Risikoanalyse nach ISO 14971 / IEC 62366 beschleunigen

Das echte Ausmaß des Problems

Eine vollständige Risikoanalyse nach ISO 14971 und IEC 62366 (für Usability-Aspekte) ist eine der dokumentenintensivsten Aktivitäten im Medizinprodukt-Lebenszyklus. Die Norm schreibt vor:

• Gefährdungs-Identifikation: Alle potenziellen Fehlerzustände des Geräts und Bedienfehler-Szenarien müssen dokumentiert sein
• Risikoeinschätzung: Für jede Gefährdungssituation sind Schweregrad und Wahrscheinlichkeit des Schadens zu schätzen
• Risikobewertung: Jedes Risiko wird gegen die Akzeptanzkriterien aus dem Risikomanagementplan bewertet. Eine Risikoprioritätszahl aus Schweregrad mal Häufigkeit ist eine FMEA-Konvention, ISO 14971 verlangt sie nicht
• Kontrollmaßnahmen: In der Rangfolge inhärent sichere Auslegung, Schutzmaßnahmen, Sicherheitsinformationen. Unter der MDR sind Risiken so weit wie möglich zu senken (Anhang I Abschnitte 2 und 4), nicht nur die nicht akzeptablen
• Verifikation: Für jede Kontrolle ist nachzuweisen, dass sie umgesetzt und wirksam ist, mit Testprotokollen und Ergebnissen

Der Aufwand ist erheblich. Ein mittelkomplexes Medizinprodukt, etwa ein bildgebendes Gerät, eine Infusionspumpe, eine Labor-Analyse-Station, kommt nach unserer Annahme auf 100–300 identifizierte Gefährdungen und 200–400 Arbeitsstunden für die reine Risikoanalyse-Dokumentation (ohne Tests und Validierungen), verteilt auf Engineering, QA und Regulatory. Eine Erhebung dazu haben wir nicht gefunden, dein eigenes Projektbuch ist die bessere Quelle.

Hinzu kommt: Notified Bodies prüfen Risikoanalysen mit hoher Sorgfalt. Typische Rückfragen: „Gefährdung XY fehlt, obwohl ähnliche Produkte diese Schwachstelle hatten.” Oder: „Die Kontrollmaßnahme ist nicht ausreichend dokumentiert, wir sehen nicht, wie sie das Risiko wirksam mindert.” Die Rückfragen kommen gebündelt, und jede zusätzliche Runde kostet Wochen.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Annahme dieser Seite, keine Messung. Eine Vergleichsstudie zu KI-gestützter Gefährdungsidentifikation in der Medizintechnik haben wir nicht gefunden. Die ROI-Rechnung unten arbeitet vorsichtiger mit 25 % der gesamten Analysezeit, rund 60 Stunden.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5)
Rund 60 Stunden pro Risikoanalyse, wenn die Annahme von 25 % hält, sind spürbar, aber im Medizintechnik-Kontext nicht spektakulär. Technische Dokumentation und PMS-Automatisierung sparen mehr absolute Zeit, weil sie Wochen-Projekte auf Tage zusammenziehen. Risikoanalyse-KI verkürzt Tage um Stunden, messbar, aber nicht transformativ. Das eigentliche Wert-Signal ist die Gefährdungs-Abdeckung, nicht die Zeit.

Kosteneinsparung, niedrig (2/5)
Die gesparten Engineering-Stunden werden nur Geld, wenn sie anderswo gebraucht werden, im Start-up meist für die Entwicklung selbst. Weniger Rückfragerunden bringen einen früheren Marktstart, und der zählt mit dem Deckungsbeitrag, nicht mit dem Umsatz. Der Prompt-basierte Weg ist billig und trägt sich schnell. Eine Plattform mit 2.000 bis 6.000 Euro laufenden Kosten im Monat trägt sich über die Stunden von drei Analysen im Jahr nie, die Rechnung steht unten.

Schnelle Umsetzung, schwierig (2/5)
Risikoanalyse-Systeme brauchen viel Fachwissen. Das KI-Modell muss auf Produktklasse, regulatorische Standards und die eigenen Prozesse angelernt werden. Eine Plug-and-Play-Lösung gibt es nicht. 14–20 Wochen bis zum Pilotbetrieb sind realistisch, davon 6–8 Wochen allein für Anpassung und Test. Das ist einer der längsten Einführungshorizonte unter den verglichenen Anwendungsfällen.

