Behandlungspfad-Abweichungserkennung

Das echte Ausmaß des Problems

Leitlinientreue in deutschen Krankenhäusern ist keine Selbstverständlichkeit. Eine 2020 veröffentlichte repräsentative Befragung zu ADHS-Leitlinien zeigte Adhärenzraten zwischen 38,9 und 72,7 Prozent in der deutschen Routineversorgung — und das bei einer Erkrankung, bei der die Leitlinien seit Jahren etabliert sind (Springer, European Child & Adolescent Psychiatry, 2020/2021). In der Onkologie zeigen Auswertungen von GKV-Abrechnungsdaten ähnliche Muster: Abweichungen von S3-Leitlinienempfehlungen bei Antiemese, Osteoprotektion und Neutropenieprophylaxe sind dokumentiert und häufig (Springer, Die Onkologie, 2024).

Der entscheidende Befund aus der Forschung zu ärztlicher Entscheidungsmüdigkeit: Die Wahrscheinlichkeit leitlinienkonformer Entscheidungen sinkt nachweislich im Tagesverlauf. Eine systematische Übersichtsarbeit (Tandfonline, Health Psychology Review, 2025) fasste zusammen, dass kognitive Erschöpfung bei Klinikern zu verlangsamter Verarbeitungszeit, Defiziten im Arbeitsgedächtnis und eingeschränktem exekutiven Funktionieren führt — genau das, was für das Durchlaufen einer Leitlinien-Checkliste nötig wäre.

Das Paradox: Der Arzt weiß die Leitlinie. Er läuft sie nur nicht mehr durch. Das KIS enthält alle relevanten Daten. Es vergleicht sie nur nicht mit dem, was die Leitlinie zu diesem Zeitpunkt erfordert.

Ein Machine Learning-Modell, das diesen Abgleich im Hintergrund erledigt und einen kontextuellen Hinweis liefert — keine Sperre, kein Alarm, nur ein Hinweis — gibt dem Arzt etwas anderes als Information. Es gibt ihm die Erlaubnis, bei diesem Patienten kurz innezuhalten. Das ist die Leistung dieses Systems.

Warum das (für sich allein) kein ROI-Fall ist:
Leitlinientreue verhindert Komplikationen, die in Regelversorgungshäusern oft als DRG-interne Folgekosten unsichtbar sind. Die Kausalitätskette — Abweichungserkennung → Arzt ändert Entscheidung → Komplikation bleibt aus → Kasse spart → Krankenhaus spart — ist real, aber jedes Glied dieser Kette erfordert für den Nachweis ein prospektives Studiendesign, das kein Regelversorgungshaus in der Lage ist, selbst durchzuführen. Das macht dieses System zum Qualitätssicherungsprojekt, nicht zum Renditeprojekt. Diese Unterscheidung ist entscheidend für die Entscheidung, ob es zu eurer Strategie passt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Verbesserungen in der zweiten Spalte setzen voraus, dass das System mit hoher Spezifität kalibriert ist. Ein schlecht konfiguriertes System erzeugt das Gegenteil: mehr Alarme, höhere kognitive Last, mehr ignorierte Hinweise.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5)
Das System spart kurzfristig keine Zeit — im Gegenteil: Jeder Hinweis fordert einen Augenblick Aufmerksamkeit. Der Effekt liegt nicht in Zeitersparnis, sondern in Qualitätssicherung. Langfristig können vermiedene Komplikationen und Wiedereinweisungen Aufwand reduzieren — dieser Effekt ist aber nicht dem System direkt zuzuschreiben. Im Vergleich zu anderen Gesundheits-Anwendungsfällen wie Arztbrief-Schreibung oder Dokumentationsassistenten ist der tägliche Zeitgewinn gering bis null.

Kosteneinsparung — mittel (3/5)
Weniger unbeabsichtigte Leitlinienabweichungen bedeutet statistisch weniger Komplikationen, kürzere Verweildauer, geringerer Ressourcenverbrauch. Krankenhäuser, die Qualitätsindikatoren für Qualitätsverträge nach § 110a SGB V oder P4P-Programme optimieren wollen, haben hier einen greifbaren Hebel. Die Einsparung bleibt aber mittelbar und schwer zuzuordnen — weshalb die Kosteneinsparungsbewertung trotzdem nur mittelmäßig ausfällt.

