das ist besonders relevant in der Inneren Medizin und Neurologie.

Wichtig: CDSS diagnostiziert nicht. Es generiert Hypothesen und prüft sie gegen strukturiertes Wissen. Der Arzt überprüft, selektiert und entscheidet. Ohne aktive Nutzung ist das System wertlos, und bei unkritischer Nutzung (alle Vorschläge übernehmen) potenziell schädlich.

Konkrete Werkzeuge

Isabel DDx, Führendes klinisches Differentialdiagnose-System: Symptome, Anzeichen, Laborbefunde eingeben, priorisierte DDx-Liste erhalten. Webbasiert, kein Setup. Ab ca. 60–100 Euro/Monat je Arzt. Gut für Allgemein- und Innere Medizin.

Symptoma, Europäisches CDSS mit Fokus auf Seltene Erkrankungen: KI-basierter Differentialdiagnose-Generator mit spezifischer Stärke bei orphan diseases. Kostenfreie Basisversion, Klinikversionen auf Anfrage.

UpToDate , Primär als klinische Wissensplattform, hat aber integrierte Entscheidungsunterstützungsfunktionen: Leitlinien-Empfehlungen, Therapieoptionen, Diagnose-Algorithmen. Stärker auf Therapieentscheidungen als auf DDx-Generierung ausgerichtet.

Amboss , Für manuelle CDSS-Nutzung: Symptome als Suchbegriffe, Erkrankungsbilder nachschlagen, Leitlinienempfehlungen prüfen. Nicht automatisiert, aber zuverlässig für gezielte Recherche. Ab ca. 20 Euro/Monat.

Claude / ChatGPT , Als ergänzender Denkpartner: Komplexe Fälle strukturiert beschreiben und nach unberücksichtigten Differentialdiagnosen fragen. Wichtig: LLMs sind keine klinisch validierten CDSS, sie können relevante Diagnosen nennen, aber auch halluzinieren oder Wahrscheinlichkeiten falsch einschätzen. Für initiale Ideenfindung nützlich, als alleiniges CDSS ungeeignet.

Rechtliche Besonderheiten

EU AI Act, Hochrisiko für diagnostische KI

Anhang III listet die klinische Entscheidungsunterstützung nicht auf. Die Liste ist abschließend, und aus dem Gesundheitswesen steht dort nur die Triage in der Notfallversorgung (Nr. 5 Buchst. d); Nr. 5 Buchst. a betrifft den Anspruch auf Sozialleistungen, nicht die Medizin. Hochrisiko wird ein CDSS nach Art. 6 Abs. 1 in Verbindung mit Anhang I, sobald es als Medizinprodukt eine Konformitätsbewertung durch eine Benannte Stelle braucht. Ursprünglich war dafür der 2. August 2027 vorgesehen, seit der Änderung durch die Verordnung (EU) 2026/1744 gilt für Anhang I einheitlich der 2. August 2028, für die Einstufung wie für die Pflichten aus Kapitel III Abschnitte 1 bis 3. Für die Praxis heißt das:

• Nur CE-zertifizierte Systeme für klinische Diagnoseunterstützung verwenden, das folgt schon heute aus der MDR
• Human Oversight (Art. 14, ab 2. August 2028): Jede CDSS-Empfehlung muss durch den Arzt aktiv bestätigt oder abgelehnt werden, keine Autodiagnose. Berufsrechtlich gilt das ohnehin
• Transparenz gegenüber dem Anwender (Art. 13): Leistungsgrenzen und bekannte Fehlerquellen müssen offengelegt sein. Die Informationspflicht gegenüber Patienten (Art. 26 Abs. 11) gilt nur für Anhang-III-Systeme, die Aufklärung folgt hier aus dem Behandlungsvertrag

Isabel DDx und Symptoma treten als regulierte Medizinprodukte auf. Welche Klasse, welche Benannte Stelle und vor allem für welchen Verwendungszweck die Kennzeichnung gilt, unterscheidet sich und ändert sich, das steht im Zertifikat und nicht in einem Artikel. Lass es dir vor der Beschaffung zeigen: Eine Zulassung als Informationsdienst für Verbraucher deckt den klinischen Einsatz in deiner Praxis nicht ab.

