Es gibt eine Zahl, die in keiner Debatte über künstliche Intelligenz auftaucht und die trotzdem alles verändern sollte, was wir über das Thema denken. Eine Auswertung der Johns Hopkins University, 2023 im Fachjournal BMJ Quality and Safety erschienen, schätzt allein für die USA jährlich 795.000 Menschen, die durch Fehldiagnosen sterben oder dauerhaft schwer geschädigt werden. 371.000 Tote, 424.000 Schwerverletzte. Drei Krankheitsfelder verursachen drei Viertel davon: Schlaganfälle, Infektionen wie Sepsis und Krebs. Auf europäische Größenordnungen umgerechnet reden wir von einem stillen Massensterben, das in keiner Statistik prominent auftaucht, weil es keine einzelne Katastrophe ist, sondern Hunderttausende einzelne Tragödien.

Die Revolution läuft, seit Jahren

Während die Öffentlichkeit erst seit ChatGPT über KI redet, läuft in den Krankenhäusern seit über einem Jahrzehnt eine viel ältere und viel leisere Revolution. Schon 2018 ließ die US-Arzneimittelbehörde FDA ein System namens IDx-DR zu, das diabetische Augenschäden vollkommen autonom diagnostiziert. Kein Arzt blickt mehr auf das Bild, die Maschine stellt die Diagnose selbst. Im selben Jahr veröffentlichte ein Team um Andre Esteva an der Stanford University in der Fachzeitschrift Nature einen Beweis, der Dermatologen weltweit nervös machte. Ein neuronales Netzwerk klassifizierte Hautläsionen genauso gut wie 21 zertifizierte Dermatologen, mit einer Trefferquote von 84,8 zu 84,6 Prozent. Heute sind weltweit über 1300 medizinische KI-Systeme zugelassen, allein 2025 kamen 295 neue Zulassungen dazu. Rund 80 Prozent davon entfallen auf die Radiologie, also auf die Auswertung von Röntgenbildern, MRTs und Computertomografien. Wer heute in ein modernes Stroke-Center kommt, wird längst von einem System namens Viz.ai mitbetreut, das in Sekunden erkennt, ob ein Gefäßverschluss im Hirn vorliegt. Das amerikanische Krankenhausnetz NHS England berichtet, dass durch diese KI-gestützte Schlaganfall-Triage die Quote der Patienten, die ihre Funktion vollständig wiedererlangen, von 16 auf 48 Prozent gestiegen ist. Diese Zahl muss man sich auf der Zunge zergehen lassen, weil es nicht um optimierten Workflow geht, sondern um Menschen, die wieder gehen, sprechen und arbeiten, statt im Rollstuhl zu sitzen.

Wie eine Maschine eigentlich sieht

An dieser Stelle lohnt der Blick unter die Motorhaube, weil sonst das Ganze wie Magie wirkt. Eine Diagnose-KI in der Radiologie arbeitet mit sogenannten Convolutional Neural Networks, im Fachjargon kurz CNNs genannt. Stellen Sie sich Hunderte kleine Suchscheinwerfer vor, die gleichzeitig über ein Röntgenbild wandern und jeweils auf ein anderes Muster spezialisiert sind. Der eine findet Kanten, der zweite Texturen, der dritte runde Strukturen, der vierte hellere Flecken in dunklem Gewebe. Diese Zwischenergebnisse werden Schicht für Schicht miteinander kombiniert. Aus rohen Pixeln werden so erst Linien, dann Formen, dann Organe und am Ende eine Wahrscheinlichkeitsaussage, etwa dass dieser kleine helle Fleck im linken Lungenflügel mit 97-prozentiger Wahrscheinlichkeit ein Tumor ist. Damit ein solches Modell funktioniert, hat es im Training Millionen Bilder gesehen, mit Tumor und ohne, in jeder Qualitätsstufe, bei alten und jungen Patienten, im Schichtdienst und in der Spitzenklinik. Mit jedem Bild justiert sich das Modell ein winziges Stück besser, bis es eines Tages Muster erkennt, die der Mensch in einem ganzen Berufsleben nicht so oft gesehen hat.

Die Studie, die alles auf den Punkt bringt

Ende April 2026 erschien dann im renommierten Fachjournal Science eine Arbeit, die für viele Mediziner gerade ein Erdbeben ist. Forscher der Harvard Medical School und des Beth Israel Deaconess Medical Center in Boston ließen das Reasoning-Modell o1 von OpenAI gegen erfahrene Notaufnahme-Ärzte antreten. Sechs Experimente, 76 reale Patientenfälle aus einer Bostoner Notaufnahme, dazu fünf strukturierte Behandlungsplanungen, an denen sich 46 menschliche Ärzte abarbeiten mussten. Die Patientenakten wurden der KI roh übergeben, also ohne Aufbereitung. Genau dasselbe, was die Ärzte vor sich hatten.

