Multimodale KI-Modelle, die Text, Bild, Audio und strukturierte Daten gleichzeitig verarbeiten können, eröffnen der Medizin völlig neue Möglichkeiten. Von der Befundung radiologischer Bilder über die Analyse pathologischer Schnitte bis zur Integration von Laborwerten und Patientenhistorien – die Kombination verschiedener Datenmodalitäten verspricht eine diagnostische Präzision, die einzelne Datenquellen nicht erreichen können. Doch zwischen Benchmark-Ergebnissen und klinischem Alltag klafft eine erhebliche Lücke, die vor allem drei Ursachen hat.
KI-Halluzinationen in der Medizin: ein Sonderproblem
Was in einem Chatbot als peinlicher Fehler durchgeht, kann in der Medizin lebensbedrohlich sein. KI-Halluzinationen – also plausibel klingende, aber faktisch falsche Aussagen – stellen in der medizinischen Anwendung ein Sonderproblem dar. Ein Modell, das mit hoher Konfidenz eine falsche Diagnose vorschlägt, kann den klinischen Entscheidungsprozess in eine gefährliche Richtung lenken, besonders wenn die behandelnde Fachkraft unter Zeitdruck steht. Die Herausforderung liegt darin, dass Halluzinationen nicht systematisch auftreten, sondern in schwer vorhersagbaren Kontexten. Kalibriertheit – also die Übereinstimmung zwischen ausgedrückter Konfidenz und tatsächlicher Richtigkeit – wird damit zur kritischsten Eigenschaft medizinischer KI-Systeme.
FHIR-Architektur als Voraussetzung
Multimodale KI benötigt Zugang zu strukturierten und unstrukturierten Daten aus verschiedenen klinischen Systemen. Ohne eine interoperable Datenarchitektur bleiben die Modelle auf isolierte Datenbestände beschränkt und können ihr multimodales Potenzial nicht entfalten. FHIR-basierte Architekturen bieten die technische Grundlage, um Patientendaten aus Labor, Bildgebung, Dokumentation und Monitoring in standardisierten Formaten bereitzustellen. Die Realität in deutschen Kliniken sieht jedoch anders aus: Fragmentierte Systemlandschaften, proprietäre Schnittstellen und fehlende Terminologiestandards verhindern den Datenfluss, den multimodale KI voraussetzt. Ohne Lösung dieses Infrastrukturproblems bleibt medizinische KI auf Inselprojekte beschränkt.
Governance als größter Engpass
Die technischen Herausforderungen – Halluzinationen und Datenintegration – sind prinzipiell lösbar. Der hartnäckigste Engpass liegt in der Governance. Wer trägt die Verantwortung, wenn ein KI-System eine fehlerhafte Empfehlung gibt? Welche Validierungsstandards müssen multimodale Systeme erfüllen, die sich von klassischen Medizinprodukten fundamental unterscheiden? Wie wird die fortlaufende Leistungsfähigkeit eines Modells überwacht, das sich mit neuen Daten verändern kann? Die bestehenden regulatorischen Rahmenwerke – MDR in Europa, FDA-Guidance in den USA – wurden für statische Produkte konzipiert und passen nur bedingt auf adaptive KI-Systeme. Solange diese Governance-Lücke nicht geschlossen wird, bleibt der breite klinische Einsatz multimodaler KI ein Versprechen für die Zukunft.