AI-MDT-Plattform revolutioniert multidisziplinäre Lungenkrebs-Diagnostik: Was Kliniken und IT-Anbieter jetzt wissen müssen

Eine neue AI-MDT-Plattform für Lungenkrebs bringt künstliche Intelligenz direkt in den Herzschlag der onkologischen Versorgung: das multidisziplinäre Tumorboard. Die Lösung wurde in einem großen tertiären Krankenhaus eingeführt und anhand von fast 900 Konsultationen systematisch ausgewertet. Sie automatisiert die Datensammlung, unterstützt die Befundung von Bildgebung und bündelt Leitlinienwissen, um strukturierte Empfehlungen für das MDT zu erzeugen.

Für Entscheider in Krankenhäusern, IT-Abteilungen, Krankenkassen und bei Softwareanbietern ist diese Entwicklung mehr als ein weiteres KI-Pilotprojekt. Sie markiert einen Richtungswechsel: weg von reiner Dokumentation hin zu KI-augmentierten, standardisierten Entscheidungsprozessen in der Onkologie.

Kontext: Was wurde veröffentlicht und wer steckt dahinter?

Ursprung in der Lungenkrebs-MDT-Versorgung

Die nun veröffentlichte Arbeit beschreibt eine AI-MDT (Artificial Intelligence – Multidisciplinary Team) Plattform, die speziell für die Diagnostik und Therapieplanung bei Lungenkrebs entwickelt wurde. Kernziele:

• Standardisierung und Beschleunigung von Tumorboard-Prozessen (von der Falldatenaufbereitung bis zum strukturierten Abschlussbericht)

• Integration von multimodalen Daten: Radiologie (CT, ggf. PET/CT), Pathologie, klinische Anamnese, Labor, Genetik

• Evidenzbasierte Entscheidungshilfe durch Verknüpfung mit nationalen und internationalen Leitlinien

• Nachvollziehbare, dokumentierte Empfehlungen inklusive Quellenangaben und Wissensgraph

Die Plattform wurde in einem großen tertiären Krankenhaus (China) eingeführt und dort im Rahmen einer realen Lungenkrebs-MDT-Ambulanz über ein Jahr mit einer historischen Kontrollkohorte verglichen.

Technische Grundarchitektur

Die Lösung folgt einem mehrschichtigen Ansatz, der für IT- und Digitalverantwortliche wichtig ist:

• Daten-Governance-Schicht: Big-Data-Architektur (Hadoop, verteilte Storage-Systeme) zum Einsammeln, Bereinigen und Harmonisieren von Daten aus KIS, PACS, LIS, Pathologie- und Genetiksystemen.

• Multimodale Modellierungs- und Wissensschicht:

- NLP-Modelle zur Extraktion strukturierter Informationen aus Freitext (Befunde, Arztbriefe)

- Deep-Learning-Modelle (Computer Vision) für Läsionsdetektion und -charakterisierung

- Wissensbasis mit Leitlinien, Studien und Evidenz, organisiert in Form eines medizinischen Wissensgraphen.

• AI-Diagnostik- und Decision-Support-Schicht:

- Risiko-Stratifizierung von Lungenknoten

- cTNM-Staging

- Erzeugung individualisierter Therapie- und Follow-up-Empfehlungen mit eindeutigen Evidenzverweisen.

• MDT-Anwendungsschicht (Web-Interface):

- Fallübersicht, strukturierte Patientenzusammenfassung

- Konferenzansicht für das Tumorboard

- Ein-Klick-Generierung eines strukturierten Abschlussberichts.

Besonders relevant für europäische Häuser: Das Modell wird lokal betrieben (on-premise), mit besonderem Fokus auf Datenschutz, Zugriffsrechte und Protokollierung.

Was ist wirklich neu – und warum ist es relevant?

