KI-Prüfung von Medikamenteninteraktionen bei Polymedikation

Das echte Ausmaß des Problems

Patienten über 65 Jahre nehmen in Deutschland im Durchschnitt zwischen fünf und acht Wirkstoffe gleichzeitig ein. Laut dem Faktenblatt Polymedikation der ABDA (Bundesvereinigung Deutscher Apothekerverbände, Stand Oktober 2025) gelten in Deutschland rund 36 Prozent aller gesetzlich Versicherten als polymediziert — Tendenz steigend, weil die Bevölkerung altert und chronische Erkrankungen zunehmen.

Das Risiko ist nicht linear. Mit jedem zusätzlichen Wirkstoff wächst die Anzahl möglicher Wechselwirkungen nicht additiv, sondern kombinatorisch. Eine Studie der Universität Bonn (dokumentiert im Deutschen Ärzteblatt) hat bei 323 Medikationsanalysen im Schnitt sieben arzneimittelbezogene Probleme pro Patient detektiert — bei einem Durchschnittsalter von 72 Jahren und elf eingenommenen Arzneimitteln.

Besonders kritisch: Rund 10 Prozent aller Krankenhausaufnahmen älterer Patienten sind auf unerwünschte Arzneimittelwirkungen zurückzuführen. Für Deutschland bedeutet das laut Schätzungen des Medizinischen Dienstes: bis zu 250.000 vermeidbare Krankenhauseinweisungen pro Jahr — ein erheblicher Teil davon durch Wechselwirkungen, die bei einer systematischen Prüfung erkannt worden wären.

Das eigentliche Problem ist nicht fehlendes Wissen. Die meisten klinisch relevanten Interaktionen sind gut dokumentiert. Das Problem ist die Fragmentierung der Informationen:

• Hausarzt, Kardiologe, Neurologe und Apotheke verschreiben und dispensieren unabhängig voneinander
• Patienten bringen bei Krankenhausaufnahme oft unvollständige Medikamentenlisten mit (Selbstangaben, abgelaufene Listen, fehlende OTC-Präparate)
• Transitionspunkte — Krankenhausaufnahme, Entlassung, Facharzt-Überweisung — sind die häufigsten Zeitpunkte, an denen neue Wechselwirkungen entstehen
• Die manuelle Prüfung aller Pairwise-Kombinationen skaliert nicht: Bei acht Wirkstoffen gibt es 28 mögliche Zwei-Wege-Interaktionen, bei zehn sind es 45

Jede manuelle Prüfung hat eine kognitive Grenze. Wer unter Zeitdruck zwölf Wirkstoffe prüft, macht an irgendeiner Stelle einen Fehler — oder überspringt Kombinationen, die statistisch selten problematisch sind, aber bei genau diesem Patienten relevant wären.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Werte für Erkennungsrate und Zeitersparnis basieren auf Praxisberichten aus Klinikprojekten. Der wichtigste Unterschied liegt nicht bei der Prüfzeit, sondern beim Recall: Ein Mensch unter Zeitdruck prüft selektiv — das System prüft vollständig, jeden Pairwise-Check, jeden Patienten, jedes Mal.

Wichtiger Hinweis: KI-gestützte Interaktionsprüfung ist ein Entscheidungsunterstützungswerkzeug, kein Entscheidungsersatz. Jeder Hinweis des Systems muss von einem Arzt oder Apotheker klinisch bewertet werden. Die finale Verantwortung für die Verschreibungs- oder Dispensierentscheidung liegt immer beim medizinischen Fachpersonal.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die Prüfzeit selbst sinkt von 10–20 Minuten auf 2–5 Minuten pro Patient. Das klingt nach einem großen Gewinn — und ist es, wenn du täglich viele Polypharmazie-Fälle bearbeitest. In einer Allgemeinpraxis mit 20–30 Polypharmazie-Patienten pro Woche summiert sich das auf mehrere Stunden. Verglichen mit anderen Anwendungsfällen in dieser Kategorie (automatisierte Arztbriefe oder Terminplanung, die jeden Tag Dutzende von Vorgängen beschleunigen) ist die absolute Zeitersparnis aber moderater — die Prüfung ist selten die zeitintensivste Aufgabe, nur die fehleranfälligste.

Kosteneinsparung — hoch (4/5) Der ökonomische Hebel liegt bei vermiedenen Krankenhauseinweisungen, nicht bei der eingesparten Prüfzeit. Eine durch Wechselwirkungen ausgelöste Einweisung kostet je nach Komplikation 3.000–8.000 Euro (laut französischer IATROSTAT-ECO-Studie, British Journal of Clinical Pharmacology 2025, lag der Mittelwert pro arzneimittelbezogener Krankenhauseinweisung bei rund 5.974 Euro). Wenn ein Tool pro Quartal auch nur eine solche Einweisung verhindert, trägt es sich bei den meisten Praxen mehr als selbst. Das ist in dieser Kategorie ein starker Hebel.