Schnelle Umsetzung — niedrig (2/5)
Die KIS-Integration ist der echte Engpass. Deutsche Krankenhäuser betreiben unterschiedlichste Systeme — Agfa ORBIS, CGM Medico, Dedalus/Nexus Hospital, Meierhofer M-KIS — mit proprietären Datenmodellen und APIs auf sehr unterschiedlichem Integrations-Reifegrad. Was in einem Haus sechs Monate dauert, erfordert im nächsten eine Neuentwicklung. Bis zum Pilotbetrieb vergehen realistisch 6–18 Monate; bis zum validierten Produktivbetrieb oft länger. Das ist kein Softwareprojekt — das ist ein klinisches Informatiksystem-Projekt.

ROI-Sicherheit — sehr niedrig (1/5)
Das ist die ehrlichste Zahl in diesem Radar. Der attributierbare Nutzen ist kaum messbar: Man bräuchte eine randomisierte Studie mit Kontrollgruppe, die über 12–24 Monate prospektiv Abweichungsraten, Komplikationen und Kosten vergleicht. Das ist die Welt der klinischen Forschung, nicht des Krankenhausbetriebs. Wer dieses System mit einer Renditeerwartung in drei Jahren plant, plant es falsch. Es ist eine Qualitätsinvestition — nicht weniger wertvoll, aber anders zu rechtfertigen.

Skalierbarkeit — sehr niedrig (1/5)
Jeder KIS-Hersteller bedeutet eine neue Integration. Jede Fachabteilung arbeitet mit anderen Leitlinien. Jede Leitlinienaktualisierung (AWMF veröffentlicht regelmäßig Updates) erfordert eine Anpassung der Regellogik. Das System lässt sich nicht wie ein SaaS-Tool einfach auf weitere Standorte ausrollen — es ist standortspezifisch, KIS-spezifisch, und nur begrenzt wartungsarm.

Richtwerte — stark abhängig von KIS-Hersteller, Fachabteilung, vorhandener IT-Infrastruktur und Pilotdesign.

Der Unterschied zwischen Entscheidungshilfe und Entscheidungsautomation — und warum er alles bedeutet

Dieser Abschnitt ist keine Fußnote. Er ist die Architekturentscheidung, von der abhängt, ob dieses System im Klinikalltag angenommen oder abgelehnt wird.

Was das System tun darf: einen Hinweis liefern.
Das Modell erkennt, dass die dokumentierte Diagnose, Medikation und Behandlungsschritte einer bestimmten Konfiguration entsprechen, die von der S3-Leitlinie abweicht. Es zeigt diesen Hinweis dem behandelnden Arzt — passiv, kontextuell, ohne die nächste Handlung zu sperren. Der Arzt entscheidet.

Was das System nicht tun darf: eine Entscheidung erzwingen oder ersetzen.
Artikel 22 der DSGVO verbietet vollautomatisierte Einzelentscheidungen, die erhebliche Auswirkungen auf eine Person haben — und eine Therapieentscheidung hat erhebliche Auswirkungen auf den Patienten. Für Gesundheitsdaten gelten nach Art. 9 DSGVO noch strengere Anforderungen: Die Verarbeitung bedarf einer ausdrücklichen Rechtsgrundlage.

Wichtiger als das Datenschutzrecht ist die ärztliche Haftungslogik: Nach § 630a BGB schuldet der Arzt dem Patienten eine Behandlung nach dem anerkannten Standard der Wissenschaft. Die Leitlinie ist eine Empfehlung — kein striktes Gebot. Abweichungen können klinisch begründet sein und müssen dokumentiert werden. Ein System, das eine begründete Abweichung blockt oder als Fehler protokolliert, greift in die ärztliche Behandlungspflicht ein und erzeugt Haftungsrisiken, die kein Krankenhaus wollen kann.