1. Vollständige Abbildung des MDT-Prozesses

Viele bisherige KI-Anwendungen im Lungenkrebs fokussieren auf einzelne Teilaufgaben, etwa Nodule Detection oder Malignitätsvorhersage. Die AI-MDT-Plattform geht einen Schritt weiter:

• Automatisierte Vorbereitung der Fallunterlagen

• AI-unterstützte Diagnostik (Bildanalyse, Stadieneinteilung)

• Evidenzgestützte Therapieempfehlung im Kontext der individuellen Patientendaten

• Nachvollziehbare Dokumentation der finalen interdisziplinären Entscheidung

Damit wird nicht nur eine Subaufgabe unterstützt, sondern der gesamte Entscheidungsprozess im Tumorboard als digitaler Workflow abgebildet.

2. Geschlossener Qualitäts- und Lernkreislauf

Die Plattform implementiert einen expliziten Feedback-Loop:

1. AI generiert Vorschläge (Diagnose, Stadien, Therapiepfade, Follow-up).

2. MDT-Expert:innen diskutieren, modifizieren oder verwerfen diese Vorschläge.

3. Abweichungen werden dokumentiert und analysiert (z. B. unvollständige Daten, unklare Leitlinienlage).

4. Die Wissensbasis und Modelle werden gezielt angepasst.

Damit entsteht ein kontinuierlicher Lernprozess auf Basis realer MDT-Entscheidungen, nicht nur auf Forschungsdaten. Für Häuser, die Value-Based Healthcare und Qualitätsindikatoren etablieren wollen, ist das ein zentraler Baustein.

3. Messbare Effekte auf Dauer und Effizienz von Konsultationen

In der Studie wurden zwei Zeiträume verglichen:

• Klassisches MDT ohne AI-MDT-Plattform

• MDT nach Einführung der AI-MDT-Plattform

Die Auswertung zeigt:

• Deutlich kürzere durchschnittliche Konsultationsdauer pro Patient (weniger Zeit pro Fall im Tumorboard)

• Höhere Fallzahlen pro Sitzung (mehr Patienten in gleicher Zeit)

Damit verschiebt sich KI in der Onkologie von der reinen „Genauigkeitsdiskussion“ (Sensitivität, Spezifität) hin zu operativ relevanten Kennzahlen wie Durchsatz, Ressourcenauslastung und Wartezeiten.

4. Sicherheit, Datenschutz und Nachvollziehbarkeit im Fokus

Die Plattform adressiert explizit zentrale Bedenken vieler europäischer Einrichtungen:

• Lokale Modell- und Wissensbasis ohne externe Cloud-Abhängigkeit

• Stringente Anonymisierungs- und Pseudonymisierungsmethoden (Maskierung, Verschlüsselung, dynamische Datenmaskierung)

• Zugriffssteuerung nach Minimalprinzip (rollen- und fallbasiert)

• Umsetzung von anerkannten Sicherheitsstandards (u. a. ISO 27001)

Für Entscheider ist das wichtig: Die technische Umsetzung zeigt, dass leistungsfähige KI-Entscheidungsunterstützung auch unter strengen Datenschutz- und Sicherheitsanforderungen möglich ist.

Detaillierte Analyse: Auswirkungen, Risiken und Chancen

Auswirkungen auf den klinischen Workflow

1. Vorbereitung des Tumorboards

- Früher: Manuelle Sammlung von CT-/PET-Bildern, Laborwerten, Pathologie- und Genetikberichten, Anamnese – oft fragmentiert über KIS, PACS, E-Mail und lokale Laufwerke.

- Jetzt: Die Plattform sammelt diese Daten automatisiert, bereinigt sie und präsentiert eine strukturierte Falldarstellung mit Schlüsselparametern (Risikofaktoren, Noduleigenschaften, Vorbehandlungen, Komorbiditäten).

- Ergebnis: Deutliche Reduktion der nicht-wertschöpfenden Vorbereitungstätigkeiten durch Ärzt:innen und Assistenzpersonal.

1. Bildbasierte Risikostratifizierung

- AI führt eine vollautomatische Lungensegmentierung durch, identifiziert Noduli, klassifiziert sie in Risiko-Kategorien (hoch, mittel, niedrig) und stellt Größe, Lage, Dichte und Verlauf visuell dar.