Schnelle Umsetzung — stark (4/5) SaaS-Lösungen ohne KIS-Integration sind in 2–4 Wochen einsatzbereit: Zugang einrichten, Prozess definieren, Team einweisen. Wer AMBOSS bereits nutzt, kann den LiSA-Modus für Interaktionsfragen sofort einsetzen. Die Hürde liegt nicht im Tool, sondern im Workflow: Wer prüft wann welche Liste? Wenn das geklärt ist, ist der technische Teil handhabbar. Komplex wird es erst bei vollständiger KIS-Integration — aber die ist kein Muss für einen ersten sinnvollen Einsatz.

ROI-Sicherheit — stark (4/5) Die Interaktionsfundrate ist direkt messbar: Wieviele klinisch relevante Hinweise hat das System in diesem Quartal gegeben? Wieviele wurden klinisch validiert und führten zu einer Änderung der Medikation? Diese Zahlen lassen sich erheben. Die Zurechnung jeder verhinderten Einweisung zum Tool ist schwieriger — aber die medizinische Fachliteratur liefert plausible Schätzwerte für Einsparungen.

Skalierbarkeit — hoch (4/5) Ein SaaS-basiertes Prüftool kostet für eine Praxis, die zehnmal so viele Patienten betreut, kaum mehr als für eine kleine. Das Interaktionswissen aktualisiert sich zentral beim Anbieter — Praxen profitieren von neuen Datenbankeinträgen ohne eigenen Aufwand. Das ist strukturell anders als, zum Beispiel, ein KI-Modell für Bildanalyse, das neu trainiert werden muss.

Richtwerte — stark abhängig von Praxisstruktur, Anteil Polypharmazie-Patienten und gewähltem Ansatz.

Was das KI-System konkret macht

Der technische Kern einer KI-gestützten Interaktionsprüfung kombiniert zwei Bausteine:

1. Strukturierte AMTS-Datenbank: AMTS steht für Arzneimitteltherapiesicherheit. Datenbanken wie die ABDA-Datenbank (in Deutschland die Referenz für Apotheken) oder das AMBOSS-Arzneimittelmodul enthalten tausende bekannter Interaktionspaare mit klinischer Bewertung: Schweregrad, Mechanismus, Handlungsempfehlung. Das System prüft systematisch alle Wirkstoff-Paare der vorliegenden Medikamentenliste gegen diese Datenbank — vollständig und ohne Ermüdung.

2. LLM-basierte Kontextualisierung: Reine Datenbankabfragen liefern für eine Liste mit acht Wirkstoffen oft fünfzehn bis dreißig Einträge — von banal bis kritisch. Hier kommt ein Sprachmodell ins Spiel. Es fasst die wichtigsten Befunde nach klinischer Dringlichkeit zusammen, erklärt den pharmakologischen Mechanismus in verständlicher Sprache und schlägt patientenspezifische Überlegungen an (z. B. „Relevant besonders bei eingeschränkter Nierenfunktion, die bei 81-jährigen Patienten häufig vorliegt”). Das Ergebnis ist kein Rohdaten-Dump, sondern eine priorisierte Entscheidungsunterlage für den Arzt oder Apotheker.

Was das System nicht macht: Es kennt keine Diagnosen, wenn diese nicht strukturiert eingegeben werden. Es bewertet keine klinische Gesamtsituation. Es trifft keine Entscheidungen. Es liefert Hinweise — die klinische Bewertung und die Entscheidung liegen immer beim medizinischen Fachpersonal. Das ist keine Schwäche, sondern die korrekte Einordnung des Werkzeugs.

Ein konkretes Beispiel: Die Medikamentenliste enthält Phenprocoumon (Marcumar), Amiodaron und Ibuprofen. Die Datenbank meldet drei Interaktionen: Amiodaron hemmt den Phenprocoumon-Abbau (schwer, INR-Erhöhung), Ibuprofen verstärkt die Blutungsgefahr (schwer), Ibuprofen kann die Antikoagulation destabilisieren (relevant). Das LLM fasst zusammen: „Kritische Kombination — drei Interaktionen mit erhöhtem Blutungsrisiko. Priorität: Ibuprofen-Alternative prüfen (z. B. Paracetamol), INR kurzfristig kontrollieren.” Arzt oder Apotheker entscheidet: Bestätigung, Anpassung, oder Alternativen.

