25 KI-Use-Cases für Medizintechnik: Beispiele aus der Praxis

MDR-konforme technische Dokumentation ist zeitaufwendig und fehleranfällig, fehlende Abschnitte führen zu Rückfragen vom Notified Body.

LLM-basierte Lückenanalyse prüft Dokumentationsstruktur gegen MDR-Anhänge, identifiziert fehlende Abschnitte und generiert Textvorschläge aus Produktdaten und Spezifikationen.

Weniger Lücken bei der Ersteinreichung, kürzerer Vorlauf bei der Lückenanalyse. Die Prüftiefe und die fachliche Verantwortung bleiben unverändert.

LLM-Prompt für Lückenanalyse (kein Setup)eQMS mit MDR-Vorlagen (meddevo, Formwork)Integrierte Regulatory-Plattform (Greenlight Guru)

PMS-Berichte (PMSR/PSUR) erfordern kontinuierliche Datensammlung und -auswertung aus vielen Quellen, manuell extrem zeitaufwendig.

NLP-gestützte Pipeline aggregiert Daten aus Beschwerdesystem, Literatur und Marktdaten, erkennt Trends per Machine Learning und generiert strukturierte PSUR-Entwürfe nach MDR Artikel 83–86 und Anhang III.

PSUR-Aufwand von 40–80 Std. auf 15–30 Std. pro Zyklus reduziert (~50 % Zeitersparnis). Compliance mit MDR-Meldefristen strukturiert gesichert.

LLM-Prompt (kein Setup, sofort nutzbar)eQMS mit PMS-Modul (Greenlight Guru, meddevo)PMS-as-a-Service (Metecon, Emergo, NAMSA)

Usability-Engineering-Dokumentation nach IEC 62366 ist komplex, Testprotokolle, Auswertungen und Summary Reports erfordern hohe Präzision.

Ein LLM-basiertes System (NLP-Klassifikation) transkribiert Testsessions via Whisper, kategorisiert Usability-Probleme nach IEC-62366-Kriterien und generiert strukturierte Bewertungsberichte für den Notified Body.

Weniger Schreib- und Sortierarbeit bei Protokollauswertung und Summary Report, einheitlichere Schweregradvorschläge. Gemessene Zahlen dazu haben wir nicht gefunden, die Seite rechnet mit einer Annahme von 27 bis 55 Stunden je summativer Studie, die du am eigenen Stundenbuch prüfst.

KI-Assistent direkt (Whisper + Claude AI)Strukturiertes Protokoll-Template + LLM-AuswertungIntegriertes eQMS mit Human-Factors-Workflows (Greenlight Guru)

Schwerwiegende Vorkommnisse müssen nach Art. 87 MDR spätestens 15 Tage nach Kenntnis gemeldet werden, bei Tod oder unvorhergesehener schwerwiegender Verschlechterung des Gesundheitszustands 10 Tage, bei schwerwiegender Gefahr für die öffentliche Gesundheit 2 Tage. Die FSCA selbst ist der Behörde zu melden, bevor sie beginnt, die Sicherheitsanweisung geht unverzüglich an die Anwender. Die Koordination zwischen Regulatory, Qualität, Vertrieb, Legal und Produktion ist unter Zeitdruck fehleranfällig, und Meldefristenbrüche haben harte Konsequenzen.

Ein LLM-gestütztes System (Few-Shot-Prompting + regelbasierte Checklisten-Prüfung) generiert FSCA- und FSN-Entwürfe aus strukturierten Incident-Daten, prüft gegen behördliche Vorlagen (BfArM, MDR, GHTF SG2) und koordiniert die Kommunikation an Behörden, Vertrieb und Kunden über ein gemeinsames Nachverfolgungssystem.

Schnellere Entwürfe und eine Checkliste, die jeden Entwurf vor dem Versand prüft. Die Seite nimmt 10 bis 15 Stunden weniger Koordination und Drafting je FSCA-Fall an, gemessen ist das nicht. In Geld rechnet es sich bei wenigen Fällen im Jahr nicht, der Nutzen ist Fristsicherheit.