- Für Radiologie und Pneumologie bedeutet das:

- Fokussierung auf die entscheidenden Läsionen

- Bessere Nachvollziehbarkeit für nicht-radiologische MDT-Mitglieder durch 3D-Visualisierungen.

1. Therapieentscheidungen und Leitlinienbindung

- Auf Basis der final bestätigten Diagnose und des Stadiums schlägt die Plattform Therapieoptionen vor (z. B. OP, Radiochemotherapie, Systemtherapie, Surveillance) und verknüpft diese mit konkreten Leitlinienzitaten.

- Das MDT trifft weiterhin die finale Entscheidung, kann aber transparent sehen, wo Leitlinienempfehlungen und realer Entscheidungsweg divergieren.

1. Dokumentation und Nachsorgeplanung

- Ein strukturierter Abschlussbericht wird weitgehend automatisiert erzeugt, inklusive Follow-up-Plan (Kontroll-CT, Funktionsdiagnostik, onkologische Nachsorge).

- Das erleichtert Qualitätsmessung, Auditierbarkeit und Kommunikation mit Überweiser:innen.

Risiken und Herausforderungen

1. Übervertrauen in KI-Empfehlungen

- Je besser die Vorschläge im Alltag erscheinen, desto größer die Gefahr, dass MDT-Mitglieder diese unkritisch übernehmen.

- Notwendig sind klare Governance-Regeln: KI als Vorschlags- und nicht als Entscheidungsinstanz; Dokumentationspflicht bei bewusster Abweichung.

1. Datenqualität und Interoperabilität

- Die Plattform ist nur so gut wie die Daten aus KIS, PACS, Labor und Pathologie.

- Unvollständige oder inkonsistente Daten führen zu suboptimalen Empfehlungen, was eine systematische Datenqualitäts- und Schnittstellenstrategie erforderlich macht (FHIR, DICOM, terminologische Standards).

1. Regulatorische Einordnung

- In Europa und insbesondere Deutschland bewegen sich solche Systeme im Spannungsfeld von Medizinprodukteverordnung (MDR), Datenschutzrecht (DSGVO) und berufsrechtlicher Verantwortung.

- Kliniken und Hersteller müssen frühzeitig klären, ob die Lösung als Clinical Decision Support mit klarer menschlicher Letztverantwortung implementiert wird – oder ob eine Zulassung als Hochrisiko-KI bzw. Medizinprodukt erforderlich ist.

1. Change Management im MDT

- Tumorboards haben oft eingespielte, stark ärztlich geprägte Routinen.

- Die Einführung eines AI-MDT-Systems bedeutet eine Veränderung von Rollenbildern (z. B. mehr Verantwortung bei Daten- und Prozessmanager:innen) und erfordert Schulung und Akzeptanzmanagement.

Chancen für verschiedene Akteure

• Krankenhäuser / Onkologische Zentren:

- Bessere Auslastung von Expert:innen

- Potenziell kürzere Wartezeiten auf MDT-Entscheidungen

- Grundlage für Zertifizierungen und Qualitätsberichte durch messbare Prozesskennzahlen.

• IT- und Digitalisierungsabteilungen:

- Use Case, um bestehende Datenplattformen (Data Lake, Analytics) in direkt klinisch sichtbare Mehrwerte zu übersetzen.

- Argumentationsbasis für Investitionen in Interoperabilität und Datenqualität.

• Softwareanbieter (KIS, PACS, Onkologie-Systeme):

- Möglichkeit, von reinen Dokumentationssystemen zu entscheidungsnahen Plattformen zu werden.

- Integration von AI-MDT-Modulen als Add-on oder White-Label-Lösung.

• Krankenkassen und Kostenträger:

- Potenzial für bessere Leitlinientreue und frühere, passendere Therapieentscheidungen

- Perspektive, Versorgungsverträge und Erstattungsmodelle an messbare Outcome- und Prozessverbesserungen zu knüpfen.

