Diese Seite ist für Menschen und Suchmaschinen gestaltet. Zur Version für KI-Systeme (LLM) →

· Science Digest · 6 Min. · Von Björn Gostmann [Qualitätssicherung C. Berlich]

KI gegen medizinische Überversorgung: Die Transformation der Arztrolle

Patientinnen und Patienten erhalten oft mehr Diagnostik und Therapien, als ihnen guttut. Das schadet nicht nur der Gesundheit, sondern treibt auch die Kosten in die Höhe. Kann Künstliche Intelligenz helfen? Und was bedeutet das für die Rolle der Ärztinnen und Ärzte?

Das deutsche Gesundheitssystem steckt in einer paradoxen Situation: Einerseits bestehen Fachkräftemangel, Überalterung und drohende Unterversorgung, vor allem in ländlichen Regionen [1-3]. Andererseits existiert das Problem der medizinischen Überversorgung, also der Erbringung medizinischer Leistungen, bei denen das Schadenspotenzial das Nutzenpotenzial übersteigt [4]. Diese Problematik hat global teils stark negative Auswirkungen auf die physische, psychische und finanzielle Situation von Patientinnen und Patienten aber auch auf die Verfügbarkeit von Ressourcen in den Gesundheitssystemen [5]. Auch wenn sich die Gesamtkosten medizinischer Überversorgung in Deutschland bislang nicht beziffern lassen, zeigen Krankenkassenanalysen, dass bereits ein kleiner Ausschnitt unnötiger ambulanter Leistungen jährliche Kosten im zweistelligen Millionenbereich verursacht [6]. Die Ursachen dafür liegen laut Ärztinnen und Ärzten unter anderem in der begrenzten Zeit während Sprechstunden, der Angst vor Klagen oder dem Wunsch auf Patientinnen und Patienten einzugehen [7]. Hier können KI-gestützte Entscheidungsunterstützungssysteme ansetzen, indem sie große Datenmengen hinsichtlich optimaler Behandlungs- bzw. Medikationspläne analysieren und so personalisierte Therapieempfehlungen aussprechen können [8]. Wie muss sich die Rolle von Ärztinnen und Ärzten bei der Anwendung von KI gegen medizinische Überversorgung verändern, damit Entscheidungen den größtmöglichen Nutzen haben?

KI gegen medizinische Überversorgung – ein Experiment aus Wuhan

Eine aktuelle chinesische Studie zeigt, dass KI erstaunlich großes Potenzial in der Verringerung von unnötigen oder schädlichen Medikamentengaben aufweist. Ziyi Wang, Lijia Wie & Lian Xue der Universität Wuhan haben in einem Experiment Konsultationen zwischen Ärztinnen und Ärzten und Patientinnen und Patienten simuliert – mit und ohne Entscheidungsunterstützung durch ChatGPT 4.0 [8]. Zusätzlich testen die Autoren drei verschiedene Anreizstrukturen: eine konstante Vergütung unabhängig von der Medikationsentscheidung, eine progressive Vergütung, bei der mehr „verschriebene“ Medikamente zu einer höheren Vergütung führten und einer regressiven Variante, bei der fehlerhafte Verschreibungen zu Abzügen in der Vergütung führten.

KI-Unterstützung hilft medizinische Überversorgung zu verringern

Die Ergebnisse der Studie sind deutlich. Die KI-Unterstützung führte insgesamt zu einer Reduktion medizinischer Überversorgung von 36 %. Es zeigten sich allerdings starke Unterschiede je nach Anreiz-Schema:

  • Am deutlichsten war der Effekt bei der konstanten Vergütung. Die Überversorgung sank um 80,3 %.
  • Bei der regressiven Vergütung wurde 38,7 % weniger Überversorgung festgestellt
  • Bei der progressiven Vergütung waren es noch 11,3 %. Dieser Effekt war allerdings statistisch nicht signifikant.

Der Nutzen der KI-Anwendung war also am größten, wenn die ärztliche Vergütung nicht an die Medikamentengabe gekoppelt war.

Was bedeutet das für Ärztinnen und Ärzte?

Die Ergebnisse zeigen eindrücklich, dass der Einbezug von KI als Entscheidungsunterstützung die Überversorgung von Patientinnen und Patienten reduzieren kann, was die Behandlungsqualität steigern, aber auch zu einem geringeren Ressourceneinsatz im Gesundheitswesen führen kann. Dabei verändert sich die Rolle ärztlicher Expertise. Ärztinnen und Ärzte müssen zum einen eine hohe Input-Qualität in Systeme, wie das in der Studie verwendete Large Language Model (LLM) sicherstellen [9]. Dafür sind unter anderem Wissen über sinnvolle Problemstellungen für KI-Modelle sowie Kompetenzen im Prompten notwendig. Zum anderen gilt es, die KI-Ausgaben kritisch in den jeweiligen klinischen Kontext einzuordnen. Ärztinnen und Ärzte nehmen damit zunehmend eine Vermittlungsrolle zwischen datenbasierten Empfehlungen und den Anliegen ihrer Patientinnen und Patienten ein. Auch die Reflexion und Begründung von Abweichungen gegenüber KI-Empfehlungen wird eine wichtige Aufgabe – sei es vor sich selbst, im Team oder gegenüber den Behandelten. Entscheidend ist dafür, eine klare organisationale KI-Governance zu etablieren, also verbindliche Regeln, Verantwortlichkeiten und Prozesse, die den Einsatz von KI transparent, überprüfbar und ethisch abgesichert machen. Nur so kann sichergestellt werden, dass Präzision durch KI nicht in neue Verzerrungen oder Abhängigkeiten mündet. Auch im deutschen Gesundheitssystem sind ärztliche Entscheidungen in ökonomische Rahmenbedingungen eingebettet. Vergütungssysteme wie der Einheitliche Bewertungsmaßstab (EBM) im ambulanten Bereich oder die Diagnose Related Groups (DRGs) im stationären Sektor setzen unterschiedliche, teils gegenläufige Anreize. Die Studie aus Wuhan bildet diese Systeme nicht ab, verdeutlicht jedoch, dass der potenzielle Nutzen KI-gestützter Entscheidungsunterstützung wesentlich davon abhängt, wie medizinische Entscheidungen mit finanziellen Anreizen verknüpft sind. KI kann Entscheidungen präziser machen, doch einfacher werden sie dadurch nicht. Es braucht Führung, die Kompetenzen im Umgang mit Komplexität fördert und die Balance zwischen medizinischer Qualität, ökonomischen Anforderungen und Governance-Strukturen bewusst gestaltet.