Das Ergebnis ist deutlich. In der entscheidenden Erstphase, der sogenannten Triage, in der aus wenigen Informationen eine Verdachtsdiagnose entstehen muss, traf die KI in 67 Prozent der Fälle die richtige oder fast richtige Diagnose. Die beiden erfahrenen Ärzte kamen auf 55 und 50 Prozent. Bei der strukturierten Behandlungsplanung erreichte die Maschine 89 von 100 Punkten und damit mehr als das Doppelte der menschlichen Vergleichsgruppe. Studienleiter Adam Rodman, selbst Internist am Beth Israel, formulierte es nüchtern. Er habe gedacht, das werde ein nettes Experiment, aber sicher nicht funktionieren. Das Gegenteil sei eingetreten.

Der Fall, an den man sich erinnern wird

In der Bostoner Studie steckte ein Fall, der die Debatte für sich allein zusammenfasst. Ein Patient kam mit Symptomen einer Lungenembolie in die Notaufnahme. Nach der üblichen Behandlung mit Blutverdünnern verschlechterte sich sein Zustand wieder. Die beiden Ärzte vermuteten, die Medikamente würden nicht wirken. Die Maschine las dieselbe Akte und kombinierte ein Detail, das die Ärzte unterspielt hatten. Der Patient litt an Lupus, einer Autoimmunerkrankung. Die KI schlug deshalb eine Lupus-Pleuritis vor, also eine entzündliche Reaktion an Herz und Lunge ausgelöst durch die Autoimmunkrankheit. Das war die richtige Diagnose. Ein erfahrener Internist hätte sie irgendwann auch finden können. Er hat sie eben nur nicht gefunden.

Was über die Diagnostik hinaus passiert

Noch eindrucksvoller als die Diagnostik selbst ist das, was rundherum längst läuft. In der Pathologie erkennen Algorithmen Mikro-Metastasen, an denen sich Spezialisten die Augen reiben. In der Augenheilkunde liest eine KI aus einer einfachen Netzhautaufnahme nicht nur diabetische Schäden heraus, sondern berechnet sogar das Herzinfarktrisiko der nächsten Jahre. In der Notfallmedizin sagt eine KI eine drohende Sepsis Stunden voraus, bevor der Mensch sie diagnostizieren würde. Und in der Medikamentenforschung wurde 2020 mit dem Modell AlphaFold ein über fünfzig Jahre altes Rätsel der Biologie gelöst. Es heißt Proteinfaltungsproblem, also die Frage, wie eine lange Kette von Bausteinen sich in eine dreidimensionale Form falten muss, um ihre Funktion zu erfüllen. Die Forscher Demis Hassabis und John Jumper erhielten dafür 2024 den Nobelpreis für Chemie. Über 200 Millionen Proteinstrukturen sind heute öffentlich zugänglich. Wo klassische Pharmaforschung vier bis fünf Jahre brauchte, um vom Wirkstoffkandidaten zur ersten klinischen Studie zu kommen, schaffen KI-getriebene Firmen wie Isomorphic Labs oder Insilico Medicine das in eineinhalb Jahren. Die ersten rein KI-designten Medikamente befinden sich bereits in klinischen Studien am Menschen.

Die moralische Frage steht plötzlich auf dem Kopf

Hier kippt die Debatte in eine Richtung, die viele unangenehm finden werden. Seit Jahren wird gefragt, ob es überhaupt vertretbar sei, eine so heikle Domäne wie die Medizin teilweise einer Maschine zu überlassen. Diese Frage ist nicht falsch. Sie ist nur unvollständig. Die andere Hälfte lautet, ob es noch vertretbar ist, sie nicht zu überlassen. Wenn eine Technologie nachweislich in 67 statt 50 Prozent der Fälle die richtige Diagnose stellt und wenn Diagnosefehler in westlichen Gesundheitssystemen zu den häufigsten vermeidbaren Todesursachen gehören, dann ist Nichtnutzung kein neutraler Zustand mehr. Sie hat einen Preis und der wird in Menschenleben bezahlt.

Niemand würde heute akzeptieren, dass ein Pilot ohne Autopilot fliegt, weil das ja die menschliche Entscheidung schwäche. Niemand würde einem Chirurgen abverlangen, ohne Beleuchtung zu operieren, weil das Licht ja künstlich sei. In der Medizin reden wir aber, als sei die Verweigerung technischer Unterstützung eine Form von ethischer Reinheit. In Wahrheit ist sie das nicht. Sie ist eine Entscheidung mit Konsequenzen, nur eben unsichtbar verteilt auf jene, die später still daran sterben, dass ihnen niemand früher zugehört hat. Genau hier dreht sich die ethische Frage um. Nicht die Nutzung der Maschine ist erklärungsbedürftig, sondern der Verzicht auf sie.