Konkrete Werkzeuge — was wann passt

Es gibt keinen deutschen Goldstandard für KI-gestützte Medikamenteninteraktionsprüfung, der als fertiges SaaS für jede Praxis verfügbar ist. In der Praxis entstehen sinnvolle Lösungen aus einer Kombination vorhandener Bausteine.

AMBOSS mit LiSA-Modus — für Ärzte, die eine AMTS-Datenbank mit KI-Konversation suchen Die klinische Arzneimitteldatenbank von AMBOSS enthält strukturierte Interaktionsdaten und ist für rund ein Viertel aller deutschen Ärzte ohnehin Standard. Der LiSA-Modus erlaubt freie Sprachfragen: „Ist die Kombination aus Rivaroxaban und Fluconazol bei einer 81-jährigen Patientin mit eingeschränkter Nierenfunktion bedenklich?” LiSA antwortet mit peer-reviewten Quellenangaben. Das Tool ist kein vollautomatisches Prüfsystem (du gibst die Frage aktiv ein), aber für gezielte Rückfragen beim Einzelfall die seriöseste deutschsprachige Option. Kosten für Kliniker: ab 198 Euro/Jahr im Jahresabo.

ChatGPT oder Claude mit spezifischem Medizin-Prompt — für Praxen, die schnell starten wollen Ein LLM mit einem gut konfigurierten Prompt (s. unten) kann eine gegebene Medikamentenliste analysieren, bekannte Interaktionen benennen und nach Schweregrad sortieren. Das ist kein zertifiziertes Medizinprodukt und kein Ersatz für eine validierte AMTS-Datenbank. Der Vorteil: sofort verfügbar, keine Integration nötig. Der Nachteil: LLMs halluzinieren gelegentlich — auch bei Medikamentendaten. Für einen ersten Überblick oder als Lernwerkzeug brauchbar, für klinische Entscheidungen nur in Kombination mit einer Validierung durch Fachpersonal und ggf. Quercheck mit AMBOSS. Kosten: 20–25 Euro/Monat (Pro-Tarif). Pflichthinweis: Jede KI-generierte Antwort zu Medikamenten muss von einem Arzt oder Apotheker klinisch validiert werden, bevor sie die Behandlung beeinflusst.

KIS-integrierte AMTS-Module — für Praxen und Kliniken mit durchgängigem Datenfluss Viele Praxisverwaltungssysteme (Turbomed, medatixx) können AMTS-Datenbank-Module integrieren, die bei Verschreibung oder Medikationsaktualisierung automatisch prüfen und flaggen. Das ist der sauberste Ansatz, weil alle Verschreibungen systemseitig geprüft werden und keine manuelle Aktivierung nötig ist. Nachteil: Einrichtung dauert länger (4–12 Wochen), und die Qualität des Flagging variiert stark — viele Systeme generieren mehr Alarme als nötig (Alert Fatigue, s. Abschnitt Einstiegsfehler). Kosten: abhängig vom KIS-Anbieter, oft Modul-Aufpreis von 20–80 Euro/Monat.

Standalone AMTS-Prüftools (z. B. AiD Web) — für gezielte Einzelfallprüfung AiD (Arzneimittel in der Diskussion) bietet eine webbasierte Prüfoberfläche, die direkt auf der AMTS-Datenbank läuft. Der Vorteil: kein KIS-Umbau nötig, direkte Eingabe der Medikamentenliste, strukturierter Befund mit Quellenangabe. Der Nachteil: manueller Schritt (Medikamente müssen eingetippt werden), kein automatisches Triggering. Für Praxen ohne elektronische Medikationsliste oder als Ergänzung für die Apothekenberatung eine praktische Option.

Zusammenfassung: Wann welcher Ansatz

• Bereits AMBOSS-Nutzer → LiSA-Modus für Einzelfallrückfragen
• Kein System, schneller Start → ChatGPT oder Claude mit Medizin-Prompt (mit Pflicht-Validierung)
• Praxis mit Turbomed oder medatixx → AMTS-Modul des KIS-Anbieters anfragen
• Apothekenkontext → AiD Web oder ABDA-Apothekensoftware mit AMTS-Modul
• Klinik/MVZ mit Kapazität → Pilotprojekt mit KIS-integriertem CDSS-Modul

Rechtliche Besonderheiten — Was KI darf und was nicht

Dieser Abschnitt ist Pflichtlektüre. KI-Werkzeuge im medizinischen Kontext unterliegen einem anderen Regelwerk als andere Software.

