Künstliche Intelligenz in der Rheumatologie: Wo Algorithmen helfen – und wo nicht

In der Rheumatologie wird künstliche Intelligenz (KI) engagiert diskutiert. Chronische Erkrankungen begleiten Menschen über Jahrzehnte, sie hinterlassen Spuren in Bild- und Labordaten. Trotz hervorragender Substanzen gibt es oft Unsicherheiten bei Therapieentscheidungen. Dies macht das Fach zu einem naheliegenden Anwendungsfeld.

Große Sprachmodelle: sichtbar, aber riskant

Kein KI-Tool ist so präsent wie große Sprachmodelle (Large Language Models, LLMs). Eine Arbeit in Rheumatology International verglich ChatGPT-4 mit Rheumatolog:innen bei der Differenzialdiagnose: Insgesamt lag das Modell ähnlich häufig richtig wie die Fachleute, bei gesicherten entzündlich rheumatischen Erkrankungen lag die richtige Diagnose in 86 % der Fälle unter den ersten 3 Vorschlägen des Modells (gegenüber 74% bei Fachleuten). Bei nichtentzündlichen Fällen schnitt das Modell deutlich schlechter ab und neigte zur Überschätzung entzündlicher Ursachen.¹
Eine kanadische Studie in Arthritis & Rheumatology fand: Patient:innen bewerteten KI- und arztgenerierte Antworten als nahezu gleichwertig und konnten kaum unterscheiden, welche von der Maschine stammten. Die beteiligten Rheumatolog:innen jedoch beurteilten die KI-Antworten in puncto Genauigkeit signifikant schlechter (6,48 versus 9,08 auf einer Zehnerskala). Genau hier liegt das Risiko: Die Lücke, die Fachleute erkennen, bleibt Lai:innen verborgen. LLMs eignen sich heute als Hilfsmittel für Entwürfe, Patienteninformation und Triage-Unterstützung – nicht als autonome Quelle medizinischen Rats.²

Bildgebung: der unermüdliche Zweitbefunder

Beginnen wir dort, wo KI im Alltag am greifbarsten ist. Wer regelmäßig Handröntgen über Jahre vergleicht, kennt das Dilemma: Das Auszählen von Erosionen und Gelenkspaltverschmälerungen nach Sharp/van der Heijde ist präzise gemeint, in der Praxis aber zeitraubend und von Befunder:in zu Befunder:in unterschiedlich. Hier entlastet maschinelles Lernen – nicht als Ersatz des geübten Blicks, sondern als unermüdlicher Zweitbefunder (Abb.). Eine praxisnahe Übersicht im ACR-Journal Arthritis & Rheumatology benennt die Felder, in denen das bereits funktioniert: das Erkennen von Erosionen im konventionellen Röntgen, die Vorhersage künftiger Krankheitsaktivität und sogar das Aufspüren des Halo-Zeichens in der Temporalarterien-Sonografie.³
Der internationale RA2-DREAM-Wettbewerb in JAMA Network Open zeigte, dass Algorithmen den Gelenkschaden an 674 Röntgenserien nahe an Expertenwerten quantifizieren können.⁴ Eine finnische Studie in Rheumatology (Oxford) validierte ein Modell extern an 205 Patient:innen und erfasste damit auch die Progression über Jahre.⁵ Praktisch bedeutet das ein reproduzierbares Verlaufs-Scoring, das Zeit spart und die Vergleichbarkeit erhöht. Das offizielle Positionspapier des American College of Rheumatology (ACR) bestätigt: Solche Tools zur Bildklassifikation sind bereits verfügbar – stets als Unterstützung, nicht als Autopilot.⁶

Abb.: KI als unterstützender Zweitbefunder in der Rheumatologie

Therapieprädiktion: die Präzisionsrheumatologie

Das größte Versprechen ist die richtige, frühe Medikamentenwahl. Eine österreichische Arbeitsgruppe um Dubravka Ukalovic nutzte Daten des Biologika-Registers BioReg, um für 5 verschiedene Biologika das Risiko eines Nichtansprechens vorherzusagen. Bei 1.397 Patient:innen und 19 Variablen erreichten die besten Modelle je Substanz Werte (AUROC) zwischen 0,66 (Abatacept) und 0,84 (Certolizumab). Besonders wertvoll: Erklärbare KI machte sichtbar, dass einzelne Einflussfaktoren je nach Wirkstoff sogar gegensätzlich wirken können.⁷
Eine deutsche Untersuchung aus Erlangen in Journal of Clinical Medicine ergänzt das Bild. An 154 RA-Behandelten sagte ein Gradient-Boosting-Modell das initiale Ansprechen nach 6 Monaten mit einer AUCROC von 0,91 voraus, wobei der initiale DAS28-ESR als wichtigster Prädiktor fungierte.⁸ Solche Ergebnisse stammen jedoch meist aus einzelnen Zentren mit begrenzten Fallzahlen und retrospektivem Design – prospektive, multizentrische Validierung fehlt noch. Ein Überblick in Nature Reviews Rheumatology zeigt aber, dass multimodale Ansätze, etwa molekulare Modelle auf Basis synovialer RNA-Profile, bereits Krankheitssubtypen und Therapieansprechen vorhersagen können.⁹