Die Architekturkonsequenz: Das System muss passiv sein. Kein Click-Through, das den Arzt zwingt, eine Übersprungsbegründung einzugeben. Kein roter Balken, der eine Verordnung blockiert. Stattdessen: ein grauer Infobereich am Rand des KIS-Bildschirms, der sagt — “Leitlinienhinweis: S3-Pneumologie empfiehlt Bildgebung vor Therapiebeginn bei diesem Risikoscore. Dokumentierter Grund für Abweichung empfohlen.” Und dann lässt das System den Arzt arbeiten.

Diese Architektur ist klinisch validiert. Eine 2024 veröffentlichte Studie (PMC, Nature Partner Journals Digital Medicine, 2025) zeigte: Der Ersatz eines aktiven, unterbrechenden Alarms durch ein passives CDS-Panel reduzierte den Alert-Burst um 80 Prozent bei gleichzeitiger Verbesserung der Leitlinientreue von 23 auf 61 Prozent. Passive Hinweise, die in den Workflow integriert sind, statt ihn zu unterbrechen, funktionieren besser.

Die Entscheidung, ob euer System ein Hinweis oder eine Sperre ist, trifft ihr. Die medizinische, juristische und praktische Antwort lautet übereinstimmend: Hinweis.

Was das System konkret macht

Das Modell arbeitet in drei Schichten:

Schicht 1 — Datenaggregation aus dem KIS:
Das System liest kontinuierlich aus dem Krankenhausinformationssystem: aktuelle Diagnosen (ICD-10-Codes), verordnete Medikamente (ATC-Codes), durchgeführte Maßnahmen (OPS-Codes), Laborwerte und Vitalzeichen. Diese Daten werden patientenindividuell aggregiert und in ein strukturiertes Profil überführt.

Schicht 2 — Regelwerk und ML-Abgleich:
Das Patientenprofil wird gegen eine Wissensbasis abgeglichen, die auf S3-Leitlinien der AWMF basiert. Zwei Ansätze sind möglich: regelbasierter Abgleich (“Wenn ICD J18.0 + Risikoscore X, dann Röntgen-Thorax empfohlen”) und ML-basierter Ansatz, der aus historischen Patientenverläufen lernt, welche Konfigurationen statistisch von Leitlinien abweichen. In der Praxis kombiniert man beide: Regellogik für explizite Leitlinienempfehlungen, ML für Muster, die keine direkte Regelformulierung haben.

Schicht 3 — Kontextueller Hinweis im Workflow:
Erkennt das System eine Abweichung mit hinreichender Spezifität (d.h. das Modell ist überzeugt, dass es kein Sonderfall ist), erscheint ein passiver Hinweis im KIS. Idealerweise ohne Unterbrechung: als Infobereich, der beim nächsten Aufruf der Patientenakte sichtbar ist. Der Arzt kann den Hinweis lesen, dokumentieren, warum er davon abweicht — oder einfach weitermachen, wenn er einen klinischen Grund hat, den das System nicht kennt.

Der Predictive Analytics-Ansatz unterscheidet sich vom Sepsis-Frühwarnsystem wesentlich: Dort geht es um Verschlechterungserkennung in Echtzeit mit zeitkritischem Alert. Hier geht es um Prozessvergleich: “Folgt dieser Patient dem für sein Bild empfohlenen Pfad?” Das ist kein Notfallsignal — es ist eine qualitative Rückmeldung über den Behandlungsplan.

Konkrete Werkzeuge — was wann passt

Es gibt kein fertiges Produkt, das man für dieses System in einem deutschen Krankenhaus einfach installiert und startet. Das ist eine wichtige Ehrlichkeit, bevor ihr budgetiert.

AMBOSS — Leitlinien-Wissensbasis:
AMBOSS ist keine Monitoring-Plattform, aber die inhaltliche Grundlage, auf die ihr das Regelwerk aufbaut. Die peer-reviewten Inhalte zu deutschen S3-Leitlinien sind vollständig, aktuell und auf das deutsche Medizinsystem ausgerichtet. Das Klinik-API erlaubt programmatischen Zugriff auf strukturierte Leitlinieninhalte. Für jedes Team, das die Regellogik des Abweichungserkennungssystems aufbaut, ist AMBOSS die verlässlichere Quelle als eine eigene manuelle Leitlinienextraktion. Kosten für Kliniklizenz: auf Anfrage.