Praktische Beispiele und Szenarien

Beispiel 1: Frühe Abklärung eines inzidentellen Lungennoduls

• 55-jähriger Patient, inzidenteller Lungenknoten im Rahmen eines CT-Thorax.

• Die AI-MDT-Plattform:

- Sammelt automatisch Vorbefunde (Raucherstatus, Komorbiditäten, Voraufnahmen).

- Klassifiziert den Knoten als mittleres Risiko, zeigt Volumenzunahme im Vergleich zum Vorjahr.

- Generiert basierend auf Leitlinien (z. B. Größe, Wachstum) Vorschläge: engmaschige CT-Kontrolle vs. Biopsie.

• Das MDT diskutiert Patient:innenpräferenz, OP-Risiko und lokale Expertise.

• Ergebnis: Gut dokumentierte, nachvollziehbare Entscheidung, ob invasive Diagnostik oder Surveillance gewählt wird – mit klarer Begründung.

Beispiel 2: Fortgeschrittener Lungenkrebs mit molekularen Markern

• Patientin mit lokal fortgeschrittenem NSCLC, bereits Biopsie und NGS-Profil vorhanden.

• Die Plattform:

- Aggregiert Radiologie (cTNM), Molekulardiagnostik (Treiber-Mutationen), Performance-Status und Komorbiditäten.

- Verknüpft die vorliegenden Mutationen mit aktuellen zielgerichteten Therapien und ggf. Immuntherapie-Schemata.

- Zeigt verfügbare Leitlinienoptionen inkl. Dosierung, Sequenzierung und relevanter Studien.

• Das MDT kann transparent nachvollziehen, warum welche Kombination empfohlen wird und welche Alternativen existieren.

Beispiel 3: Qualitätsmanagement und Benchmarking

• Ein onkologisches Zentrum möchte die Variation in MDT-Entscheidungen untersuchen.

• Mit der AI-MDT-Plattform lassen sich:

- Fälle aggregieren nach Stadium, Risikoprofil, Alter, Komorbidität.

- Die Übereinstimmung zwischen Leitlinienempfehlung und tatsächlicher MDT-Entscheidung statistisch auswerten.

- Gründe für Abweichungen (z. B. lokale Ressourcen, Patient:innenwunsch, besondere Komplexität) systematisch dokumentieren.

• Das schafft eine Grundlage für interne Leitlinienarbeit, Fortbildung und Zertifizierung.

Geschäftliche Relevanz: Was Unternehmen und Organisationen jetzt tun sollten

Für Krankenhausleitungen und Onkologische Zentren

1. Strategische Bewertung:

- Prüfen, inwieweit Lungenkrebs-MDTs aktuell Engpassprozesse sind (Wartezeiten, Überstunden, unstrukturierte Entscheidungsdokumentation).

- Nutzung dieser AI-MDT-Ergebnisse als Business Case für Investitionen in MDT-Digitalisierung.

1. Pilotierung planen:

- Start mit einem klar definierten Pilotbereich (z. B. Lungenkrebs, ggf. nur operable Stadien) statt flächendeckender Einführung.

- Frühzeitige Einbindung von Radiologie, Pneumologie, Onkologie, Thoraxchirurgie, Pathologie und IT.

1. Kennzahlen definieren:

- Vor Start: Baseline für MDT-Dauer, Fallzahl pro Sitzung, Leitlinientreue, Dokumentationsqualität.

- Nach Einführung: Systematisches Monitoring, ob die erwarteten Effekte eintreten.

Für CIOs, CDOs und IT-Abteilungen

1. Technische Grundlagen evaluieren:

- Datenintegration (KIS, PACS, LIS, Pathologie- und Genetiksysteme)

- Vorhandene Data-Lake- oder Analytics-Infrastruktur

- Security- und Governance-Frameworks (Zugriffsrechte, Protokollierung, Audit-Trails).

1. Architektur-Blueprint entwickeln:

- Wie könnte eine AI-MDT-Lösung im eigenen Haus aussehen – on-premise, hybrid, modular?

