Allgemeinmedizin ist geprägt durch niedrige Vortestwahrscheinlichkeiten, unspezifische Beschwerden, Multimorbidität, longitudinale Arzt-Patient-Beziehungen und soziale Kontextfaktoren. Gerade deshalb ist die Primärversorgung kein ideales Umfeld für Automatisierung, sondern ein Setting, in dem sich Stärken und Schwächen von KI-Algorithmen besonders deutlich zeigen. Für die Allgemeinmedizin kann dies bedeuten, dass ein technisch eindrucksvolles Modell im hausärztlichen Alltag trotzdem unzuverlässig sein kann, wenn die Trainingspopulation der KI, die Datenerhebung oder die Versorgungskontexte nicht mit der Zielpopulation übereinstimmen.
Hinzu kommt das Problem der algorithmischen Verzerrung: Wenn Trainingsdaten bestimmte Altersgruppen, ethnische Gruppen, soziale Milieus oder multimorbide Konstellationen unzureichend abbilden, werden Fehlklassifikationen nicht zufällig, sondern systematisch verteilt. Gerade in der Allgemeinmedizin ist dies hochrelevant, weil hier vulnerable Gruppen, sprachlich benachteiligte Patienten und Personen mit atypischer Symptompräsentation überproportional vertreten sind.
Ein weiterer Kernpunkt ist die mangelnde Erklärbarkeit vieler Systeme. Für die hausärztliche Praxis genügt es nicht, dass ein Modell eine Empfehlung ausgibt. Entscheidend ist, ob der behandelnde Arzt die Empfehlung in klinisch nachvollziehbarer Weise einordnen kann. Black-Box-Modelle erschweren die kritische Plausibilitätsprüfung, insbesondere bei Triage-Systemen, Arzneimittelvorschlägen oder der Risikoprädiktion.
Die eigentlichen Limitationen der KI in der Allgemeinmedizin liegen somit nicht in der Abwesenheit von Potenzial, sondern in der Diskrepanz zwischen technischer Leistungsfähigkeit und den Anforderungen an Sicherheit, Datenschutz, Nachvollziehbarkeit, Gerechtigkeit und haftungsrechtlicher Klärung, fasste Schön die derzeitige Situation zusammen.
G.-M. Ostendorf, Wiesbaden