KIS-herstellereigene CDSS-Module:
Einige KIS-Hersteller bieten integrierte Module für klinische Entscheidungsunterstützung an. Agfa ORBIS hat das Modul “Clinical Decision Support”, CGM Medico hat Regelwerk-basierte Alerts, Dedalus/Nexus bietet ähnliches. Der Vorteil: native KIS-Integration, keine Schnittstellenprobleme. Der Nachteil: Funktionsumfang ist begrenzt, Konfiguration erfordert Fachpersonal, und die Leitlinien-Regelwerke müssen manuell gepflegt werden. Kein Hersteller liefert ein fertiges S3-Leitlinien-Regelwerk — das baut ihr selbst auf.

Custom ML-Schicht auf KIS-Daten:
Für Häuser mit eigener IT-Kapazität oder forschungsnaher Infrastruktur (z.B. Universitätskliniken oder Kliniken mit DRG-Researchabteilung): Eine eigene ML-Pipeline, die KIS-Exportdaten verarbeitet. Tools wie Python (scikit-learn, XGBoost) in Kombination mit HL7 FHIR-Schnittstellen für den KIS-Datenzugriff entsprechen dem Stand der Technik in akademischen Projekten. Aufwand: 6–12 Monate Entwicklung plus permanente Wartung. Realistisch nur für Häuser mit internen Data-Science-Ressourcen.

Bundesgesundheitsministerium-Förderprojekte:
Das KIPeriOP-Projekt (Bundesministerium für Gesundheit, Innovationsfonds) hat klinische Entscheidungsunterstützung mit etwa 50 CDS-Tools in einem deutschen Krankenhaus implementiert — ein valides Referenzmodell für die Komplexität und den Aufwand eines echten Projekts. Dieses Modell ist nicht kaufbar, aber seine Dokumentation ist öffentlich und hilft euch, euer Projekt realistisch einzuschätzen.

Zusammenfassung: Wann welcher Ansatz

• Ihr habt bereits Agfa ORBIS, CGM Medico oder Dedalus → erst die herstellereigenen CDS-Module prüfen
• Ihr habt IT-Kapazität und Forschungsambition → Custom ML auf FHIR-Basis
• Ihr wollt die Regellogik aufbauen → AMBOSS als Wissensquelle
• Ihr wollt verstehen, was das bedeutet → KIPeriOP-Dokumentation lesen

Datenschutz und Datenhaltung

Dieses System verarbeitet besondere Kategorien personenbezogener Daten im Sinne von Art. 9 DSGVO: Gesundheitsdaten von Patienten. Das hat Konsequenzen:

Rechtsgrundlage: Die Verarbeitung ist auf Basis von Art. 9 Abs. 2 lit. h DSGVO möglich — “Verarbeitung ist erforderlich für die Versorgung oder Behandlung im Gesundheitsbereich.” Diese Grundlage deckt den Einsatz zum Zweck der Qualitätssicherung und Behandlungsunterstützung, wenn ein Arzt oder medizinisches Fachpersonal die Verarbeitung überwacht. Eine vollautomatisierte Entscheidung ohne ärztliche Prüfung wäre nicht mehr durch diese Ausnahme gedeckt.

AVV-Pflicht: Wenn ein externer Dienstleister an der Datenverarbeitung beteiligt ist — Entwickler, ML-Plattformanbieter, Cloud-Hosting — ist ein Auftragsverarbeitungsvertrag nach Art. 28 DSGVO zwingend. Das gilt auch für on-premise-Deployments, wenn externe Entwickler Zugriff auf Daten haben.

Datenhaltung: Patientendaten dürfen das Klinikum nicht verlassen, wenn ihr On-Premise arbeitet. Cloud-Deployments sind möglich, aber auf EU-Server beschränkt und mit entsprechenden SCCs (Standard Contractual Clauses) abgesichert. Die Bundesärztekammer empfiehlt für klinische KI-Systeme explizit Prüfung durch den klinischen Datenschutzbeauftragten vor Inbetriebnahme.

Betriebliche Anforderung Patientenrechte: Patienten haben das Recht auf Information, welche KI-Systeme bei ihrer Behandlung eingesetzt werden. Das muss in der Patientenaufklärung und den Datenschutzinformationen abgebildet sein.