- Welche Schnittstellenstandards (FHIR, DICOM, HL7) sind erforderlich, um multimodale Daten zuverlässig zu integrieren?

1. Kooperationen aufbauen:

- Zusammenarbeit mit spezialisierten KI-Anbietern oder akademischen Partnern

- Integration in bestehende Onkologie-Informationssysteme und Tumordokumentationslösungen.

Für Software- und MedTech-Anbieter

1. Produktstrategie schärfen:

- Evaluieren, welche Module entlang des MDT-Prozesses bereits im Portfolio sind (z. B. Tumorboard-Software) und wo KI-Entscheidungsunterstützung ergänzt werden kann.

1. Offene Schnittstellen anbieten:

- Kunden werden Lösungen bevorzugen, die sich in bestehende IT-Landschaften integrieren lassen.

- API-Strategien und Datenmodelle sollten AI-MDT-Szenarien explizit berücksichtigen.

1. Evidenzbasierte Mehrwerte belegen:

- Die vorliegende Studie zeigt, dass robuste Evaluationskonzepte (vor/nach Einführung, harte Prozesskennzahlen) möglich sind.

- Für den europäischen Markt werden ähnliche Studien notwendig sein, um regulatorische und ökonomische Akzeptanz zu erreichen.

Für Krankenkassen und Gesundheitsökonomen

1. Versorgungsforschung initiieren:

- Analysieren, ob AI-MDT-gestützte Entscheidungen zu früheren, passgenaueren Therapien führen (z. B. weniger Unter- oder Übertherapie).

1. Vertragsmodelle anpassen:

- Anreizsysteme prüfen, die Prozess- und Ergebnisqualität im Sinne von Value-Based Healthcare honorieren.

Fazit und zentrale Takeaways

Die AI-MDT-Plattform für Lungenkrebs zeigt, wie KI-gestützte Entscheidungsunterstützung nicht nur Diagnostikalgorithmen bereitstellt, sondern komplette klinische Entscheidungsprozesse standardisiert und beschleunigt. Für Entscheider ist sie ein Vorbild, wie die nächste Generation von Onkologie-IT-Systemen aussehen kann.

Kernpunkte zum Mitnehmen:

• Ganzheitlicher Ansatz: Die Plattform unterstützt den gesamten MDT-Prozess – von Datensammlung über Bildanalyse bis zur strukturierten Therapieempfehlung und Dokumentation.

• Messbarer Effizienzgewinn: Erste Daten belegen kürzere Konsultationszeiten und höhere Fallzahlen pro Sitzung, ohne die Rolle des MDT zu ersetzen.

• Evidenz und Transparenz: Empfehlungen sind eng an Leitlinien und Studien gekoppelt, mit expliziter Dokumentation von Abweichungen und einem kontinuierlichen Lernkreislauf.

• Datenschutz und Sicherheit: On-premise-Betrieb, Anonymisierung und etablierte Sicherheitsstandards zeigen, dass leistungsfähige KI mit hohen Datenschutzanforderungen vereinbar ist.

• Strategische Chance: Für Kliniken, IT-Abteilungen und Softwareanbieter eröffnet AI-MDT die Möglichkeit, von reiner Dokumentation zu entscheidungsrelevanten, qualitätsorientierten Plattformen weiterzuentwickeln.

• Handlungsbedarf jetzt: Organisationen sollten zeitnah Pilotprojekte, Architekturkonzepte und Governance-Strukturen planen, um auf die nächste Welle AI-gestützter Onkologie-Workflows vorbereitet zu sein.

Häufig gestellte Fragen (FAQ)

Was ist eine AI‑MDT-Plattform für Lungenkrebs und wofür wird sie eingesetzt?

Eine AI‑MDT-Plattform ist ein KI-gestütztes System, das den gesamten Prozess eines multidisziplinären Tumorboards (MDT) bei Lungenkrebs digital unterstützt. Sie sammelt und harmonisiert klinische, radiologische, pathologische und genetische Daten, bereitet Fälle strukturiert auf und liefert evidenzbasierte Therapie- und Follow-up-Empfehlungen für das MDT.

