Wenn KI den ungelösten Fall knackt: LLMs als zweite Meinung bei seltenen Erkrankungen
Eine aktuelle Fallstudie zeigt, wie Large Language Models bei jahrelang ungeklärten Verdachtsfällen seltener Erkrankungen zusätzliche diagnostische Hinweise liefern können – mit klaren Grenzen für den klinischen Alltag in spezialisierten Zentren.
Mit KI-Unterstützung erstellt · redaktionell geprüft und verantwortet von Steven Breuer.
Diagnostische Odysseen gehören zum Alltag bei seltenen Erkrankungen: Patientinnen und Patienten durchlaufen über Jahre hinweg mehrere Fachrichtungen, ohne dass sich ein stimmiges Bild ergibt. Genau an diesem Punkt setzt eine aktuelle Fallstudie zur KI-gestützten Diagnose seltener Erkrankungen an: Ungelöste Fälle wurden erneut vorgelegt – diesmal nicht einem weiteren Spezialisten, sondern einem Large Language Model.
Was in der Studie untersucht wurde
Im Kern geht es um ein einfaches, aber folgenreiches Prinzip: Fälle, die trotz umfassender Abklärung ohne gesicherte Diagnose blieben, wurden dem Modell mit den vorhandenen klinischen Informationen – Anamnese, Befunde, teils Verlaufsdaten – erneut zur Analyse vorgelegt. Die Autoren berichten, dass das Modell bei einem Teil dieser zuvor ungeklärten Fälle plausible, teils zutreffende Verdachtsdiagnosen generierte, die im bisherigen diagnostischen Prozess nicht im Vordergrund gestanden hatten. Die diagnostische Ausbeute – also der Anteil der Fälle, bei denen sich am Ende eine belastbare Diagnose ergab – stieg damit gegenüber der reinen konventionellen Nachbetreuung.
Wichtig für die Einordnung: Es handelt sich um eine retrospektive Analyse bereits dokumentierter, komplexer Fälle, nicht um eine prospektive Studie im laufenden Praxisbetrieb. Die untersuchten Fälle waren zudem bereits mehrfach fachärztlich abgeklärt, bevor sie dem Modell vorgelegt wurden. Die Ergebnisse zeigen ein Potenzial, keinen fertigen Versorgungspfad.
Wer von den Ergebnissen profitieren könnte
Das Setting der Studie prägt auch die Frage, für wen ein solches Vorgehen realistisch in Betracht kommt. Naheliegend ist der Einsatz vor allem dort, wo eine strukturierte Zusatzabklärung seltener Erkrankungen ohnehin zum Auftrag gehört: in Zentren für seltene Erkrankungen, spezialisierten Fachabteilungen und Kliniken, die komplexe, ungeklärte Verläufe über einen längeren Zeitraum betreuen und über die Infrastruktur für Dokumentation, Datenschutz und fachärztliche Bewertung der Modellvorschläge verfügen.
Für die niedergelassene Praxis stellt sich die Situation anders dar. Hier geht es in der Regel nicht darum, ein Sprachmodell selbst für die Differenzialdiagnostik seltener Erkrankungen einzusetzen, sondern darum, einen austherapierten oder lange ungeklärten Fall als solchen zu erkennen und gezielt an ein spezialisiertes Zentrum zu überweisen. Ob und in welcher Form ein solches Zentrum dabei KI-gestützte Verfahren nutzt, liegt außerhalb der Entscheidungsbefugnis der überweisenden Praxis. Relevant bleibt für sie vor allem, den Zeitpunkt für eine erneute, gezielte Überweisung frühzeitig zu erkennen – die Studie liefert dafür ein zusätzliches Argument, kein neues Werkzeug für den Praxisalltag.
Was das für Kliniken und Zentren bedeutet – und was nicht
Drei Punkte sollten Kliniken und spezialisierte Zentren bei der Einordnung berücksichtigen, bevor sie ein solches Vorgehen in Erwägung ziehen:
Datengrundlage entscheidet. Die Qualität der Modellausgabe hängt unmittelbar von der Vollständigkeit und Struktur der eingegebenen klinischen Daten ab. Unvollständige oder unstrukturierte Anamnesen führen zu unspezifischen oder irreführenden Vorschlägen. Eine saubere Fallzusammenfassung ist Voraussetzung, kein Nice-to-have.
Verdachtsdiagnose ist keine Diagnose. Die Studie liefert Hinweise auf zusätzliche Differenzialdiagnosen – die Bestätigung erfolgt weiterhin durch reguläre Diagnostik: Labor, Bildgebung, ggf. genetische Testung. Ein KI-generierter Vorschlag ersetzt keinen dieser Schritte, er priorisiert sie bestenfalls neu.
Datenschutz und Dokumentation. Wer Patientendaten in ein Sprachmodell eingibt, muss die Anforderungen der DSGVO und die berufsrechtlichen Vorgaben zur Schweigepflicht beachten. Pseudonymisierung, die Wahl datenschutzkonformer, möglichst lokal betriebener oder vertraglich abgesicherter Systeme sowie eine nachvollziehbare Dokumentation der Modellnutzung im Behandlungsverlauf sind aus meiner Sicht keine Kür, sondern Grundvoraussetzung – gerade weil Verdachtsdiagnosen aus einer KI-Analyse haftungsrechtlich relevant werden können, sobald sie in die Behandlungsentscheidung einfließen.
Fazit
Der eigentliche Wert dieser Fallstudie liegt nicht in einem spektakulären Einzelfall, sondern in der Systematik: Ungelöste Fälle lassen sich mit vertretbarem Aufwand erneut analysieren, ohne dass dafür ein weiteres Spezialkonsil nötig wäre. Für Kliniken und Zentren, die regelmäßig mit ungeklärten, komplexen Verläufen konfrontiert sind, kann ein strukturierter zweiter Blick durch ein Sprachmodell ein sinnvoller Zwischenschritt sein – vor der nächsten Fachbeurteilung, nicht anstelle der fachärztlichen Abklärung. Wer diesen Weg im eigenen Haus erproben möchte, sollte klare interne Regeln für Dateneingabe, Dokumentation und den Umgang mit den Modellvorschlägen festlegen, bevor die erste Anfrage gestellt wird.