ChatGPT / Claude mit Prompt-Templates (kein Setup)Hybrid: bestehendes eQMS + LLM-DraftingSpezialisierte Regulatory-Plattform (z. B. Veeva Vault)

Rückfragen der Benannten Stelle kommen gebündelt in Runden. Jede Runde kostet nach der Rechnung dieser Seite 5–10 Wochen Kalenderzeit, dazu Prüfstunden der Benannten Stelle und Beraterstunden. Wie viele Ersteinreichungen betroffen sind, dazu haben wir keine belastbare Zahl gefunden.

Ein LLM-gestütztes Checklisten-System (RAG über MDR Anhang II + strukturierte Leitfragen) prüft das Dossier auf Vollständigkeit und Konsistenz zwischen TD, RMF, CER und PMS, priorisiert Lücken nach Schweregrad und generiert einen konkreten Maßnahmenplan vor der Einreichung.

Lücken, die heute erst die Benannte Stelle findet, fallen vor der Einreichung auf. Jede vermiedene Rückfragerunde spart Wochen bis zum Zertifikat. Wie viele Runden das Tool tatsächlich vermeidet, ist nicht gemessen, zähle es selbst.

LLM-Eigenlösung (Claude oder ChatGPT im Business-Tarif mit MDR-Checkliste)Zweitmeinung durch externe Regulatory-Berater (5.000–15.000 € pro Dossier)Spezialisierte Regulatory-Plattform (z. B. Veeva Vault)

Papierbasierte Wartungsprotokolle sind lückenhaft, inkonsistent und teuer zu pflegen. Audits fördern jedes Jahr Dokumentationsmängel zu Tage, die Bußgelder bis 5.000 Euro pro Fall nach sich ziehen, bei 50+ Geräten summiert sich das.

Eine mobile App mit NLP-basierter Schritt-Validierung und regelbasierter KI-Logik erzwingt die Abarbeitung aller Checklistenpunkte (IQ, OQ, Wartung, Kalibrierung), erkennt Abweichungen anhand vordefinierter Toleranzbereiche, dokumentiert Messwerte und Fotos strukturiert und synchronisiert automatisch mit eQMS, ERP und Ticketsystem.

Dokumentationszeit je Serviceeinsatz um 50 % reduziert. 98–100 % vollständige Checklisten. Audit-Bereitschaft jederzeit verfügbar.

Low-Code-Checklisten-App (Klipboard, KoboCollect)Field-Service-Plattform mit KI (TrueContext, FieldAware)eQMS-Extension (MasterControl, Qualio)

Produktbeschwerden müssen schnell bewertet werden, denn schwerwiegende Vorkommnisse sind nach Art. 87 MDR spätestens nach 15 Tagen zu melden, bei Tod oder unvorhergesehener schwerwiegender Verschlechterung nach 10, bei schwerwiegender Gefahr für die öffentliche Gesundheit nach 2 Tagen. Manuelle Klassifizierung ist fehleranfällig.

Ein LLM-basiertes NLP-System extrahiert strukturierte Fakten aus Beschwerde-Freitexten, schlägt eine Einstufung nach MDR-Vigilanz-Kriterien vor und erstellt Meldungsentwürfe, über die Regulatory Affairs entscheidet.

Schnellere Erstbewertung und eine einheitliche Prüfung jedes Falls gegen die Definition des schwerwiegenden Vorkommnisses. Die Seite rechnet mit der Hälfte der heutigen Klassifizierungszeit, gemessen ist das nicht. In Geld trägt es sich erst bei hohem Fallvolumen.

Generative KI mit MDR-Prompt (ChatGPT, Claude im Business-Tarif)QMS-Plattform + KI-Anbindung (z. B. SimplerQMS mit Microsoft Copilot oder externer Klassifizierung)Eigenentwicklung mit Claude-API + Systemintegration

Risikoanalysen für Medizinprodukte sind zeitintensiv, Hazard-Identifikation, Risikobewertung und Maßnahmen müssen vollständig dokumentiert werden.