Wie funktioniert die AI‑MDT-Plattform im klinischen Alltag eines Tumorboards?

Die Plattform integriert Daten aus KIS, PACS, Labor, Pathologie und Genetiksystemen, analysiert Bilddaten per Deep Learning und extrahiert Informationen aus Freitextbefunden mittels NLP. Auf dieser Basis erstellt sie eine strukturierte Fallzusammenfassung, schlägt cTNM-Stadium und Therapieoptionen vor und ermöglicht dem MDT, diese Vorschläge zu prüfen, anzupassen und abschließend zu dokumentieren.

Welche Auswirkungen hat der Einsatz einer AI‑MDT-Plattform auf Effizienz und Qualität in Lungenkrebszentren?

In der beschriebenen Studie führte die Einführung der Plattform zu einer deutlich kürzeren Konsultationsdauer pro Patient und zu mehr behandelten Fällen pro Tumorboardsitzung. Gleichzeitig werden Entscheidungen besser strukturiert dokumentiert, Leitlinientreue wird transparenter und Qualitätskennzahlen wie Wartezeiten, Durchsatz und Abweichungen von Leitlinien lassen sich systematisch auswerten.

Wie adressiert die AI‑MDT-Plattform Datenschutz, Sicherheit und regulatorische Anforderungen?

Die Lösung ist für einen lokalen (on‑premise) Betrieb ausgelegt und setzt auf strikte Anonymisierung, Pseudonymisierung und rollenbasierte Zugriffskonzepte nach dem Minimalprinzip. Zudem orientiert sie sich an etablierten Sicherheitsstandards wie ISO 27001; Kliniken und Hersteller müssen ergänzend klären, ob und in welchem Umfang eine Einstufung als Medizinprodukt bzw. Hochrisiko-KI nach MDR und KI-Regulierung erforderlich ist.

Worin unterscheidet sich die AI‑MDT-Plattform von klassischen KI-Tools zur Lungenknoten-Detektion?

Klassische KI-Tools fokussieren häufig nur auf Teilaufgaben wie Nodule Detection oder Malignitätsbewertung einzelner Läsionen. Die AI‑MDT-Plattform hingegen bildet den gesamten MDT-Workflow ab – von der automatisierten Falldatenaufbereitung über Bildanalyse, Staging und Therapieempfehlungen bis hin zur strukturierten Dokumentation und einem kontinuierlichen Lern- und Feedbackkreislauf.

Was sollten Krankenhausleitungen und onkologische Zentren jetzt konkret tun, wenn sie eine AI‑MDT-Lösung prüfen möchten?

Krankenhäuser sollten zunächst Engpässe und Qualitätsdefizite in ihren bestehenden MDT-Prozessen analysieren und daraus einen Business Case für eine Pilotierung ableiten. Empfehlenswert ist ein klar abgegrenztes Pilotprojekt (z. B. nur Lungenkrebs), die frühe Einbindung aller beteiligten Fachdisziplinen sowie das Festlegen von Basiskennzahlen zu Dauer, Fallzahl, Leitlinientreue und Dokumentationsqualität vor Einführung der Plattform.

Welche technischen Voraussetzungen müssen CIOs und IT-Abteilungen für die Einführung einer AI‑MDT-Plattform schaffen?

IT-Verantwortliche sollten eine belastbare Datenintegrationsschicht mit Schnittstellen zu KIS, PACS, LIS, Pathologie- und Genetiksystemen sowie idealerweise eine Data-Lake- oder Analytics-Infrastruktur bereitstellen. Zudem sind interoperable Standards wie FHIR, DICOM und HL7, ein klares Security- und Governance-Framework (Zugriffsrechte, Audit-Trails) und offene APIs entscheidend, um die Plattform sicher und nachhaltig in die bestehende IT-Landschaft einzubetten.