Generalist-LLMs (ChatGPT, Claude) sind keine Medizinprodukte und unterliegen nicht der MDR. Sie dürfen nicht als primäres CDSS eingesetzt werden. Als ergänzendes Recherche- und Denkwerkzeug ist die Nutzung in den rechtlichen Grauzonen einzuordnen, der Arzt entscheidet und haftet.

Haftung bei Diagnoseverzögerung

Die ärztliche Sorgfaltspflicht erfordert, bei unklaren Symptomkonstellationen alle klinisch relevanten Differentialdiagnosen zu erwägen. Ein CDSS-System entbindet nicht von dieser Pflicht, es unterstützt sie. Wer ein CDSS nicht nutzt, haftet deshalb nicht automatisch, wer ein CDSS falsch nutzt oder Hinweise ignoriert, kann sich aber nicht auf das System berufen.

Datenschutz und Datenhaltung

Für CDSS gilt: Je mehr Patientendaten verarbeitet werden, desto stärker die Datenschutzanforderungen.

Externe webbasierte CDSS (Isabel, Symptoma): Wenn Symptome und Befunde ohne Patientenidentifikation eingegeben werden, ist die DSGVO-Belastung gering. Sobald Patientendaten mit Bezug eingegeben werden, gilt DSGVO Art. 9 und ein AVV ist erforderlich.

KIS-integrierte CDSS: Verarbeiten automatisch Patientendaten, AVV nach Art. 28 DSGVO zwingend, Datenschutz-Folgenabschätzung nach Art. 35 DSGVO bei systematischem Einsatz empfohlen.

LLM-basierte Unterstützung (ChatGPT, Claude): Keine vollständigen Patientendaten eingeben, nur anonymisierte Symptombeschreibungen. Das reduziert das DSGVO-Risiko und ist für die meisten CDSS-Anfragen ausreichend.

Was es kostet, realistisch gerechnet

Einstieg (Isabel DDx oder Symptoma als standalone):

• Isabel DDx: ca. 60–100 Euro/Monat je Arzt
• Symptoma: kostenlose Basisversion
• Kein Setup, sofort nutzbar
• Primär für komplexe Einzelfälle, 10–15 Fälle pro Monat, bei denen der Mehrwert spürbar ist

KIS-integriertes CDSS:

• Abhängig vom KIS und CDSS-Anbieter: 100–400 Euro/Monat
• Einrichtungskosten: 3.000–15.000 Euro einmalig
• Automatische Einbindung bei jeder Konsultation

ROI-Szenario: Es gibt keinen, jedenfalls keinen für die Praxiskasse, und das ist die ehrliche Antwort.

Die Rechnung, die üblicherweise an dieser Stelle steht, lautet: frühere Diagnose, deshalb weniger Folgekosten, deshalb amortisiert sich das System. Sie hat zwei Brüche. Erstens sind die eingesparten Folgekosten Behandlungskosten, sie fallen bei der Krankenkasse an, nicht in deiner Praxis. Zweitens ist die Zuordnung “diese Diagnose kam wegen des CDSS drei Monate früher” im Einzelfall nicht führbar; sie ist eine Annahme, die in der Rechnung wie ein Messwert aussieht. Wir hatten eine solche Rechnung hier stehen und haben sie entfernt.

Sicher ist die Kostenseite: 720–1.200 Euro im Jahr für ein Standalone-Tool, 1.200–4.800 Euro plus 3.000–15.000 Euro Einrichtung für die KIS-Integration. Die Frage ist deshalb keine Rendite-, sondern eine Risikofrage: Ist dir der strukturierte Gegencheck bei den unklaren Fällen des Jahres diesen Betrag wert? Für eine Allgemeinarztpraxis mit breitem Spektrum lautet die Antwort oft ja, und der Grund dafür steht nicht in der Buchhaltung.