Ein RAG-System (Retrieval-Augmented Generation) analysiert Produktspezifikationen gegen eine ISO-14971-Gefährdungsdatenbank, schlägt passende Hazards vor und generiert strukturierte Risikobeurteilungsdokumente mit Nachverfolgbarkeitsmatrix.

Schnellere Gefährdungs-Identifikation und eine Nachverfolgbarkeit, die von Anfang an mitläuft. Die Seite rechnet mit 25 % weniger Aufwand, rund 60 Stunden je Risikoanalyse, gemessen ist das nicht. Ob die Benannte Stelle weniger nachfragt, zeigt erst der Vergleich über mehrere Analysen.

Generative KI mit ISO-14971-Prompt (kein Setup)QMS-Plattform mit Risk-Modul (z. B. SimplerQMS)Spezialisiertes Risk-Tool mit KI-Erweiterung

IEC-62304-konforme Software-Dokumentation wird oft als lästige Pflicht am Schluss erledigt, lückenhaft, uneinheitlich, schwer zu auditieren.

Ein LLM mit semantischer Code-Analyse verknüpft Code-Änderungen mit Dokumentationsanforderungen, baut Nachverfolgbarkeitsmatrizen per NLP-gestütztem Abgleich auf und erzeugt Konformitätsnachweise.

Kürzere Audit-Vorbereitung und eine Nachverfolgbarkeitsmatrix, die mit jeder Freigabe mitwächst statt vor dem Audit rekonstruiert zu werden. Die Seite rechnet mit 80 bis 160 gesparten Stunden im Jahr bei 4 Freigaben, gemessen ist das nicht. Die Gebühren der Benannten Stelle sinken dadurch nicht.

Git-Skript + Claude/ChatGPT-Schnittstelle (Eigenbau)QMS-Plattform mit KI-Anbindung (z. B. SimplerQMS)Unternehmens-Entwicklungsplattform + Eigenentwicklung

MDR verlangt lückenlose Lieferantenqualifikation für kritische Zulieferer, manuelle Prozesse kosten pro Lieferant 8–12 Stunden und skalieren schlecht.

Ein LLM bewertet Lieferanten-Fragebögen gegen den Kriterienkatalog eurer Lieferanten-SOP, klassifiziert Risiken regelbasiert und generiert den Qualifikationsbericht als strukturierten Entwurf.

Die Seite rechnet mit rund 60 % weniger Bearbeitungszeit je Lieferantenqualifikation, gemessen ist das nicht. Audit-Bereitschaft kontinuierlich, jeder Freigabeschritt mit Zeitstempel und Prüfer dokumentiert. In Geld trägt es sich nur, wenn das eQMS ohnehin da ist.

LLM-Prompt: Fragebogen manuell auswerten (Business-Tarif, kein Setup)n8n + Claude API: automatisiertes Scoring + Berichts-EntwurfeQMS mit KI-Layer (SimplerQMS/MasterControl + Softwarevalidierung)

Eine vollständige Klinische Bewertung nach MDR kostet 20.000–80.000 € bei externen Spezialisten, und das größte Zeitloch ist die Literaturrecherche, die oft 3–6 Wochen manuelles Screening bedeutet.

KI übernimmt systematisches Screening von PubMed, Embase und Cochrane, extrahiert Studiendaten strukturiert und generiert Rohfassungen für einzelne CER-Abschnitte, während das RA-Team die inhaltliche Bewertung und Verantwortung trägt.

Rechercheaufwand um 40–60 % reduziert. Kosten für externe klinische Bewerter um 15.000–40.000 € pro CER gesenkt. Typisch: 4–8 Wochen Zeitersparnis beim Erstdurchlauf.

Elicit + Rayyan (Recherche) / ChatGPT-Claude (CER-Abschnitte) / Covidence (PRISMA-Workflow)

EUDAMED-Einträge sind komplex und zeitaufwendig, Fehler führen zu Verzögerungen bei Markteinführungen und Compliance-Verstößen.

