Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) bezeichnet die Fähigkeit von Computersystemen, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern, wie beispielsweise Lernen, Mustererkennung, Bildinterpretation, Sprachverständnis und Entscheidungsfindung. Im Gesundheitswesen analysieren KI-Systeme große Datenmengen, um klinische Aufgaben wie Diagnose, Risikovorhersage und Behandlungsplanung zu unterstützen.

KI stützt sich im Wesentlichen auf drei Kernansätze:

Maschinelles Lernen (ML): Eine Form der KI, bei der Systeme aus Daten lernen, um Muster zu erkennen und Prognosen zu treffen, ohne für jede Aufgabe explizit programmiert zu sein. Je mehr Daten ein Modell trainiert, desto genauer wird es in der Regel.

Deep Learning (DL): Eine fortgeschrittenere Form des maschinellen Lernens, die mehrschichtige neuronale Netze (frei nach dem Vorbild des menschlichen Gehirns) nutzt, um komplexe Daten wie medizinische Bilder, klinische Notizen oder genetische Informationen zu verarbeiten.

Natürlichsprachliche Systeme (NLP): Eine Form der KI, die es Computern erlaubt, menschliche Sprache zu verstehen, zu interpretieren und zu erzeugen.

Der Aufstieg der KI im Gesundheitswesen

Künstliche Intelligenz (KI) wird zunehmend in Gesundheitssysteme in ganz Europa integriert und unterstützt die Diagnose, die klinische Entscheidungsfindung, die Behandlungsplanung und die Vorhersage von Patientenrisiken. In den letzten Jahren hat die Einführung von Deep-Learning-Algorithmen in Bereichen wie Computer Vision und Natürlichsprachlichen Systemen die Computeranwendungen in der Radiologie, Pathologie, Kardiologie, Diabetologie, Psychiatrie, Onkologie und vielen anderen Fachgebieten revolutioniert (Esteva et al., 2019; Koteluk et al., 2021; Rajpurkar et al., 2022; Gou et al., 2024).

Die Weltgesundheitsorganisation (WHO) listet die folgenden Anwendungsbereiche von KI-Systemen im Healthcare-Bereich auf: Diagnose und prädiktive Diagnose, klinische Versorgung, Forschung und Arzneimittelentwicklung, Management und Planung von Gesundheitssystemen, Überwachung der öffentlichen Gesundheit, Gesundheitsförderung, Krankheitsprävention, Notfallvorsorge und Reaktion auf Ausbrüche (World Health Organization, 2021).

Der Forschung zufolge hat die KI verschiedene Bereiche revolutioniert und ihnen zahlreiche Vorteile gebracht, darunter die wissenschaftliche Forschung, die moderne Wirtschaft und Industrie, das Bildungswesen sowie das Gesundheitswesen.  Insbesondere im Gesundheitswesen werden mittlerweile automatisierte Tools und Modelle in der Krankheitsdiagnostik eingesetzt, und es wird erwartet, dass der Einsatz von KI in diesem Bereich in naher Zukunft zunehmen und den Sektor weiter revolutionieren wird (Alowais et al., 2023).

Beispiele aus der Praxis

Herz-Kreislauf-Erkrankungen:

• EKG-Analyse – KI-gestützte Erkennung von Herzrhythmusstörungen und Herzanomalien

• Vorhersage kardiovaskulärer Risiken – KI-Modelle zur Abschätzung des individuellen Patientenrisikos auf der Grundlage klinischer Daten

• Klinische Entscheidungsunterstützung – Unterstützung bei Diagnose, Behandlungsplanung und Überweisungsentscheidungen

Beispiel: Cardiologs AI-assisted ECG analysis - Die CE-zertifizierte Cardiologs AI engine nutzt Deep-Neural-Network-Technologie (DNN), um Gesundheits- und Dienstleistungsanbietern zu helfen, Patienten effizienter zu diagnostizieren und sie von redundanten EKG-Analyseaufgaben zu entlasten.  (https://www.usa.philips.com/healthcare/technology/ai-cardiology-solutions).