Quellen

  1. Johna, S., Medizinischer Fachkräftemangel als strukturelles Problem. Die Innere Medizin, 2024. 65(9): p. 857-864 DOI: 10.1007/s00108-024-01759-3.
  1. Gellert, P., et al., [Strengthening prevention and health promotion in and for old age]. Z Gerontol Geriatr, 2024. 57(3): p. 199-206 DOI: 10.1007/s00391-023-02262-4.
  1. Buck, C., E. Doctor, and T. Eymann, Vermeidung der medizinischen Unterversorgung ländlicher Strukturen durch innovative Ansätze der Telemedizin, in Innovationen und Innovationsmanagement im Gesundheitswesen : Technologien, Produkte und Dienstleistungen voranbringen, M.A. Pfannstiel, K. Kassel, and C. Rasche, Editors. 2020, Springer Fachmedien Wiesbaden: Wiesbaden. p. 715-737.
  1. Chassin, M.R., R.W. Galvin, and a.t.N.R.o.H.C. Quality, The Urgent Need to Improve Health Care QualityInstitute of Medicine National Roundtable on Health Care Quality. JAMA, 1998. 280(11): p. 1000-1005 DOI: 10.1001/jama.280.11.1000.
  1. Brownlee, S., et al., Evidence for overuse of medical services around the world. The Lancet, 2017. 390(10090): p. 156-168 DOI: https://doi.org/10.1016/S0140-6736(16)32585-532585-5).
  1. Hildebrandt, M., et al., Quantifying Low-Value Care in Germany: An Observational Study Using Statutory Health Insurance Data From 2018 to 2021. Value in Health, 2025. 28(6): p. 884-893 DOI: https://doi.org/10.1016/j.jval.2024.10.3852.
  1. Rudin, R.S., et al., Addressing the Drivers of Medical Test Overuse and Cascades: User-Centered Design to Improve Patient–Doctor Communication. Joint Commission Journal on Quality and Patient Safety, 2022. 48(4): p. 233-240 DOI: 10.1016/j.jcjq.2022.01.005.
  1. Wang, Z., L. Wei, and L. Xue, Overcoming medical overuse with AI assistance: An experimental investigation. Journal of Health Economics, 2025. 103: p. 103043 DOI: https://doi.org/10.1016/j.jhealeco.2025.103043.
  1. Sutton, R.T., et al., An overview of clinical decision support systems: benefits, risks, and strategies for success. NPJ Digit Med, 2020. 3: p. 17 DOI: 10.1038/s41746-020-0221-y.
  1. Gandjour, A. and K.W. Lauterbach, Wann lohnt es, eine medizinische Überversorgung abzubauen? Medizinische Klinik, 2005. 100(9): p. 535-541 DOI: 10.1007/s00063-005-1073-6.

FAQ

Was versteht man unter medizinischer Überversorgung?

Unter medizinischer Überversorgung versteht man diagnostische oder therapeutische Maßnahmen, deren potenzieller Schaden den erwarteten Nutzen übersteigt. Sie können die körperliche und psychische Gesundheit von Patientinnen und Patienten beeinträchtigen, finanzielle Belastungen verursachen und wertvolle Ressourcen im Gesundheitssystem binden. Beispiele sind unnötige Medikamentenverschreibungen, überflüssige Bildgebung oder Vorsorgeuntersuchungen ohne klaren Nutzen.

Wie kann Künstliche Intelligenz zur Reduktion von medizinischer Überversorgung eingesetzt werden?

KI-gestützte Entscheidungsunterstützungssysteme können große Datenmengen analysieren und daraus personalisierte Therapieempfehlungen ableiten. Aktuelle Studien zeigen, dass der Einsatz von KI die Überbehandlung signifikant reduzieren kann, insbesondere, wenn ärztliche Entscheidungen nicht durch ökonomische Fehlanreize verzerrt werden. KI bietet also die Chance, Behandlungen gezielter, wirksamer und ressourcenschonender zu gestalten.

Wie verändert sich die Rolle von Ärztinnen und Ärzten durch den KI-Einsatz?

à Ärztinnen und Ärzte vermitteln zunehmend zwischen datenbasierten Empfehlungen und den individuellen Bedürfnissen von Patientinnen und Patienten. Sie benötigen die Kompetenz, KI-Systeme sinnvoll zu nutzen, qualitativ hochwertige Eingaben zu machen und die Ergebnisse kritisch in den klinischen Kontext einzuordnen. Zudem gehört es zu ihrer Aufgabe, Abweichungen von KI-Empfehlungen transparent zu begründen. Damit steigt die Bedeutung von Kompetenzen im Umgang mit KI ebenso wie die Notwendigkeit klarer Governance-Strukturen, die den Einsatz ethisch und professionell absichern.

Verwandte Artikel

Verwandte Artikel