Der eigentliche Engpass heißt Daten

Wenn man verstehen will, was eine medizinische KI besser oder schlechter macht, muss man verstehen, wovon sie lebt. Sie lebt von Daten. Genauer gesagt von Millionen anonymisierter Krankenakten, Röntgenbilder, Laborbefunde und Behandlungsverläufe. Aus diesen Daten lernt sie, welche Symptomkombination welche Krankheit wahrscheinlich macht und welche Therapie bei welchem Patiententyp wirkt. Je größer und vielfältiger die Datenbasis, desto präziser das Modell. Ein System, das auf zehn Millionen Fällen trainiert wurde, ist eben treffsicherer als eines, das auf hunderttausend Fällen lernen musste. Genau hier liegt der eigentliche Flaschenhals der westlichen Medizin und genau hier wird die Debatte schief geführt.

In vielen Ländern, gerade in Europa, gelten Gesundheitsdaten als so heilig, dass sie selbst anonymisiert kaum bewegt werden dürfen. Das ist gut gemeint, schützt aber am Ende nicht die Patienten von morgen, sondern verhindert ihre bessere Behandlung. Die Folge ist nicht abstrakt. Wer Daten zurückhält, baut keine Privatsphäre auf, sondern schlechtere Diagnosesysteme und damit vermeidbare Krankheitsverläufe.

Anonymisierung ist die Lösung, nicht das Problem

Die Antwort darauf liegt nicht in einer Aufweichung des Datenschutzes, sondern in der konsequenten Nutzung moderner Anonymisierungsverfahren. Methoden wie Differential Privacy, also das mathematisch nachweisbare Verrauschen von Datensätzen, oder Federated Learning, bei dem das Modell zu den Daten reist statt umgekehrt, machen es heute möglich, aus sensiblen Krankenakten zu lernen, ohne dass jemals ein einzelner Patient identifizierbar wäre. Die Daten verlassen das Krankenhaus dabei nicht. Die KI lernt vor Ort und gibt nur das gelernte Muster weiter. Das ist nicht Science-Fiction, das ist gelebte Praxis, etwa beim europäischen Anbieter Owkin in Paris, dessen Modelle in den großen Krebsforschungszentren bereits laufen.

Wenn wir es ernst meinen mit besserer Medizin, dann müssen wir aufhören, Datennutzung pauschal als Bedrohung darzustellen. Eine korrekt anonymisierte Krankenakte, aus der eine KI lernt, ist kein Datenleck. Sie ist die Voraussetzung dafür, dass der nächste Patient eine zuverlässigere Diagnose bekommt. Wer einer solchen Nutzung zustimmt, schenkt seinen Datensatz nicht der Industrie, sondern dem nächsten Patienten in derselben Lage. Das ist nicht der Verlust von Privatsphäre, das ist eine moderne Form medizinischer Solidarität.

Wohin uns das führt

Wenn man die Lage nüchtern betrachtet, kippt die ethische Frage komplett. Bisher hieß sie, ob wir es uns leisten können, der Maschine zu vertrauen. In Zukunft heißt sie, ob wir es uns leisten können, ihr nicht zu vertrauen. Bisher hieß sie, ob es zulässig ist, Daten zu nutzen. In Zukunft heißt sie, ob es zulässig ist, Daten brachliegen zu lassen, während Menschen an Diagnosen sterben, die eine bessere KI längst gestellt hätte. Bisher hieß sie, ob die Maschine den Menschen ersetzen wird. In Zukunft heißt sie, ob ein Arzt, der ohne diese Werkzeuge arbeitet, seinen Beruf überhaupt noch verantworten kann.

Es geht dabei nicht um Technologiebegeisterung. Es geht um Konsequenz. Wer das Leben seiner Patienten ernst nimmt, muss jede verfügbare Methode nutzen, die nachweislich Leben rettet. Genau das tut moderne Medizin seit jeher. Antibiotika, Röntgenstrahlen und Narkose waren alle einmal umstritten. Heute wäre niemandem zu vermitteln, sie aus moralischen Gründen wegzulassen. Die Studie aus Boston ist deshalb kein Triumph der Maschine, sondern ein Spiegel für unser eigenes System. Sie zeigt, wie viel Spielraum wir noch haben, wenn wir Mensch und Technik intelligent kombinieren. Der Arzt der Zukunft wird seinen Patienten nicht weniger zuhören, sondern besser, weil die Maschine die Routine übernimmt. Er wird nicht weniger entscheiden, sondern auf Basis besserer Vorschläge. Und er wird seltener etwas übersehen, weil ein zweites Augenpaar mitliest, das niemals müde wird. Genau das ist der Punkt, an dem aus einer technologischen Möglichkeit eine moralische Pflicht wird.