Diabetes:

• Screening auf diabetische Retinopathie – KI-Analyse von Netzhautbildern zur Früherkennung

• Continuous Glucose Monitoring (CGM) -KI-gestützte Glukosevorhersage und personalisiertes Management

Beispiel: IDx-DR / Digital Diabetic Retinopathy Screening - CE-gekennzeichnete, KI-basierte Software, die für den Einsatz durch Augenärzte in der klinischen Praxis vorgesehen ist und anhand von Netzhautbildern im Rahmen der routinemäßigen augenärztlichen Praxis Anzeichen einer diabetischen Retinopathie in sehr frühen Stadien der Erkrankung erkennen und diagnostizieren kann. (https://www.healthvisors.com/en/idx-dr/)

Depression:

• NLP-basierte screening tools - Analyse schriftlicher oder gesprochener Sprache auf Anzeichen einer Depression

• Sprachbasierte Erkennung – Identifizierung von Depressionsmarkern in Stimmmustern während klinischer Gespräche

• Digitale Therapie-Begleiter – KI-Tools, die Patienten zwischen den Therapiesitzungen unterstützen

Beispiel: Limbic Access - ein KI-Assistent für die patientenorientierte Überweisung im Gespräch und zur Unterstützung klinischer Entscheidungen in der Verhaltensmedizin. Er nutzt ein probabilistisches KI-Modell, das einen vollständigen klinischen Bericht für den Behandler erstellt und Probleme, Risikostufen, klinische Notizen sowie Bewertungsergebnisse darstellt  (https://limbic.ai/access)

Einsatz von KI im europäischen Gesundheitswesenin 

Künstliche Intelligenz (KI) wird zunehmend in Gesundheitssysteme in ganz Europa integriert und unterstützt Diagnose, klinische Entscheidungsfindung, Behandlungsplanung und die Vorhersage von Patientenrisiken. Diese Technologien bieten erhebliche Möglichkeiten zur Verbesserung der Effizienz und der Ergebnisse im Gesundheitswesen. 

Laut einem neuen WHO-Bericht, der den sich rasch entwickelnden Einsatz von KI im Gesundheitswesen in den 27 Mitgliedstaaten der Europäischen Union bewertet, nutzen bereits fast drei Viertel der EU-Länder KI-gestützte Diagnostik, einschließlich Tools zur Unterstützung der medizinischen Bildgebung, der Erkennung von Krankheiten und der klinischen Entscheidungsfindung. Während 74 % der EU-Länder angeben, KI in der Diagnostik einzusetzen, und 63 % Chatbots zur Förderung der Patientenbeteiligung nutzen, hat fast die Hälfte der EU-Mitgliedstaaten bereits spezielle berufliche Funktionen für KI und Datenwissenschaft im Gesundheitswesen geschaffen, wobei mehrere Länder Pläne zur Einführung oder zum Ausbau von KI-Ausbildungsprogrammen in naher Zukunft angekündigt haben(World Health Organization, 2026). 

Auf der Grundlage von Daten, die zwischen Juni 2024 und März 2025 erhoben wurden, zeigt der Bericht ein Bild, in dem die Gesundheitssysteme in der gesamten Region aktiv die Grundlagen schaffen, die erforderlich sind, um diese Technologien sicher, gerecht und verantwortungsvoll zu nutzen  (World Health Organization, 2026).

KI-Anwendungen im AEQUITAS-Fokus

Der Fokus des AEQUITAS-Projekts liegt auf drei zentralen Krankheitsbereichen: Herz-Kreislauf-Erkrankungen, Depressionen und Diabetes, aufgrund ihrer hohen Prävalenz, ihrer gesellschaftlichen Auswirkungen und der dokumentierten Ungleichheiten bei Patienten mit unterschiedlichen genderlichen und ethnischen Merkmalen.

In der kardiovaskulären Versorgung unterstützt KI die klinische Entscheidungsfindung, Telemedizin, Risikobewertung, personalisierte Therapie, prädiktive Analytik und Fernüberwachung (Bernstein et al., 2025; Naskar et al., 2025). Im Bereich Diabetes verbessern KI-Tools die Patientenüberwachung und das Selbstmanagement, aber auch die Diagnose, Behandlung und Prävention (Contreras & Vehi, 2018; Khalifa & Albadawy, 2024; Naskar et al., 2025; Sheng et al., 2024). Im Bereich der Depressionen wird KI bei der Früherkennung, Diagnose und Behandlung eingesetzt, wobei ein besonderer Fokus auf der Erkennung mithilfe von Large Language Models (LLMs) liegt (Cao et al., 2025; Kumari et al., 2025; Mao et al., 2023; Wang et al., 2025).

Die Risiken: Bias und Diskriminierung in der KI

Trotz ihrer vielen Vorteile ist KI nicht ohne Risiken. Untersuchungen haben gezeigt, dass KI-Anwendungen zu Fehlinterpretationen sowie zur Förderung von Bias und Diskriminierung führen können (Varona & Suarez, 2022).