ROI-Sicherheit, mittel (3/5)
Die Stunden je Analyse sind messbar. Die Gefährdungs-Abdeckung und die Zahl der Rückfragen dagegen nicht belastbar: Bei drei Analysen im Jahr, jede für ein anderes Produkt, trennt kein Vergleich den Effekt der KI von Produktkomplexität und Prüfer. Dazu hängt der Nutzen stark von der Produktkomplexität ab, für einfache Geräte bleibt der KI-Hebel klein.

Skalierbarkeit, hoch (4/5)
Ein angelerntes Risikoanalyse-Modell skaliert gut auf weitere Produkte und Produktlinien. Ein Modell, das auf bildgebende Geräte trainiert ist, funktioniert für vergleichbare Geräte ohne Nachtraining. Aber: Ist das Portfolio sehr heterogen (etwa Infusionspumpen UND Imaging UND In-vitro-Diagnostik), braucht das Modell eine Anpassung, nicht von null, aber ein Tuning-Sprint ist fällig.

Richtwerte, abhängig von Produktkomplexität, Klasse und vorhandener Risikoanalyse-Historie.

Was ein Risikoanalyse-System konkret macht

Das System unterstützt drei Phasen des Risk-Management-Prozesses:

Phase 1: Gefährdungs-Ideation
Der Engineer lädt die Produktspezifikation hoch (Design-Input, Blockdiagramm, Schnittstellen-Doku). Das KI-System analysiert die Unterlagen und schlägt Gefährdungen vor, die aus ähnlichen Produkten oder aus ISO-14971-Katalogen bekannt sind. Beispiel: „Das Gerät hat eine Stromversorgung, typische Gefährdungen: Stromversorgungsausfall, Überspannung, thermischer Stress.” „Es hat Kalibrierung, Gefährdungen: manuelle Fehlkalibrierung, Drift über Zeit, Sensorverschlechterung.” Das Team validiert die Vorschläge, „Ja, relevant für uns” oder „Nein, nicht anwendbar”, und startet nicht mit einer leeren Liste.

Phase 2: Risikoeinschätzung und -bewertung
Für jede akzeptierte Gefährdungssituation müssen Schweregrad und Wahrscheinlichkeit geschätzt und gegen die Akzeptanzkriterien des Risikomanagementplans bewertet werden. Das verlangt Urteile: „Wie wahrscheinlich ist dieser Schaden?”, „Wie schwer wiegen die Folgen?” Das KI-System stellt strukturierte Fragen und überträgt die Antworten in die Risikomatrix eures Plans. Historische Daten aus ähnlichen Produkten dienen als Referenz, „Vergleichbare Gefährdung bei Gerät X-100: Schweregrad 3, Wahrscheinlichkeit 2.” Das beschleunigt die Bewertung.

Phase 3: Kontrollmaßnahmen und Dokumentation
Für jedes bewertete Risiko muss dokumentiert sein, wie es kontrolliert wird. Das kann eine Designänderung sein, ein Testprotokoll, ein Verfahrensschritt oder ein Warnhinweis. Das KI-System schlägt Kontrollmaßnahmen vor auf Basis von: (a) dem, was andere ähnliche Produkte getan haben, (b) ISO-14971-Best-Practices, (c) regulatorischen Leitlinien. Der Entwurf entsteht schneller, und die Nachverfolgbarkeit (Gefährdung → Kontrollmaßnahme → Test/Verifikation) wird direkt mitdokumentiert.

Ein konkretes Beispiel aus der Praxis

Ein Medizintechnik-Startup entwickelt eine neue Infusionspumpe mit Touchscreen-Bedienung. Der Engineer hat die Spezifikation hochgeladen. Die KI analysiert und schlägt vor:

• Gefährdung 1: Falsche Dosierungseinstellung durch Bedienoberfläche-Fehler
  Schweregrad (geschätzt): 4 (kann zu Über- oder Unterdosis führen)
  Wahrscheinlichkeit (aus Literatur): 2 (Oberflächenfehler treten gelegentlich auf)
  Bewertung nach dem Risikomanagementplan → Kontrollmaßnahmen erforderlich, unter der MDR ohnehin, solange sich das Risiko weiter senken lässt

Das System schlägt vor:

• Designmaßnahme: Bestätigungsschritt mit Anzeige von Dosis und Rate vor dem Start, Plausibilitätsgrenzen je Medikament
• Verifikation der Umsetzung: Software-Test, dass die Pumpe ohne Bestätigung nicht startet
• Nachweis der Wirksamkeit: summative Evaluation nach IEC 62366-1 mit repräsentativen Anwendern, Szenario Dosierungsänderung unter Zeitdruck. Die Stichprobe muss begründet sein, die FDA-Guidance nennt 15 je Nutzergruppe
• Nicht vorgeschlagen, aus gutem Grund: ein „Feldtest in der Klinik” vor der CE-Kennzeichnung. Das wäre in aller Regel eine genehmigungspflichtige klinische Prüfung nach Art. 62 ff. MDR, kein Testschritt der Risikoanalyse

Der Engineer muss die Kontrolle nur genehmigen oder anpassen, nicht von Grund auf erfinden. Er spart das Formulieren, nicht das Nachdenken.