Typische Einstiegsfehler

Fehler 1, CDSS als Bestätigungssystem nutzen Wer eine Verdachtsdiagnose hat und das CDSS aufruft, um die Liste danach zu durchsuchen, ob seine Diagnose dabei ist, nutzt das System falsch. CDSS sollte vor der eigenen Diagnoseentscheidung genutzt werden, als Exploration, nicht als Bestätigung. Das erfordert ein bewusstes Umdenken im Workflow.

Fehler 2, Jede Diagnose auf der Liste verfolgen Ein CDSS-System kann 20+ Differentialdiagnosen ausgeben. Wer alle ordert, verursacht unnötige Diagnostik, Kosten und Patientenbelastung. Die Kunst ist die klinische Selektion: Welche Diagnosen auf der KI-Liste sind klinisch plausibel? Welche kann ich mit der vorliegenden Anamnese ausschließen?

Fehler 3, Nicht-zertifizierte Tools als primäres Entscheidungssystem einsetzen LLMs als Haupt-CDSS: Das verletzt MDR-Anforderungen bei klinischen Entscheidungen und setzt den Arzt einer unkontrollierten Fehlerquelle aus. Generalist-KI kann bei seltenen oder atypischen Präsentationen Diagnosen vorschlagen, die gefährlich falsch sind, und das mit selbstsicherer Formulierung.

Fehler 4, Kein Feedback-Loop CDSS-Systeme lernen typischerweise nicht von individuellen Fällen (datenschutzrechtlich problematisch), aber der Arzt kann lernen: War die KI-DDx bei dem Fall hilfreich? Hat sie etwas gefunden, das ich übersehen hätte? Ein informelles Protokoll, 10 komplexe Fälle über 3 Monate, CDSS-Nutzung notiert, zeigt, wo das System Mehrwert bringt und wo nicht.

Was mit der Einführung wirklich passiert

Klinische CDSS haben eine bekannte Adoptionsproblematik: Die technische Integration ist einfach, die Nutzungsgewohnheitsänderung ist schwer. Ärzte mit 20 Jahren Erfahrung haben internalisierte diagnostische Prozesse, ein neues Tool in diesen Workflow zu integrieren erfordert bewusste Entscheidung und wiederholte Nutzung.

Der häufigste Erfolgsfall: Ein Arzt hat einen besonders schwierigen Fall, bei dem CDSS die entscheidende Diagnose auf die Liste setzt. Diese Erfahrung ist das stärkste Akzeptanzelement, stärker als jeder Business Case. Das bedeutet: CDSS am Anfang auch für Fälle verwenden, bei denen man eigentlich sicher ist, um das System zu kalibrieren und den Workflow zu internalisieren.

Was dauerhaft besser wird: Die Konfidenz bei unklaren Fällen. Wer weiß, dass er eine systematische Zweitmeinung hat, verweilt weniger in diagnostischer Unsicherheit.

Realistischer Zeitplan

Häufige Einwände

„Ich habe 20 Jahre Erfahrung, ich brauche keine KI für Diagnosen.” Stimmt für den weitaus größten Teil der Fälle. CDSS ist für den kleinen Rest gedacht, der schwierig ist und im Routinebetrieb schwer zu erkennen, weil er anfangs aussieht wie alle anderen. Kein CDSS-Befürworter behauptet, dass ein erfahrener Arzt bei einem klaren Fall Unterstützung braucht.

„Das kostet zu viel für die paar schwierigen Fälle.” Bei Isabel DDx: 60–100 Euro im Monat, rund 900 Euro im Jahr. Das Gegenargument, das man hier üblicherweise liest, eine vermiedene stationäre Einweisung amortisiere das Jahresbudget, stimmt rechnerisch und geht an der Kostenstelle vorbei: Diese Einweisung zahlt die Krankenkasse, nicht deine Praxis. Die ehrliche Abwägung lautet anders: 900 Euro im Jahr sind der Preis dafür, bei den unklaren Fällen eine strukturierte Gegenmeinung zu haben. Ob dir das diesen Betrag wert ist, hängt daran, wie viele solcher Fälle du im Jahr hast.