KI-Modelle identifizieren statistische Muster in großen Datensätzen und nutzen diese Muster, um Ergebnisse zu generieren, wie beispielsweise einen Diagnosevorschlag, einen Risikowert oder eine Behandlungsempfehlung. Dazu muss ein Modell zunächst „trainiert“ werden (unter Verwendung von vorhandenem Material wie Fotos, Daten, Videos, Sprachaufnahmen oder sogar Text) und seine internen Parameter schrittweise anpassen, um seine Vorhersagen zu verbessern.

Die Qualität und Repräsentativität der Trainingsdaten ist daher von grundlegender Bedeutung. Sind die zum Trainieren einer KI verwendeten Daten bereits von Bias befallen (wenn sie beispielsweise überwiegend Datensätze von männlichen Patienten oder einer bestimmten ethnischen Gruppe enthalten), wird das Modell voreingenommene Ergebnisse liefern, da es nur mit den ihm zur Verfügung gestellten Informationen arbeiten kann. Im Wesentlichen wird es für die in den Daten gut vertretenen Gruppen gute Ergebnisse liefern, für die nicht vertretenen Gruppen jedoch schlechte, was zu Diskriminierung führt. In vielen dokumentierten Fällen wurden KI-Tools auf Datensätzen mit Bias trainiert, was zu Ergebnissen führte, die bestehende Ungleichheiten eher verstärken als verringern.

Im Gesundheitswesen wurden Daten von Patienten mit Herz-Kreislauf-Erkrankungen, Depressionen und Diabetes als mit Bias gemeldet (Cirillo et al., 2020). Diese Bias stellen ein intersektionales Problem dar (d. h. sie überschneiden sich und verbinden sich über mehrere Identitätsdimensionen hinweg), da sie nicht nur Männer und Frauen betreffen, sondern auch bei verschiedenen Rassen/Ethnien auftreten.

Grundrechte auf dem Spiel

Diese Bias und Diskriminierungen beeinträchtigen die Grundrechte, die durch die Charta der Grundrechte der Europäischen Union (2009) gefördert und geschützt werden, insbesondere:

1. Artikel 21 (Nichtdiskriminierung)  - „Diskriminierungen, insbesondere wegen des Geschlechts, der Rasse, der Hautfarbe, der ethnischen oder sozialen Herkunft, der genetischen Merkmale, der Sprache, der Religion oder der Weltanschauung, der politischen oder sonstigen Anschauung, der Zugehörigkeit zu einer nationalen Minderheit, des Vermögens, der Geburt, einer Behinderung, des Alters oder der sexuellen Ausrichtung, sind verboten.“ 

Anmerkung: Es sei darauf hingewiesen, dass sich der Begriff „Geschlecht“ in Artikel 21 nicht auf strikt biologische Binärkategorien beschränkt, sondern als grundlegender Schutz für die Gleichstellung dient und genderspezifische Diskriminierung sowie die Gendersidentität im EU-Recht umfasst. Obwohl historisch in einem binären (männlich/weiblich) Verständnis verstanden, hat sich das EU-Recht zu einer inklusiveren Auslegung entwickelt. Die Europäische Kommission und der Gerichtshof der Europäischen Union (EuGH) legen den Begriff „Geschlecht“ so aus, dass er auch Diskriminierung aufgrund einer Gendersangleichung umfasst.

2. Artikel 23 (Gleichheit von Männern und Frauen)  – „Die Gleichheit von Frauen und Männern ist in allen Bereichen, einschließlich der Beschäftigung, der Arbeit und des Arbeitsentgelts, sicherzustellen.“

Anmerkung: Artikel 23 der Charta bezieht sich ausdrücklich auf die Gleichstellung in Beschäftigung, Arbeit und Entlohnung. Im Kontext dieses Trainings umfasst das Prinzip der Gleichstellung von Männern und Frauen jedoch den gleichberechtigten Zugang zur Gesundheitsversorgung, die gleiche Qualität von Diagnose und Behandlung sowie das Fehlen genderspezifischer Diskriminierung bei KI-gestützten klinischen Tools. 

3. 3. Artikel 35 (Gesundheitsschutz) - „Jeder Mensch hat das Recht auf Zugang zur Gesundheitsvorsorge und auf ärztliche Versorgung nach Maßgabe der einzelstaatlichen Rechtsvorschriften und Gepflogenheiten. Bei der Festlegung und Durchführung der Politik und Maßnahmen der Union in allen Bereichen wird ein hohes Gesundheitsschutzniveau sichergestellt“

Weiter: Modul 2

Literaturverzeichnis

Alowais, S.A., Alghamdi, S.S., Alsuhebany, N. et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ 23, 689 (2023). https://doi.org/10.1186/s12909-023-04698-z

Bernstein, B. S., Streather, S., & O’Gallagher, K. (2025). The Emerging Role of Artificial Intelligence in Heart Failure. Future Cardiology, 21(10), 795–801.