Konkrete Werkzeuge, was wann passt

Für Risikoanalyse nach ISO 14971 gibt es drei Implementierungs-Wege:

Generische KI-Assistenten mit ISO-14971-Prompt
ChatGPT , Claude lassen sich mit einem strukturierten Prompt (siehe „Das kannst du heute noch tun”) als Gefährdungs-Brainstorm-Assistenten einsetzen. Für vertrauliche Spezifikationen im Business- oder Team-Tarif, beide ab zwei Plätzen zu je 25 US-Dollar im Monat. Vorteil: sofort verfügbar, geringe Kosten. Nachteil: keine Nachverfolgbarkeits-Matrix, keine Integration mit Design-Tools oder Test-Systemen, kein firmenspezifisches Wissen. Sinnvoll für: Kleine Start-ups mit 1–2 Risikoanalysen pro Jahr.

Spezialisierte QMS-Plattformen mit Risk-Modul
SimplerQMS hat laut unserer Toolseite ein Risk-Modul in der Full-Lizenz. Einen eigenen KI-Assistenten hat es nicht, KI kommt über Microsoft Copilot, separat lizenziert. Die Toolseite nennt 5–6 Wochen bis zum produktiven eQMS, mit KI-Anbindung und Risikoprozess rechne länger. Lizenz ab rund 17.500 US-Dollar im Jahr für bis zu 15 Nutzer, größere Pakete auf Anfrage. Sinnvoll für: Mittlere Teams (50–150 Mitarbeitende), die ohnehin ein eQMS brauchen.

Spezialisierte Risk-Management-Software für Medizinprodukte
Werkzeuge, die ISO 14971 abbilden und Gefährdungen mit Anforderungen und Tests verknüpfen, bringen Gefährdungskataloge mit und lassen sich teils per Schnittstelle um KI-Vorschläge erweitern. Achte bei der Auswahl darauf, dass das Werkzeug für Produktrisiken nach ISO 14971 gebaut ist, nicht für IT- oder Unternehmensrisiken. Näher am Ideal, aber auch teurer (40.000–80.000 € Einrichtung, Annahme). Sinnvoll für: Größere Unternehmen (200+ Mitarbeitende) mit komplexem Produktportfolio.

Eigenentwicklung mit Claude-API und ISO-14971-Wissensdatenbank
Für sehr spezielle Anforderungen, etwa Kombinationsprodukte oder In-vitro-Diagnostika, geht eine Eigenentwicklung oft schneller als das Anpassen fertiger Software. Claude-API für die semantische Gefährdungs-Analyse plus lokale ISO-Datenbank. Einrichtung: 50–80 Stunden, 5.000–12.000 €. Sinnvoll für: Nischen-Hersteller mit sehr speziellen Risikoprofilen.

Datenschutz und Datenhaltung

Risikoanalyse-Dossiers sind nicht öffentlich und fallen nicht automatisch unter die DSGVO, aber sobald sie Patientendaten enthalten (klinische Szenarien, Anwendungskontexte), schon. Wichtig:

• Spezifikationen sind Geschäftsgeheimnisse, sicherer Cloud-Speicher ist Pflicht, und ein privates Plus- oder Pro-Abo ist der falsche Ort dafür
• SimplerQMS hostet in der EU
• ChatGPT und Claude laufen laut unseren Toolseiten in den USA. AVV gibt es in Business, Team und API, keine EU-Residenz
• Empfehlung: Für Spezifikationen Azure in der EU-Region oder ein deutscher Anbieter

Was es kostet, realistisch gerechnet

Einrichtungs- und Laufkosten der Plattformen sind Annahmen dieser Seite.