Ethische und regulatorische Grenzen, Verantwortung, Maßstäbe

Kritische Stimmen warnen davor, KI-Vorhersagen unreflektiert zu übernehmen. Probleme sind u. a. Verzerrungen in Trainingsdaten, mangelnde Generalisierbarkeit über Populationen hinweg, unklare Entscheidungswege (Black-Box-Problem) und potenzielle Verstärkung gesundheitlicher Ungleichheiten.
Gemeinsamer Fallstrick aller Anwendungen: Modelle, die an einer Kohorte gut funktionieren, können an einer anderen scheitern. Externe Validierung ist Pflicht. Die 2024 im BMJ veröffentlichte TRIPOD+AI-Leitlinie setzt erstmals verbindliche Standards für die transparente Berichterstattung von Vorhersagemodellen – eine Reaktion darauf, dass viele Studien diese bislang nicht erfüllen. Ohne Transparenz bleibt das Black-Box-Problem bestehen.¹⁰
Das ACR fordert in seinem Positionspapier, dass Algorithmen frei von schädlicher Verzerrung, datenschutzkonform, geprüft und zertifiziert sein müssen – und keinesfalls den Versorgungszugang einschränken dürfen.⁶ Die EULAR-Empfehlungen zum Umgang mit Big Data samt zugrunde liegendem Literaturreview ergänzen methodische Leitplanken: saubere Datenerhebung, Datenschutz, adäquate Berichterstattung und vorsichtige Interpretation.^{11, 12}

Rechtliche Probleme

Medizinische KI unterliegt der EU-Medizinprodukteverordnung und gilt im europäischen AI Act meist als Hochrisikoanwendung. Jedoch berücksichtigen auch dieser und die FDA-Regeln autonome Agenten bislang nur teilweise. Unklar bleibt beispielsweise, wer bei Fehlern haftet – die Entwickler:innen, das Krankenhaus oder die behandelnden Ärzt:innen? Somit erscheinen heutige Gesetze bisher nur unzureichend auf KI vorbereitet.

Fazit: Mensch und Maschine, nicht Mensch oder Maschine

Die Evidenz zeigt erhebliche Chancen der KI in der Rheumatologie: KI ersetzt Rheumatolog:innen nicht, sondern verschiebt ihre Aufmerksamkeit dorthin, wo sie gebraucht wird. Das ACR betont, dass KI ein mächtiges Werkzeug ist, aber kein Ersatz für das klinische Urteil – die Verantwortung bleibt beim Menschen.⁶
Präzisere Diagnostik, personalisierte Therapieplanung, bessere Analysen langfristiger Krankheitsverläufe, verbesserte Erreichbarkeit für Patient:innen, beschleunigte Forschung und Entlastung von Routineaufgaben – durch den Einsatz von KI entsteht etwas Wertvolles: Zeit – für das aufklärende Gespräch, das geduldige Abwägen, das Gesamtbild aus Erfahrung und Empathie. Gleichzeitig wäre es ein Fehler, die Entwicklung zu verschlafen: KI misst heute schon präziser und macht Muster sichtbar, die dem Einzelnen entgehen.
Substanzielle Risiken müssen bewusst gemacht und vermieden werden: fehlervermittelnde Kaskaden, Scheinsicherheit und Sicherheitslücken.
Der tragfähige Mittelweg besteht darin, KI als Assistenzsystem zu nutzen, dessen Vorschläge man versteht, prüft und einordnet. Für Österreich ist das BioReg-Register mit heimischen Daten und Forscher:innen ein gutes Zeichen, die Entwicklung aktiv mitzugestalten.⁷ Die Technik wird besser werden – die entscheidende Kompetenz bleibt aber menschlich: zu wissen, wann man dem Algorithmus folgt, wann man widerspricht und wie man seine Ergebnisse so übersetzt, dass am Ende ein Mensch eine gute Entscheidung für einen anderen Menschen trifft.