Ein LLM-gestütztes System extrahiert EUDAMED-relevante Attribute aus Produktdokumentation per NLP, validiert die Felder gegen das EUDAMED-Schema und generiert valide XML-Importdateien, vor der Einreichung, nicht danach.

Weniger Tipparbeit und Pflichtfeld-Lücken, die vor der Einreichung auffallen statt nach der Ablehnung. Die Seite nimmt 5–10 statt 30–60 Minuten je UDI-Eintrag an, gemessen ist das nicht. Änderungen lösen einen Hinweis aus, bevor die 30-Tage-Frist für die Aktualisierung abläuft.

EUDAMED-Tool (SaaS)Regulatory Data ManagementERP-integriertes UDI-Modul

Jede Kennzeichnungsrevision erfordert manuellen Abgleich mit MDR-Pflichtfeldern, ISO-15223-1-Symbollisten und länderspezifischen Sprachanforderungen, fehleranfällig und bei mehreren Märkten kaum skalierbar.

Ein LLM prüft Label-Entwürfe per NLP-Vollständigkeitscheck gegen die MDR-Annex-I-§23-Checkliste, markiert fehlende oder inkonsistente Felder und erstellt Übersetzungsentwürfe, der RA-Spezialist prüft und gibt frei, statt von vorne anzufangen.

Bis zu 70 % weniger Bearbeitungszeit pro Sprachvariante. Weniger Fehler bei Pflichtfeldern. Kürzere Review-Schleifen mit Notified Body.

LLM-Completeness-CheckDeepL-Übersetzungs-WorkflowQMS-integrierte Label-Freigabe

Jede Produktänderung muss bewertet werden: bei MDR-zertifizierten Produkten, ob die Benannte Stelle sie vorab genehmigen muss, bei Altprodukten unter der Übergangsregel, ob sie signifikant ist und das MDD-Zertifikat nicht mehr trägt. Eine falsche Einschätzung führt zu Non-Compliance.

Ein RAG-gestütztes System analysiert Änderungsbeschreibungen semantisch gegen das Technical File, identifiziert betroffene FMEA-Einträge, Verifikationsprotokolle und Normenkapitel, und generiert einen begründeten Change-Assessment-Bericht zur QM-Entscheidung.

Die Seite nimmt an, dass ein Change Assessment statt 0,5–3 Tagen 1–8 Stunden dauert, gemessen ist das nicht. Die Dokumenten-Impact-Analyse wird vollständiger, die regulatorische Entscheidung bleibt beim Menschen.

Change Management KIeQMS mit Change-Impact-AnalyzerRAG auf Technical File + QMS

Service-Hotline-Anfragen werden unstrukturiert dokumentiert, Trends werden spät erkannt, Vigilanz-relevante Anrufe übersehen.

NLP-basierte Sprachverarbeitung (Transkription + LLM-Extraktion) klassifiziert jeden Anruf nach Schweregrad und Produkttyp. Automatische Eskalation bei Vigilanz-Hinweisen.

Dokumentationszeit je Anruf um 10–15 Minuten reduziert. Vigilanz-relevante Fälle systematisch erfasst. Trendanalyse kontinuierlich statt monatlich.

KI-Transkription (Deepgram/Whisper)Call Center Analytics + Vigilanz-FlagQMS-integrierte Hotline-Pipeline

Schulungsunterlagen für Medizingeräte sind zeitaufwendig zu erstellen, müssen bei Produktupdates manuell aktualisiert werden und liegen nach MDR Annex I in bis zu 24 EU-Sprachversionen vor.

LLMs erstellen Erstentwürfe aus technischen Dokumenten, passen Sprachniveau und Dokumenttyp an Zielgruppe an, als Vorlage für die obligatorische Fachexpertenprüfung im QMS.

Drafting-Aufwand um 40–60% reduziert. Übersetzungskosten durch KI-vorübersetzte Texte merklich gesenkt. Aber: Netto-Zeitersparnis ist kleiner als das Drafting-Potenzial vermuten lässt, der Freigabeprozess bleibt unverändert.