Medizinproduktrecht (MDR/EU 2017/745) Ein KI-System, das klinische Entscheidungen unterstützt — also Hinweise zu Therapie, Dosierung oder Kontraindikationen gibt, die die Behandlung beeinflussen können — kann als Medizinprodukt gelten. Je nach Risikoeinstufung (Klasse IIa, IIb) ist eine CE-Zertifizierung erforderlich. Fertige Tools, die AMTS-Prüfung als zertifiziertes Modul anbieten, erfüllen das bereits. Wer ein selbst konfiguriertes LLM für klinische Entscheidungen einsetzt, muss prüfen, ob das intern als Eigenentwicklung einzustufen ist — und welche Dokumentationspflichten damit entstehen.

Praktische Konsequenz für Praxen: ChatGPT oder Claude sind keine zertifizierten Medizinprodukte. Sie können für interne Recherche und Wissensunterstützung genutzt werden — aber für eine klinische Entscheidung (Medikament absetzen, umstellen, Dosis ändern) muss ein Arzt oder Apotheker mit eigenem Urteil verantwortlich zeichnen. Das KI-Output ist eine Recherchehilfe, kein medizinischer Befund.

Ärztliche Sorgfaltspflicht (§ 630a BGB) Die Arztpflicht zur Prüfung auf Kontraindikationen und Wechselwirkungen bleibt unverändert, auch wenn ein KI-Tool eingesetzt wird. Wenn ein KI-System eine relevante Interaktion meldet und die Ärztin oder der Arzt diese ohne klinische Begründung ignoriert und es zum Schaden kommt, hat das haftungsrechtliche Konsequenzen. Umgekehrt schützt ein Systemhinweis allein nicht: Wenn das Tool eine Interaktion nicht erkannt hat, die bei sorgfältiger manueller Prüfung erkennbar gewesen wäre, bleibt die ärztliche Haftung bestehen.

DSGVO und besondere Datenkategorien Medikationsdaten sind Gesundheitsdaten im Sinne von Art. 9 DSGVO — besonders schützenswerte Daten, für die verschärfte Anforderungen gelten. Jedes externe Tool, das Medikationsdaten verarbeitet, braucht einen Auftragsverarbeitungsvertrag (AVV), eine Datenschutz-Folgenabschätzung (DSFA nach Art. 35 DSGVO ist bei Gesundheitsdaten in der Regel Pflicht) und muss auf einem EU-konformen Server betrieben werden. Das gilt auch für LLM-Nutzung: Wer echte Patientendaten in ein LLM eingibt, das US-Daten verarbeitet (ChatGPT über consumer.openai.com), verletzt ohne AVV die DSGVO.

Für jeden Klinik- und Praxiseinsatz gilt: Das Vier-Augen-Prinzip ist Pflicht. KI liefert den ersten systematischen Überblick. Ein Arzt oder Apotheker entscheidet, was daraus folgt. Das ist nicht nur rechtlich geboten, sondern auch klinisch sinnvoll — kein Datenbankhinweis ersetzt die Einschätzung der Gesamtsituation dieses konkreten Patienten.

Datenschutz und Datenhaltung

Medikationsdaten sind nach Art. 9 DSGVO besonders schutzwürdige Gesundheitsdaten. Bevor du ein externes Tool einsetzt, braucht es:

1. Auftragsverarbeitungsvertrag (AVV) mit dem Tool-Anbieter — Pflicht nach Art. 28 DSGVO. Alle genannten SaaS-Anbieter stellen AVV-Muster bereit, aber du musst sie aktiv einfordern und unterzeichnen.
2. Datenschutz-Folgenabschätzung (DSFA) nach Art. 35 DSGVO — bei der Verarbeitung von Gesundheitsdaten in neuen Systemen in der Regel Pflicht. Dein Datenschutzbeauftragter (für Kliniken und größere Praxen) oder dein Datenschutzanwalt hilft dabei.
3. EU-Hosting — Medizinische Daten sollten auf EU-Servern verarbeitet werden. AMBOSS: deutsche Server. ChatGPT über API mit EU-AVV und Datenresidenz-Einstellung (optional). Claude über AWS Bedrock (Frankfurt): DSGVO-konform. Consumer-Versionen von ChatGPT oder Claude: nicht geeignet für echte Patientendaten.

Pseudonymisierung als Zwischenlösung: Wenn du ein LLM für Medikationsprüfungen nutzen willst, ohne DSGVO-Risiken einzugehen, anonymisiere oder pseudonymisiere die Daten vor der Eingabe. Statt „Erna Schulte, geb. 1943” gibst du nur die Medikamentenliste und die klinisch relevanten Parameter (Alter ca. 81, Nierenfunktion CKD3) ein. Das LLM braucht keinen Patientennamen, um eine nützliche Interaktionsanalyse zu liefern.