„Patienten werden misstrauisch, wenn ich beim Gespräch KI nutze.” Das hängt stark von der Kommunikation ab. „Ich schaue kurz in einem Fachsystem nach, ob ich etwas Wichtiges vergessen habe” ist für Patienten völlig nachvollziehbar, so wie ein Arzt im Gespräch auch in die Akte schaut.

Woran du merkst, dass das zu dir passt

Das passt zu dir, wenn:

• Du in einer Fachrichtung mit hoher diagnostischer Breite arbeitest (Allgemeinmedizin, Innere Medizin, Neurologie) und regelmäßig mit unklaren Symptomkonstellationen konfrontiert bist
• Du bereits Erfahrung mit Fällen hast, die ursprünglich falsch diagnostiziert oder zu spät erkannt wurden, und du einen systematischeren Prozess willst
• Du bereit bist, deinen diagnostischen Workflow aktiv zu verändern und nicht nur ein Tool hinzuzufügen

Wer das nicht braucht:

• Enge Fachrichtungen mit stark definierten Patientenströmen (z.B. Augenheilkunde, Orthopädie mit spezifischem Schwerpunkt) haben weniger diagnostische Breite, CDSS bringt dort wenig Mehrwert. Wer hauptsächlich Verlaufsbehandlungen bekannter Diagnosen durchführt, braucht keinen Differentialdiagnose-Generator.
• Wer nicht bereit ist, den eigenen diagnostischen Workflow aktiv zu verändern: Ein CDSS, das nur nach der eigenen Verdachtsdiagnose konsultiert wird, bringt systematisch keinen Nutzen, der Anchoring Bias bleibt bestehen.
• Praxen ohne regelmäßige komplexe oder unklare Fälle: Wenn bei dir ein bis zwei schwierige Fälle im Monat anfallen, rechtfertigt das weder den Lernaufwand noch die Kosten für ein vollständiges CDSS. Ein Nachschlagewerk genügt.

Das kannst du heute noch tun

Erstelle eine Liste der letzten fünf Patienten, bei denen du dich diagnostisch unsicher gefühlt hast, wo du mit einer Arbeitsdiagnose in die Diagnostik gegangen bist, aber nicht vollständig sicher warst. Gib die Symptombeschreibungen dieser Fälle (ohne Namen) in Isabel DDx oder Symptoma ein. Vergleiche die KI-DDx mit deinen ursprünglichen Überlegungen. Das zeigt dir innerhalb von 30 Minuten, ob und wo ein CDSS in deiner Praxis Mehrwert schafft.

Quellen & Methodik

• Newman-Toker DE et al., “Burden of serious harms from diagnostic error in the USA”, BMJ Quality & Safety (2023): Modellrechnung, rund 795.000 Todesfälle oder bleibende Behinderungen jährlich in den USA. Eine frühere Fassung dieser Seite nannte als Fundstelle JAMA Internal Medicine, das war falsch.
• Gestrichen, weil nicht belegbar: eine deutsche Schätzung von 10.000 bis 40.000 vermeidbaren schwerwiegenden Diagnosefehlern jährlich, in der früheren Fassung dem Aktionsbündnis Patientensicherheit zugeschrieben.
• Graber ML et al., “Diagnostic error in internal medicine”, Archives of Internal Medicine (2005, weiterhin referenziert): Anchoring Bias und andere kognitive Fehler als Hauptursache diagnostischer Fehler.
• EU AI Act (Verordnung 2024/1689), Art. 6 Abs. 1 und Anhang I: Klassifikation klinischer Entscheidungsunterstützungs-KI als Hochrisiko-System über die Medizinprodukteverordnung, Pflichten ab 2. August 2028.
• Isabel Healthcare, klinische Evaluierungsdaten (2023): Performance-Daten des Isabel DDx-Systems in der klinischen Praxis.
• DSGVO Art. 9 und Art. 35: Anforderungen für Verarbeitung von Gesundheitsdaten und Datenschutz-Folgenabschätzung.