EU AI Act: Systeme, die in der medizinischen Entscheidungsunterstützung eingesetzt werden, fallen unter die EU AI Act-Kategorie “Hochrisiko-KI-Systeme” nach Anhang III. Das bedeutet: Technische Dokumentation, Konformitätsbewertung, und Transparenzanforderungen sind Pflicht — vor dem Go-Live, nicht danach.

Was es kostet — realistisch gerechnet

Das ist kein SaaS-Abonnement. Es ist ein Infrastrukturprojekt.

Einmalige Implementierungskosten:

• KIS-Integration (HL7 FHIR-Anbindung oder proprietäre API): 40.000–120.000 Euro Entwicklungsaufwand, abhängig vom KIS-Hersteller und Standardisierungsgrad eurer Daten
• Aufbau des Leitlinien-Regelwerks (klinische Facharztzeit + IT): 60.000–150.000 Euro, wenn ihr zwei bis drei Fachabteilungen parallel aufbaut
• ML-Modell-Training und Validierung: 30.000–80.000 Euro für einen qualifizierten Dienstleister
• Pilotphase-Begleitung, Validierung, Anpassung: 20.000–40.000 Euro

Grobe Gesamtspanne Erstimplementierung: 150.000–400.000 Euro für ein Haus mit einer Fachabteilung, ernsthaft umgesetzt — nicht als Forschungsprojekt, sondern als Produktivbetrieb.

Diese Zahlen stammen aus der Größenordnung, die das BMG-Förderprojekt KIPeriOP veranschlagt und aus Implementierungswerten, die in der wissenschaftlichen Literatur für Krankenhaus-CDSS-Projekte berichtet werden (systematische Übersicht: Implementation Science, 2023).

Laufende Kosten (jährlich):

• IT-Wartung, Regelwerk-Updates bei Leitlinienänderungen: 15.000–40.000 Euro/Jahr
• Kliniker-Zeit für regelmäßige Kalibrierung und Falldurchsprache: 0,5–1 VZÄ ärztliche Arbeitszeit
• Hosting und Infrastruktur: variabel, 5.000–20.000 Euro/Jahr

Was du ROI-seitig realistisch erwarten kannst:
Keine direkte Rendite innerhalb von 24 Monaten. Mögliche indirekte Effekte: weniger Komplikationen, kürzere Verweildauer, bessere Qualitätsdokumentation für § 110a SGB V-Qualitätsverträge mit Kassen. Diese Effekte sind schwer zu isolieren und erfordern eine klare Baseline-Erhebung vor dem Rollout.

Wie du den Nutzen tatsächlich misst:
Vor dem Pilotstart: Auditiere den Ist-Zustand der Leitlinientreue in der Pilotfachabteilung. Wie hoch ist der Anteil von Fällen, die der S3-Leitlinie entsprechen — manuell geprüft an einer Stichprobe? Diese Zahl ist dein Baseline. Nach 12 Monaten Pilotbetrieb: Gleicher Audit, gleiche Methodik. Wenn die Rate steigt und die Alert-Akzeptanzrate unter dem Ärzteteam messbar ist, habt ihr den Nachweis, den ihr braucht.

Drei typische Einstiegsfehler

1. Mit allen Abteilungen gleichzeitig starten.
Jede Fachabteilung hat eigene Leitlinien, eigene Workflows und eigene Anforderungen an Datenstrukturen. Wer das System für die Innere Medizin, Chirurgie und Onkologie gleichzeitig aufbaut, produziert dreifache Komplexität ohne dreifachen Lerneffekt. Lösung: Eine Abteilung, eine Leitlinie, ein Pilotmonat — dann schrittweise skalieren.

2. Das Regelwerk wird einmal aufgebaut und dann vergessen.
AWMF-Leitlinien werden regelmäßig aktualisiert. Jede Leitlinienänderung ohne entsprechende Regelwerkaktualisierung produziert Fehlinformationen — und schlimmer: falsche Hinweise, die Ärzte richtig ignorieren und das Vertrauen zerstören. Lösung: Quartalsweise Überprüfung aller eingesetzten Leitlinienversionen, als Pflichttermin im Kalender des klinischen Qualitätsbeauftragten. Wer das Ruleset nicht aktuell hält, hat nach 18 Monaten ein System, das Fehlinformation mit Autorität verkündet.