Generative KI für SchulungsentwürfeContent-Authoring (Easygenerator/iSpring)LMS-Integration mit QMS-Freigabe

Jede Materialänderung löst eine neue biologische Sicherheitsbewertung aus, 3–6 Monate Recherche, Abstimmung und oft vermeidbare In-vivo-Tests, obwohl 80 % der Literaturdaten bereits existieren.

RAG-gestützte KI durchsucht systematisch toxikologische Datenbanken (ECVAM/DB-ALM, REACH-SVHC, PubMed, Reaxys), LLMs mappen vorhandene Daten auf die ISO-10993-Checkliste, identifizieren echte Datenlücken und entwerfen strukturierte Textbausteine für den BSB-Report.

Recherchezeit um 15–30 Stunden pro Bewertung reduziert. Vermeidbare In-vivo-Tests früh identifiziert. Notified-Body-Rückfragen durch lückenlose Datengrundlage reduziert.

KI-LiteraturrechercheRegulatory-Intelligence-Assistent

Mängelbescheide vom Notified Body enthalten oft 20–30 Einzelfragen, die innerhalb von 30 Tagen beantwortet sein müssen, mit Querverweisen auf MDR-Anhänge, technische Normen und vorherige Antworten, die niemand schnell findet.

RAG-System (Retrieval-Augmented Generation) verknüpft NB-Fragen automatisch mit den betroffenen Abschnitten der technischen Dokumentation, priorisiert nach Aufwand und Dringlichkeit, und generiert über ein LLM strukturierte Antwortgerüste mit exakten Norm-Verweisen.

Bearbeitungszeit pro Findings-Runde um 40–60 % reduziert. Vollständigere Antworten durch automatische Querverweis-Prüfung. Kürzere Zertifizierungszyklen durch weniger Folgerunden.

Regulatory Correspondence KIDokumenten-Assistent mit technischer Akte

Installationsprotokolle werden handschriftlich ausgefüllt und später ins System übertragen, zeitaufwendig, fehleranfällig und im MDR-Audit riskant.

Mobile App mit regelbasierter Validierungslogik und automatischer Abweichungserkennung (Wertebereichsprüfung in Echtzeit), geführter IQ-Checkliste, automatischer Protokollerstellung und direkter Archivierung im QM-System nach Abschluss.

Kürzere Protokollierung, die Seite nimmt 20 bis 75 Minuten je Installation an, gemessen ist das nicht. Keine Abschreibfehler mehr, weil niemand mehr abschreibt, und Plausibilitätsprüfung bei der Eingabe. Sofortige Archivierung mit Zeitstempel und Techniker-Signatur.

Mobile Field Service AppQM-Integration

QM-Jahresberichte erfordern manuelle Datensammlung aus bis zu zwölf Pflicht-Input-Quellen, typisch 3 Wochen Aufwand für ein vollständiges Management Review nach ISO 13485.

LLM-gestützte Datenaggregation zieht strukturierte Daten aus eQMS, CAPA-Tracker, Audit-Berichten, Beschwerde-Datenbank und PMS zusammen und generiert per generativer KI einen strukturierten Berichtsentwurf nach ISO 13485 § 5.6.

Aufwand von 3 Wochen auf 2 Tage reduziert. Vollständigere Auswertung. Konsistentere Jahresberichte, und ein Entwurf, den die QM-Leiterin prüft und unterschreibt statt von Null zu schreiben.

eQMS-Reporting + generative KIManagement Information System

Manuelle Sichtprüfung in der Medizinprodukte-Fertigung ist langsam, fehleranfällig und skaliert nicht. Prüfer ermüden, Fehlerquoten schwanken schichtabhängig.

CNN-basierte Computer Vision analysiert jeden Artikel inline, erkennt Abweichungen anhand trainierter Deep-Learning-Modelle in Echtzeit und dokumentiert Prüfergebnisse automatisch in das QM-System.