§ 203 StGB (Verletzung von Privatgeheimnissen): Für Ärzte, Apotheker und anderes medizinisches Fachpersonal gelten besondere Schweigepflichten. Das Weitergeben von Patientendaten an externe Software-Anbieter ohne entsprechende vertragliche Absicherung kann strafbar sein. AVV schützt hier — aber nur, wenn er wirksam unterzeichnet wurde.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• AMBOSS-Abo für Kliniker: 198 Euro/Jahr (Jahresabo) — kein Einrichtungsaufwand, sofort nutzbar
• Konfiguration eines ChatGPT- oder Claude-Prompts: 2–4 Stunden einmalig, kein externer Aufwand
• KIS-Modul-Integration (AMTS-Modul bei Turbomed, medatixx o. ä.): 1.000–5.000 Euro Einrichtung + Schulung, abhängig von Anbieter und Praxisgröße
• Standalone AMTS-Prüftool (z. B. AiD Web): Preis auf Anfrage beim Anbieter, typisch im dreistelligen Bereich für kleine Praxen

Laufende Kosten (monatlich)

• AMBOSS (Kliniker-Jahresabo): ca. 16,50 Euro/Monat
• ChatGPT Pro: ca. 20–23 Euro/Monat, Claude Pro: ca. 20 Euro/Monat
• ABDA-Interaktionscheck über Apothekenwarenwirtschaft: ca. 14,85 Euro/Monat pro Apotheke (Quelle: Apotheke Adhoc, Interaktionscheck-Artikel 2024)
• KIS-Modul-Aufpreis: 20–80 Euro/Monat, je nach Anbieter und Modulumfang

Wie du den Nutzen tatsächlich misst Der ehrlichste Beweis ist die Interaktionsfundrate: Führe für vier Wochen Protokoll — wieviele relevante Hinweise hat das Tool gegeben, wieviele davon wurden durch den Arzt oder Apotheker klinisch als relevant bestätigt, und was hat das für die Therapieentscheidung bedeutet? Diese Zahl zeigt dir, ob das Tool in deiner Praxis echten Mehrwert bringt — oder vor allem Lärm erzeugt.

Was du dagegenrechnen kannst Eine vermiedene arzneimittelbezogene Krankenhauseinweisung kostet das deutsche Gesundheitssystem laut der französischen IATROSTAT-ECO-Studie (British Journal of Clinical Pharmacology, 2025) im Schnitt rund 5.974 Euro. Auch im deutschen Kontext liegt die Größenordnung je nach Komplikationstiefe bei 3.000–8.000 Euro. Wenn eine gut eingerichtete Praxis durch strukturierte Interaktionsprüfung pro Quartal auch nur eine solche Einweisung verhindert, sind Lösungen im Bereich von 200–600 Euro Jahreskosten bereits mehr als gedeckt — und das nach dem ersten Jahr.

Konservatives Szenario (Hausarztpraxis, 300 Polypharmazie-Patienten/Jahr, 10 % Interaktionsrate): Wenn das Tool bei 30 Patienten pro Jahr eine Medikationsanpassung auslöst, und davon jeder dritte Fall eine potenzielle Einweisung gewesen wäre: ca. 10 verhinderte Einweisungen à 5.000 Euro = 50.000 Euro vermiedene Kosten für das System. Das ist eine Hochrechnung, keine Garantie — aber die Größenordnung ist konsistent mit der Studienlage.

Typische Einstiegsfehler

1. Alert-Konfiguration nie überprüft — zu viele Alarme, zu wenig Signal. Das gefährlichste Szenario bei KIS-integrierten AMTS-Modulen: Das System meldet bei jeder Verschreibung fünf bis zwanzig Hinweise, weil es alle denkbaren Interaktionen anzeigt, ohne klinische Priorisierung. Ärzte beginnen, Warnmeldungen reflexartig wegzuklicken. Studien zeigen, dass 90–96 Prozent aller Wechselwirkungsalarme in klinischen Systemen von Ärzten überschrieben werden — in einer Studie des JMIR Medical Informatics (2022) galten nur 7,3 Prozent aller Alerts als klinisch angemessen. Das Problem ist kein KI-Fehler, sondern schlechte Konfiguration: Wer nur Klasse-A-Interaktionen (schwer, klinisch relevant) meldet und Klasse-C/D (geringer klinischer Effekt) unterdrückt, erreicht eine höhere Akzeptanz — und schützt den echten Nutzen des Systems.