ROI-Annahmen:

• 3 Risikoanalysen pro Jahr, im Schnitt 250 h Aufwand pro Analyse
• Zeiteinsparung: 25 %, rund 60 h pro Analyse
• Stundensatz Engineering: 90 €/h, also 60 mal 90 € = 5.400 € je Risikoanalyse, sofern die Stunden anderweitig genutzt werden
• Jährlicher Wert: 3 mal 5.400 € = 16.200 €

Mit Prompt-basiertem Setup: Break-Even nach 2–4 Monaten. Ein eQMS mit Risk-Modul und Basis-KI kostet laufend 12 mal 2.000 bis 3.500 € = 24.000 bis 42.000 € im Jahr, das spezialisierte Tool 42.000 bis 72.000 €. Beides liegt über den 16.200 € und rechnet sich über gesparte Stunden nie. Allein um die laufenden Kosten zu decken, bräuchte es rund 5 bis 8 beziehungsweise 8 bis 14 Analysen im Jahr, die Einrichtung noch nicht eingerechnet. Eine Plattform lohnt sich, wenn ihr sie als QMS ohnehin braucht, nicht wegen der KI-Ersparnis bei der Risikoanalyse.

Drei typische Einstiegsfehler

1. KI-Gefährdungen ohne Validierung durch Fachexperten übernehmen
Das KI-System schlägt 150 Gefährdungen vor. Der Engineer denkt: „Das sieht vollständig aus” und hakt alles ab. Vom Notified Body kommt zurück: „Gefährdung XY ist für diesen Produkttyp nicht relevant, sie überfrachtet die Analyse mit Rauschen.” Die KI hat keine Kontext-Intelligenz, sie schlägt alles vor, was in ähnlichen Produkten vorkam, auch wenn es hier nicht passt. Was hilft: Der Experte prüft jede vorgeschlagene Gefährdung einzeln und streicht, was nicht passt, mit Begründung. Bei 150 Vorschlägen ist das eher ein bis zwei Arbeitstage als eine Stunde, aber entscheidend.

2. Nachverfolgbarkeits-Matrix vergessen oder lückenhaft
Die Risikoanalyse ist fertig, Gefährdungen sind identifiziert, Kontrollen definiert. Aber: Welches Testprotokoll validiert welche Kontrolle? Nicht dokumentiert. Der Notified Body fragt nach: „Ich sehe Gefährdung XY und die Designänderung Z, aber wo ist der Test, der beweist, dass Z wirksam ist?” Ohne Matrix kommt die Antwort drei Wochen später. Mit Matrix stand sie schon in der Einreichung. Was hilft: Die KI muss die Matrix mitliefern, nicht nur Gefährdungs-Listen.

3. Bedienfehler-Analyse zu schwach
IEC 62366 verlangt eine strukturierte Usability-Analyse, nicht nur „Wie könnte der Sensor fehlschlagen?”, sondern „Wie könnte der Anwender das Gerät falsch bedienen?” Ein verbreiteter Fehler: Diese Bedienfehler-Szenarien bleiben zu generisch. KI hilft hier viel, über Szenarien aus Usability-Tests oder ähnlichen Produkten. Aber die Szenarien müssen danach in echten Usability-Tests validiert werden, nicht nur theoretisch. Was hilft: Den Validierungsaufwand von Anfang an einplanen, Teams unterschätzen ihn regelmäßig.

Was mit der Einführung wirklich passiert, und was nicht

Was passiert:

• Woche 1–3: Schulung des Teams auf die ISO-14971/IEC-62366-Struktur und das neue Tool
• Woche 4–8: Erste Risikoanalyse läuft, KI erzeugt die Gefährdungs-Liste, das Team validiert und entfernt, was nicht relevant ist. Wie viel das ist, hängt davon ab, wie eng der Prompt die Produktbeschreibung fasst
• Woche 9–12: Risikobewertung und Kontrollmaßnahmen, teilweise KI-gestützt, teilweise im Expertenurteil
• Woche 13–16: Dokumentation und Einreichung beim Notified Body
• Woche 17+: Rückkopplungsschleife und Feinkalibrierung für die nächsten Analysen

Was nicht passiert:

• Die KI ersetzt den Risk Manager nicht
• Usability-Tests werden nicht überflüssig, sie validieren die Bedienfehler-Szenarien
• Der Austausch mit dem Notified Body verkürzt sich, verschwindet aber nicht

Realistischer Zeitplan mit Risikohinweisen

Kritisches Risiko: Gefährdungs-Flut. Ein zu breit angesetztes KI-Modell kann 150–200 Gefährdungen vorschlagen, von denen nur ein Teil für das Produkt relevant ist. Die manuelle Reduktion kann länger dauern als erwartet. Gegenmaßnahme: eine Trainingsphase mit 2–3 Pilotanalysen durchlaufen und die Schwellwerte im Prompt oder Modell nach der zweiten Analyse anpassen.