Fehlerrate in der Ausgangskontrolle um 60–80 % reduziert. Prüfaufwand je Schicht um 2–4 Stunden gesenkt. Lückenlose Rückverfolgbarkeit nach ISO 13485.

Computer VisionInline-Qualitätsprüfung

PMCF gehört nach MDR zur klinischen Bewertung jedes Produkts, bei Klasse IIb und III ist sie fast immer mit eigener Datenerhebung verbunden. Die manuelle Datenaggregation aus klinischen Registern, PubMed und Vigilanzdaten kostet Clinical-Affairs-Teams Wochen bis Monate, und ein lückenhafter Bericht zieht Mängelrügen der Benannten Stelle nach sich.

Eine KI-gestützte Review-Pipeline übernimmt Treffer aus klinischen Datenbanken und Registern, priorisiert das Screening, schlägt Extraktionswerte nach vordefinierten PICO-Kriterien vor und erzeugt strukturierte Entwürfe für den PMCF-Evaluierungsbericht mit nachvollziehbarem Audit-Trail.

Die Seite nimmt an, dass sich die Erstellungszeit für den PMCF-Evaluierungsbericht von 6–10 Wochen auf 3–6 Wochen senken lässt, gemessen ist das nicht. Vollständigkeitslücken werden markiert. Die Beurteilung, ob die Evidenz reicht, bleibt beim Menschen.

Clinical Data ExtractionKI-gestützter Regulatory-Assistent

Hersteller von KI-basierten Medizinprodukten müssen neben MDR auch den EU AI Act erfüllen, zwei parallele Compliance-Frameworks mit teils überlappenden, teils widersprüchlichen Anforderungen und einem neuen Deadline-Horizont bis August 2028.

LLM-basierter KI-Assistent analysiert vorhandene MDR-Technische-Dokumentation mittels RAG-gestützter Dokumentensuche, identifiziert AI-Act-Lücken nach Annex IV und Artikel 9–17, erstellt Gap-Reports und generiert Dokumentationsvorlagen für die Konformitätsbewertung.

Gap-Analyse zwischen MDR und AI Act in 5–10 Werktagen statt 4–8 Wochen. Externe Beratungskosten je Produktlinie um 20.000–40.000 € reduziert, bei vorhandenem RA-Know-how intern lösbar.

Compliance Gap-AnalyseRegulatory KI-Assistent

Medizintechnik-Vertrieb verliert täglich Stunden mit dem manuellen Durchsuchen von Vergabeplattformen, relevante Ausschreibungen werden übersehen, Fristen verpasst.

NLP-gestützte KI-Pipeline überwacht Plattformen automatisch, gleicht Ausschreibungsprofile semantisch mit dem Produktportfolio ab, bewertet den Anforderungserfüllungsgrad und erstellt priorisierte Tages-Briefings für den Vertrieb.

Screening-Aufwand von 2–3 Stunden täglich auf 15–20 Minuten reduziert. Trefferquote bei relevanten Ausschreibungen erhöht. Kein Verpassen kritischer Fristen mehr.

Tender IntelligenceKI-gestütztes Ausschreibungsscreening

R&D-Teams verbringen in frühen Entwicklungsphasen Wochen mit Literatursichtung, um klinische Anforderungen und Benchmark-Werte für Design Inputs nach ISO 13485 / IEC 62366 zu belegen.

LLM-gestützte Pipeline mit NLP-Screening automatisiert das Abstract-Screening und die strukturierte Datenextraktion aus klinischen Studien, Leitlinien und Wettbewerbsanalysen, und erstellt belegte Anforderungsdokumente mit Quellennachweis.

Anforderungsanalyse in frühen Entwicklungsphasen um 30–50 % verkürzt. Bessere Quellenabdeckung für Design-Input-Review gegenüber rein manueller Recherche, bei gleichbleibendem Validierungsaufwand durch klinische Fachleute.

Research Synthesis KILLM-gestützte Anforderungsanalyse