2. Unvollständige Medikamentenlisten als Eingabe. Das System kann nur prüfen, was es kennt. Wenn Erna Schulte ihre OTC-Präparate (Ibuprofen aus der Apotheke) nicht auf der Liste hat, findet das Tool diese Interaktion nicht. Das ist kein Systemfehler — es ist ein strukturelles Problem der Informationslage. Lösung: Medikationsanamnese aktiv auf OTC-Präparate, Nahrungsergänzungsmittel und Phytopharmaka ausweiten, besonders bei Aufnahme und an Transitionspunkten. Viele kritische Wechselwirkungen betreffen rezeptfreie Mittel (NSAR, Johanniskraut, Grapefruitsaft, Ginkgo). Wer die Liste nicht vollständig hat, hat eine falsche Sicherheit.

3. Das Tool wird eingeführt, aber kein Workflow definiert. Wer prüft wann welche Patienten? Bei Neuverschreibung? Bei jedem Termin? Nur beim Aufnahmegespräch? Wenn das niemand definiert, wird das Tool von manchen genutzt und von anderen nicht — und die Prüfung bleibt genau so zufällig wie vorher. Die technische Einführung ist in zwei Wochen erledigt. Der Workflow braucht eine klare Verantwortung: Wer ist zuständig? Was passiert, wenn ein Hinweis erscheint? Wer dokumentiert die Entscheidung? Dieser organisatorische Teil wird unterschätzt und ist der häufigste Grund dafür, dass gute Tools wenig Wirkung haben.

Die versteckte Dauergefahr: veraltete Interaktionsdatenbanken. AMTS-Datenbanken werden regelmäßig aktualisiert, wenn neue Wechselwirkungen bekannt werden. Wer eine lokale Installation betreibt, die seit 18 Monaten kein Update bekommen hat, hat möglicherweise eine Datenbank, der wichtige neue Einträge fehlen. SaaS-Lösungen haben hier einen klaren Vorteil: Die Datenbank wird zentral aktualisiert, ohne dass du etwas tun musst. Bei lokalen Installationen: Update-Zyklus in die Betriebsdokumentation aufnehmen, mindestens vierteljährlich.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist eingerichtet. Und dann?

Erfahrungsgemäß gibt es zwei Widerstands-Muster, die fast immer auftreten:

“Ich weiß selbst, was ich tue.” Erfahrene Ärzte mit jahrelanger internistischer oder geriatrischer Praxis sehen einen Interaktionschecker oft als implizite Kritik an ihrem Fachwissen. Das Gegenteil ist richtig: Die Stärke solcher Systeme liegt nicht darin, das zu erkennen, was ein erfahrener Kliniker ohnehin weiß — sondern das zu erkennen, was durch Zeitdruck, unvollständige Information oder seltene Kombinationen trotz Erfahrung übersehen wird. Ein Framing, das hilft: Das Tool prüft die Dinge, die man unter normalen Umständen problemlos prüfen würde, wenn man nur Zeit hätte. Es ist ein Sicherheitsnetz, keine Kontrolle.

“Zu viele Alarme.” Wenn die ersten Wochen geprägt sind von vielen Meldungen für harmlose Interaktionen (Wechselwirkungen der Schwere C/D, die klinisch irrelevant sind), verliert das System seine Akzeptanz schnell. Hier muss die Konfiguration angepasst werden — nicht das Verhalten der Nutzenden. Schon in der Pilotphase sollte jede:r Nutzende die Möglichkeit haben, Alarme als “klinisch irrelevant” zu markieren, damit die Konfiguration auf die eigene Praxis lernen kann.

Was konkret hilft:

• Vor dem Rollout drei bis fünf dokumentierte Fälle aus der eigenen Praxis aufbereiten, bei denen eine Wechselwirkung (auch eine harmlose) aufgetreten ist — das schafft eigene Relevanz statt abstrakter Statistik
• Das System bei einer Teambesprechung live demonstrieren: Medikamentenliste eines realen (anonymisierten) Komplexfalls eingeben, Ergebnis gemeinsam besprechen
• Einen 90-Tage-Review einplanen: Wieviele relevante Hinweise, wieviele klinische Änderungen, wie ist die Nutzungsrate?