3. Alert-Threshold zu niedrig kalibriert — zu viele Hinweise, zu schnell ignoriert.
Wenn das System bei 60 Prozent aller Patientenkontakte einen Hinweis generiert, ist es klinisch wertlos — und das ärztliche Team hat nach zwei Wochen gelernt, den Infobereich reflexartig zu übersehen. Dies ist kein theoretisches Risiko: Eine 2022 in JMIR Medical Informatics publizierte Studie stellte fest, dass in einem klinischen Umfeld 92,7 Prozent aller generierten CDSS-Alerts nicht klinisch angemessen waren und entsprechend übergangen wurden. Lösung: Der Threshold des Modells muss so kalibriert sein, dass nicht mehr als 5–10 Prozent der Patientenfälle einen Hinweis generieren — und zwar nur jene Fälle, bei denen die Abweichung klar und klinisch relevant ist. Hohe Präzision schlägt hohe Abdeckung.

Was mit der Einführung wirklich passiert — und was nicht

Das Schwierige an dieser Einführung ist nicht die Technik. Es ist die Frage, wem das Ärzteteam glaubt: der eigenen klinischen Einschätzung oder dem System.

Das Vertrauensproblem: Ärztinnen und Ärzte, die ein System zum ersten Mal sehen, werden es auf Herz und Nieren testen. Wenn der erste Hinweis, den das System generiert, klinisch falsch ist — weil das Modell zu unspezifisch kalibriert wurde, weil ein Sonderfall nicht abgedeckt ist — verliert es die Akzeptanz der gesamten Abteilung für Monate. Der erste Pilotmonat entscheidet über die nächsten drei Jahre. Das bedeutet: Bevor das System live geht, müssen Ärzte aus der Pilotabteilung es an historischen Fällen getestet und für gut befunden haben.

Der Physician Champion als Pflicht, nicht Option:
Kein externes IT-Projekt überzeigt eine Stationsärzte-Gruppe. Das System braucht einen internen Anwalt — am besten den Chefarzt oder Oberarzt der Pilotabteilung, der das Konzept versteht, es erklärt und der erste ist, der öffentlich sagt: “Ich finde das sinnvoll.” Ohne diese Person: kein Rollout.

Was konkret hilft:

• Vor dem Launch: Retrospektive Analyse von zehn bis zwanzig Fällen aus der Abteilung — welche hätte das System korrekt erkannt? Welche hätte es falsch markiert? Das gibt dem Ärzteteam Vertrauen und dem IT-Team Kalibrierungsdaten.
• Ein explizites “Feedback-Kanal” für Ärzte: Jeder Hinweis, den sie für falsch halten, geht direkt in ein Ticket. Wer Rückmeldungen gibt, sieht, dass sie verarbeitet werden.
• Keine Dokumentationspflicht für das Übergehen eines Hinweises — zumindest nicht im Pilot. Wenn Ärzte spüren, dass sie für jedes Übergehen rechtfertigen müssen, lehnen sie das System als Kontrollmechanismus ab.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Jede Leitlinienaktualisierung der AWMF erfordert eine Überprüfung und ggf. Anpassung des Regelwerks. Plant von Anfang an einen quartalsweisen Review-Zyklus ein — als Pflichttermin, nicht als “irgendwann”-Aufgabe.

Häufige Einwände — und was dahintersteckt

“Alert-Fatigue ist schlimmer als das Problem.”
Das ist ein berechtiger Einwand mit echter Evidenz. In einem US-amerikanischen Klinikumfeld wurden über 90 Prozent aller CDSS-Alerts übergangen — weil das System zu viele, zu ungenaue Hinweise erzeugte. Dieser Effekt ist dokumentiert und zerstört klinische CDSS-Projekte regelmäßig. Die Antwort ist keine Ablehnung des Einwands, sondern seine ernsthafte Adressierung: Das System darf nicht mehr als 5–10 Hinweise pro 100 Patientenfälle erzeugen. Hohe Präzision ist wichtiger als hohe Abdeckung. Und ein passiver Hinweis — der nicht unterbricht, der nicht klicken lässt, der einfach sichtbar ist — erzeugt nachweislich weniger Fatigue als ein aktiver Alert (PMC, 2024). Das Problem ist real. Die Lösung ist ein gut kalibriertes System, kein Verzicht auf das Konzept.