Häufige Einwände, und was dahintersteckt

„Die KI versteht unsere Produktarchitektur nicht, das ist zu speziell”
Stimmt, das ist der größte begrenzende Faktor. Aber: Mit 20–30 Beispielen aus euren abgeschlossenen Risikoanalysen im Prompt oder in der Wissensbasis erkennt die KI die Standard-Gefährdungen eures Portfolios deutlich besser. Wie viel, hat niemand gemessen. Prüf es selbst: Lass die KI eine abgeschlossene Analyse nachbauen und zähle, was sie findet und was fehlt.

„Wir stimmen die Risikoanalyse ohnehin mit einem Notified Body ab, warum nicht gleich dort?”
Weil die Benannte Stelle die Risikoanalyse nicht mit dir erarbeiten darf. Anhang VII Abschnitt 1.2.3 MDR verbietet ihr Beratung zur Auslegung der Produkte, die sie bewertet. Sie bewertet, was du einreichst. Mit KI-Vorarbeit reichst du eine vollständigere Analyse ein, und jede vermiedene Rückfragerunde spart Wochen.

„Das lohnt sich doch nur, wenn wir 50+ Risikoanalysen pro Jahr machen”
Nein. Ab 3 Risikoanalysen pro Jahr ist Prompt-basierte KI bereits wirtschaftlich (Break-Even 2–4 Monate). Eine Plattform rechnet sich über die Risikoanalyse allein dagegen auch bei deutlich mehr Analysen nicht. Bei weniger als 3 pro Jahr reicht ein punktueller KI-Einsatz im Bedarfsfall.

Woran du merkst, dass das zu dir passt

✓ Ihr erstellt mindestens 2–3 Risikoanalysen pro Jahr
✓ Die Anforderungen an die Risikoanalyse sind stabil (ISO 14971, ggf. IEC 62366)
✓ Ihr habt ein dokumentiertes Produktportfolio, auf dem die KI lernen kann
✓ Die Rückmeldungen des Notified Body zur Risikoanalyse sind strukturiert (ihr erkennt die Muster)

✗ Ausschluss-Kriterium 1: Ihr entwickelt Klasse-III-Kombinationsprodukte mit hochgradig speziellen Anforderungen. Standard-KI-Modelle bleiben hier oft zu generisch.

✗ Ausschluss-Kriterium 2: Eure Risikoanalyse ist informell („auf Papier gesammelt”), dann braucht es zuerst ein formales Prozess-Gerüst.

✗ Ausschluss-Kriterium 3: Ihr habt ein komplexes, proprietäres Risiko-Framework, das ISO 14971 überlagert. KI funktioniert nur mit standardisierten Frameworks zuverlässig.

Das kannst du heute noch tun

1. Sammle 3 abgeschlossene Risikoanalysen aus deinem Unternehmen. Falls keine vorliegen: Risikoanalysen anderer Hersteller sind nicht öffentlich. Öffentlich sind die Kurzberichte über Sicherheit und klinische Leistung (Art. 32 MDR) für implantierbare und Klasse-III-Produkte, die Restrisiken und Warnhinweise zusammenfassen, und die Sicherheitsinformationen der Hersteller, die das BfArM veröffentlicht. Beides zeigt, welche Gefährdungen bei ähnlichen Produkten real aufgetreten sind.

2. Schreib einen kurzen Risk-Brainstorm-Prompt (siehe unten) und teste ihn mit einer neuen Produktidee, nicht mit einer bereits analysierten, um Verzerrungen zu vermeiden. Die Spezifikation ist Geschäftsgeheimnis, also Business- oder Team-Tarif, nicht das private Abo.

3. Miss die Zeit: Wie lange dauert die manuelle Gefährdungs-Ideation im Vergleich zur KI-gestützten? Notiere auch die Qualität der Liste (Vollständigkeit, Relevanz).

Quellen & Methodik

• MDR Anhang I Abschnitte 2 und 4, Art. 32, Art. 62, Anhang VII Abschnitt 1.2.3: Verordnung (EU) 2017/745, konsolidierte Fassung vom 19.07.2026 (eur-lex.europa.eu, abgerufen am 19.09.2026): Risikominimierung so weit wie möglich und Rangfolge der Maßnahmen, Kurzbericht über Sicherheit und klinische Leistung, klinische Prüfungen, Beratungsverbot für Benannte Stellen.
• Zeitaufwand, Zahl der Gefährdungen, Zeitersparnis, Plattformkosten: Annahmen dieser Seite, keine Messung
• ISO 14971:2019, Risk Management for Medical Devices, Überblick und praktische Hinweise
• IEC 62366-1, Usability Engineering für Medizinprodukte, offizielle VDE-Beratung, April 2026
• Failure Mode and Effects Analysis (FMEA) for Medical Devices, praktischer FMEA-Rahmen
• How Risk Management and Usability Engineering work together, Hinweise zur Verzahnung