Was das Tool nicht ändert: Die Qualität der Medikationsanamnese. Wer keine systematische Liste führt und OTC-Präparate nicht erfragt, hat eine Eingabe, die das Werkzeug nicht verbessern kann. Die Einführung eines Interaktionsprüfungs-Tools ist ein guter Zeitpunkt, die Medikationsanamnese als Prozess zu standardisieren.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Die KIS-Integration verdoppelt oder verdreifacht den Zeitplan. Wenn ihr mit AMBOSS oder einem LLM-basierten Ansatz anfangt, könnt ihr innerhalb von zwei Wochen die ersten echten Fälle prüfen und entscheiden, ob der Ansatz für euch funktioniert — bevor ihr in eine aufwendige IT-Integration investiert.

Häufige Einwände — und was dahintersteckt

“Wir haben schon eine Interaktionsprüfung im System.” Das stimmt für die meisten Praxisverwaltungssysteme. Die Frage ist nicht, ob eine Prüfung existiert, sondern wie sie konfiguriert ist und wie gut sie genutzt wird. Wenn Alerts standardmäßig für alle Schweregrade aktiviert sind und Ärzte gelernt haben, sie wegzuklicken, ist die Funktion technisch vorhanden und praktisch wirkungslos. Ein kurzer Blick auf die Override-Rate in den letzten drei Monaten zeigt schnell, ob das System Mehrwert liefert oder nur Klick-Übungen erzeugt.

“Das hat rechtlich keine Auswirkungen, wenn das System etwas übersieht.” Das stimmt nicht. Wenn ein zertifiziertes CDSS-System eine bekannte Interaktion meldet und ein Arzt diese ignoriert und es zum Schaden kommt, ist das dokumentiert und im Haftungskontext relevant. Umgekehrt gibt ein KI-Hinweis, den das System nicht erkennt, keinen Freifahrtschein. Die ärztliche Sorgfaltspflicht bleibt bestehen. KI-Tools ändern nicht die rechtliche Verantwortung — sie verändern die Informationslage, auf deren Basis verantwortete Entscheidungen getroffen werden. Das ist ein Unterschied.

“Ich prüfe doch meine Patienten — da brauche ich kein Werkzeug.” Das stimmt für die Interaktionen, die man kennt und an die man denkt. Das Problem liegt bei den anderen. Bei acht Wirkstoffen gibt es 28 paarweise Kombinationen. Dazu kommen individuelle Faktoren: Alter, Nierenfunktion, Leberfunktion, genetische Polymorphismen. Kein Arzt hält alle bekannten Interaktionspaare mit allen klinischen Kontextfaktoren gleichzeitig präsent — das ist keine Frage von Kompetenz, sondern von kognitiver Kapazität. Das Werkzeug schließt nicht die Wissenslücke, sondern die Aufmerksamkeitslücke unter Zeitdruck.

Woran du merkst, dass das zu dir passt

Das passt gut zu dir, wenn:

• Du eine Praxis oder Abteilung mit regelmäßigen Polypharmazie-Patienten betreust — Internistik, Geriatrie, Neurologie, Allgemeinmedizin ab mittlerer Größe
• Du Patienten in Übergangssituationen begleitest: Krankenhausaufnahme, Entlassung, Facharzt-Überweisung, neue Verschreibung durch einen anderen Spezialisten
• Du bereits AMBOSS nutzt und es nicht für Interaktionsprüfungen einsetzt — LiSA ist dort sofort verfügbar
• Deine Praxis Patienten betreut, die Medikamente aus mehreren Quellen verschrieben bekommen (Hausarzt + zwei Fachärzte ist ab einem gewissen Alter die Normalität, nicht die Ausnahme)
• Du eine Apotheke führst mit hohem Anteil älterer Kundschaft und Medikationsberatung als Kernleistung

Wann es sich noch nicht lohnt — drei harte Ausschlusskriterien:

1. Praxis mit sehr geringem Polypharmazie-Anteil (unter 5–10 % der Patienten): Eine pädiatrische Praxis, eine chirurgische Gemeinschaftspraxis mit überwiegend gesunden Patienten vor Elektivoperationen, eine Zahnarztpraxis — hier ist die Häufigkeit klinisch relevanter Drug-Drug-Interaktionen so gering, dass der Konfigurationsaufwand den Nutzen nicht aufwiegt.

2. Keine standardisierte elektronische Medikamentenliste je Patient: Wer Medikation hauptsächlich in freien Textfeldern oder in Papierformularen führt, gibt dem System keine strukturierte Eingabe. Das Tool kann keine Liste prüfen, die es nicht lesen kann. Zuerst: Medikationsmanagement im PVS strukturieren, dann Tool einführen.