“Wir haben kein Budget für sowas.”
Das ist ehrlich und oft richtig. Dieses System ist nichts für Häuser der Regelversorgung mit engem IT-Budget, die keinen Digitalisierungsbeauftragten haben. Wenn das Budget-Argument stimmt, stimmt es. Was man dagegen sagen kann: Qualitätsverträge nach § 110a SGB V bieten Finanzierungsspielraum für Qualitätssicherungsmaßnahmen. Und einige Bundesland-Förderprogramme für Krankenhausdigitalisierung (KHZG-Nachfolgeprogramme) decken genau diese Art von Projekten ab. Ob das greift, hängt vom Einzelfall ab.

“Unser KIS ist zu alt für eine API-Anbindung.”
Das ist ein technisches K.o.-Kriterium, das sehr ernst genommen werden muss. Wenn euer KIS keine strukturierte Datenschnittstelle hat und auch kein Upgrade geplant ist, ist dieses Projekt nicht realisierbar — jedenfalls nicht ohne das KIS zu ersetzen oder parallel ein separates Datenmanagementsystem aufzubauen. Ehrlichere Empfehlung in diesem Fall: Erst die KIS-Modernisierung klären, dann über Behandlungspfad-Überwachung nachdenken.

Woran du merkst, dass das zu dir passt

Das passt zu euch, wenn:

• Ihr habt ein strukturiertes KIS mit API-Zugang oder FHIR-fähiger Schnittstelle und einem KIS-Hersteller, der Integrationsarbeit unterstützt
• Ihr habt einen Chief Medical Officer oder klinischen Qualitätsbeauftragten, der Leitlinienabweichungen als strategisches Thema behandelt und bereit ist, die Schwellenwert-Entscheidungen des Systems zu verantworten
• Ihr habt mindestens einen Arzt oder Oberarzt in der Pilotabteilung, der das Projekt aktiv befürwortet und intern erklärt
• Ihr habt eine klare Antwort auf die Frage “Was ist unser Qualitätsziel?” — nicht “ROI in 18 Monaten”, sondern “Wir wollen X Prozent Leitlinientreue in Fachabteilung Y dokumentieren können”
• Ihr habt IT-Kapazität für mindestens 6–12 Monate intensiver Integrationsarbeit

Vier harte Ausschlusskriterien — wer jetzt noch nicht:

1. Kein KIS mit strukturierten Diagnosedaten und API-Schnittstelle. Ohne maschinenlesbare Daten aus dem Krankenhausinformationssystem kann das Modell nichts abgleichen. Ein KIS, das nur PDF-Dokumente exportiert oder keine standardisierten ICD/OPS-Codes erfasst, macht dieses Projekt technisch unmöglich.

2. Notaufnahme oder Intensivstation als Pilotbereich. In der Notaufnahme und auf der ITS gelten Behandlungspfade anders: Entscheidungen fallen unter Zeitdruck mit unvollständiger Information, und die Leitlinien für Notfallmedizin sehen explizit pragmatische Abkürzungen vor. Ein System, das dort “Abweichung” meldet, erzeugt False Positives, die den klinischen Fluss gefährden. Der richtige Startbereich ist die internistische oder chirurgische Elektivstation.

3. Kein Chief Medical Officer und keine klinische Qualitätskommission. Die Entscheidung, bei welchem Schwellenwert ein Hinweis ausgelöst wird, ist eine medizinische Entscheidung — nicht eine IT-Entscheidung. Wenn es keine Person mit medizinischer Autorität gibt, die diese Grenze setzt und verantwortet, wird das System entweder zu vorsichtig (wertlos) oder zu aggressiv (zerstört Vertrauen). Ein IT-Team allein kann das nicht steuern.