Cao, Y., Dai, J., Wang, Z., Zhang, Y., Shen, X., Liu, Y., & Tian, Y. (2025). Machine Learning Approaches for Depression Detection on Social Media: A Systematic Review of Biases and Methodological Challenges. Journal of Behavioral Data Science, 5(1), 67–102. https://doi.org/10.35566/jbds/caoyc

Cirillo, D., Catuara-Solarz, S., Morey, C., Guney, E., Subirats, L., Mellino, S., Gigante, A.A., Valencia, A., Rementeria, M.J., Chadha, A.S., & Mavridis, N. (2020). Sex and gender differences and biases in artificial intelligence for biomedicine and healthcare. npj Digit. Med. 3(81). https://doi.org/10.1038/s41746-020-0288-5

Contreras, I., & Vehi, J. (2018). Artificial Intelligence for Diabetes Management and Decision Support: Literature Review. Journal of Medical Internet Research, 20(5), e10775. https://doi.org/10.2196/10775

Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., Cui, C., Corrado, G., Thrun, S., & Dean, J. (2019). A guide to deep learning in healthcare

European Union, Charter of Fundamental Rights of the European Union, 2012/C 326/02, Strasbourg: EU. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:12012P/TXT

Gou, F., Liu, J., Xiao, C., & Wu, J. (2024). Research on Artificial-Intelligence-Assisted Medicine: A Survey on Medical Artificial Intelligence. Diagnostics, 14(14), 1472. https://doi.org/10.3390/diagnostics14141472

Khalifa, M., & Albadawy, M. (2024). Artificial intelligence for diabetes: Enhancing prevention, diagnosis, and effective management. Computer Methods and Programs in Biomedicine Update, 5, 100141. https://doi.org/10.1016/j.cmpbup.2024.100141

Koteluk, O., Wartecki, A., Mazurek, S., Kołodziejczak, I., & Mackiewicz, A. (2021). How Do Machines Learn? Artificial Intelligence as a New Era in Medicine. Journal of Personalized Medicine, 11(1), Article 1. https://doi.org/10.3390/jpm11010032

Kumari, M., Singh, G., & Pande, S. D. (2025). A Survey of Current Progress in Depression Detection Using Deep Learning and Machine Learning. Biomedical Materials & Devices. https://doi.org/10.1007/s44174-025-00301-9

Mao, K., Wu, Y., & Chen, J. (2023). A systematic review on automated clinical depression diagnosis. Npj Mental Health Research, 2(1), 20. https://doi.org/10.1038/s44184-023-00040-z

Naskar, S., Sharma, S., Kuotsu, K., Halder, S., Pal, G., Saha, S., Mondal, S., Biswas, U. K., Jana, M., & Bhattacharjee, S. (2025). The biomedical applications of artificial intelligence: An overview of decades of research. Journal of Drug Targeting, 33(5), 717–748. https://doi.org/10.1080/1061186X.2024.2448711

Rajpurkar, P., Chen, E., Banerjee, O., & Topol, E. J. (2022). AI in health and medicine. Nature Medicine, 28(1), Article 1. https://doi.org/10.1038/s41591-021-01614-0

Sheng, B., Pushpanathan, K., Guan, Z., Lim, Q. H., Lim, Z. W., Yew, S. M. E., Goh, J. H. L., Bee, Y. M., Sabanayagam, C., Sevdalis, N., Lim, C. C., Lim, C. T., Shaw, J., Jia, W., Ekinci, E. I., Simó, R., Lim, L.-L., Li, H., & Tham, Y.-C. (2024). Artificial intelligence for diabetes care: Current and future prospects. The Lancet Diabetes & Endocrinology, 12(8), 569–595. https://doi.org/10.1016/S2213-8587(24)00154-2

Varona, D., & Suárez, J. L. (2022). Discrimination, Bias, Fairness, and Trustworthy AI. Applied Sciences, 12(12), 5826. https://doi.org/10.3390/app12125826

Wang, L., Wang, C., Li, C., Murai, T., Bai, Y., Song, Z., Zhang, S., Zhang, Q., Huang, Y., Bi, X., & Jiang, J. (2025). AI-assisted multi-modal information for the screening of depression: A systematic review and meta-analysis. Npj Digital Medicine, 8(1), 523. https://doi.org/10.1038/s41746-025-01933-3

World Health Organization. 2021. “Ethics and governance of artificial intelligence for health: WHO guidance.” World Health Organization.

World Health Organization. 2026. “Artificial intelligence is reshaping health systems: state of readiness across the European Union.” World Health Organization.