3. Kein definierter klinischer Validierungsprozess: Ein Interaktionsprüfungs-Tool ohne klar definierte Entscheidungsverantwortung ist gefährlicher als kein Tool — es erzeugt eine falsche Sicherheit. Wenn du kein Verfahren beschreiben kannst, wer einen Systemhinweis wann und nach welchem Prozess klinisch bewertet und dokumentiert, ist der richtige erste Schritt nicht die Software-Einführung, sondern dieser Prozess.

Das kannst du heute noch tun

Öffne AMBOSS — falls du dort bereits ein Kliniker-Abo hast, aktiviere den LiSA-Modus. Nimm dann eine real vorhandene anonymisierte Medikamentenliste eines Polypharmazie-Patienten (mindestens fünf Wirkstoffe) und stelle die Frage: „Gibt es klinisch relevante Wechselwirkungen in dieser Kombination, und was ist bei einem älteren Patienten mit eingeschränkter Nierenfunktion besonders zu beachten?”

Das dauert fünf Minuten. Was du danach weißt: ob und wie gut das Tool für deine typischen Fälle funktioniert — bevor du irgendetwas kaufst oder konfigurierst.

Für einen ersten strukturierten Interaktions-Check ohne AMBOSS-Abo: Nutze den Prompt unten mit Claude oder ChatGPT. Pflichthinweis: Jedes Ergebnis muss vor einer klinischen Entscheidung von einem Arzt oder Apotheker eigenständig validiert werden. Das LLM ist eine Rechercheunterstützung, kein Medizinprodukt. Keine echten Patientennamen eingeben — nur Wirkstoffe und klinisch relevante Parameter.

Quellen & Methodik

• Polymedikation und ältere Patienten in Deutschland: ABDA – Bundesvereinigung Deutscher Apothekerverbände, Faktenblatt Polymedikation, Stand Oktober 2025. Erreichbar unter abda.de. 36 Prozent aller GKV-Versicherten gelten danach als polymediziert.
• Arzneimittelbezogene Probleme, Universitätsstudie Bonn: Referenziert bei der Arzneimittelkommission der deutschen Ärzteschaft (AkdÄ), Arzneiverordnung in der Praxis 2017/2: Arzneimittelwechselwirkungen bei Polypharmakotherapie. 323 Medikationsanalysen, Median 11 Arzneimittel, Median 7 arzneimittelbezogene Probleme je Patient.
• Krankenhauseinweisungsrate bei älteren Patienten: Medizinischer Dienst des GKV-Spitzenverbandes: „Mangelnde Patientensicherheit kostet Milliarden Euro” (Pressemitteilung, md-bund.de). International auch: Laville et al. 2023, British Journal of Clinical Pharmacology: ADR-HA rate 10% bei Älteren.
• Kosten arzneimittelbezogener Krankenhauseinweisungen: Laroche et al., „Economic burden of hospital admissions for adverse drug reactions in France: The IATROSTAT-ECO study”, British Journal of Clinical Pharmacology, 2025. Mittlere Kosten 5.974 Euro pro ADR-Einweisung (2023-Tarife).
• Alert-Fatigue in klinischen Entscheidungssystemen: BMC Medical Informatics and Decision Making: „Overall performance of a drug–drug interaction clinical decision support system”, 2022. Override-Rate 90–96 %; 7,3 Prozent klinisch angemessene Alerts in ED-Studie: JMIR Medical Informatics 2022, DOI: 10.2196/40511.
• AI-Tool in Geriatrie-Pflegeheim: Frontiers in Medicine 2023: „Artificial intelligence-supported web application design and development for reducing polypharmacy side effects and supporting rational drug use in geriatric patients”. Ergebnis: 86,9 % Patienten mit potenziell inadäquater Medikation erkannt, 83 Medikamente abgesetzt, 9,1 % monatliche Medikationskosteneinsparung.
• ABDA-Interaktionscheck-Preis: Apotheke Adhoc, „Interaktionscheck: Warenwirtschaft wird teurer”, 2024 (apotheke-adhoc.de). Preis 14,85 Euro/Monat netto pro Apotheke über Avoxa.
• AMBOSS LiSA und NOHARM-Studie: AMBOSS Produktdokumentation, April 2026; Platz 1 in Stanford-Harvard NOHARM-Studie zur Sicherheit von KI in der Medizin (zitiert in AMBOSS-Unterlagen).
• Bewertungsrahmen und Preisinformationen: Eigene Recherchen und Erfahrungswerte aus Praxisberichten (Stand Mai 2026). Alle Preisangaben sollten beim jeweiligen Anbieter aktuell verifiziert werden.

Du willst wissen, welcher Ansatz für deine Praxis oder Abteilung am besten passt — SaaS ohne KIS-Integration, AMBOSS-Erweiterung oder ein vollintegriertes CDSS? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.