4. Kein dedizierter Physician Champion für den Pilot. Das Ärzteteam vertraut einem System, dem ein geschätzter Kollege vertraut. Ohne eine namentliche Person aus dem ärztlichen Dienst, die das System intern erklärt und für seine Korrektheit einsteht, wird die Abteilung das System nicht ernstnehmen — egal wie gut es kalibriert ist. Ein IT-Projektleiter allein kann diese Rolle nicht erfüllen.

Das kannst du heute noch tun

Bevor ihr Geld für eine KIS-Integration ausgebt, könnt ihr den Kernmechanismus dieses Systems mit einem einzigen Arzt, einem Laptop und einem LLM manuell testen — kostenlos und in einer Stunde.

Nehmt einen abgeschlossenen Fall aus eurer Abteilung (anonymisiert), tragt die wesentlichen Eckdaten ein — Diagnose, Alter, Komorbiditäten, verordnete Therapieschritte — und lasst ein LLM prüfen, ob dieser Fall der relevanten S3-Leitlinie entspricht. Was ihr dabei herausfindet: ob das Konzept in eurer Fachabteilung überhaupt Abweichungen aufdeckt, wie groß der manuelle Aufwand für die Leitlinienprüfung ist und ob das Team Interesse an einer automatisierten Version hätte.

Das ist kein Ersatz für das echte System. Es ist der Nachweis, ob das echte System für euch sinnvoll wäre.

Quellen & Methodik

• Leitlinientreue ADHS Deutschland: Klauber et al., “Guideline adherence in German routine care of children and adolescents with ADHD”, European Child & Adolescent Psychiatry 30, 2021. DOI: 10.1007/s00787-020-01559-8. Adhärenzraten 38,9–72,7 % in der Routineversorgung.
• Onkologie-Leitlinientreue: Springer, Die Onkologie, 2024. Retrospektive Auswertungen seit 2013 zur Adhärenz an S3-Supportivleitlinien in deutschen onkologischen Einrichtungen.
• Entscheidungsmüdigkeit Kliniker: Tandfonline, Health Psychology Review, systematische Übersicht 2025, DOI 10.1080/17437199.2025.2513916. Kognitive Erschöpfung reduziert exekutive Funktionen und Arbeitsgedächtnis bei Klinikern.
• CDSS Alert-Appropriateness: Medinform.jmir.org, JMIR Medical Informatics, 2022. DOI: 10.2196/40511. Nur 7,3 % von 382 analysierten CDSS-Alerts waren klinisch angemessen; 92,7 % wurden übergangen.
• Passives vs. aktives CDS: PMC / National Library of Medicine, 2024 (pmc.ncbi.nlm.nih.gov/articles/PMC10830237/). Ersatz eines unterbrechenden Alerts durch passives CDS-Panel: 80 % Reduktion der Alert-Last, Leitlinientreue von 23 % auf 61 % verbessert.
• CDSS-Implementierungskosten: Implementation Science, 2023. Systematische Übersicht von CDSS-Implementierungsprojekten in Krankenhäusern (implementationscience.biomedcentral.com/articles/10.1186/s13012-023-01261-8).
• Bundesgesundheitsministerium KIPeriOP: BMG Innovationsfonds-Projekt, öffentlich dokumentiert unter bundesgesundheitsministerium.de. Ca. 50 CDS-Tools in einem deutschen Krankenhaus implementiert — valides Referenzprojekt.
• DSGVO Art. 22 und Art. 9: Datenschutz-Grundverordnung, aktuell gültige Fassung. Art. 22 (automatisierte Entscheidungen), Art. 9 Abs. 2 lit. h (Gesundheitsdatenverarbeitung für medizinische Versorgung).
• § 630a BGB: Bürgerliches Gesetzbuch, Behandlungsvertrag: Ärztliche Behandlungspflicht nach dem anerkannten Standard der Wissenschaft.
• EU AI Act: Verordnung (EU) 2024/1689, Anhang III: Hochrisiko-KI-Systeme im Bereich medizinische Entscheidungsunterstützung.

Du willst wissen, ob das für euer Haus machbar ist — mit eurem KIS, eurem Budget, eurer Fachabteilung? Meld dich — das klären wir konkret in einem kurzen Gespräch.