KI-gestützte Ersteinschätzung (Notaufnahme)

KI-gestützte Ersteinschätzung (Notaufnahme)
Definition

Integration KI-basierter Komponenten (meist Machine Learning) in Ersteinschätzung/Triage

Ziel: Dringlichkeitseinstufung präziser als mit MTS/ESI allein

Kategorie: Clinical Decision Support System (CDSS) – CDSS ≠ zwingend KI, aber KI-CDSS = Teilmenge

Unterscheidungsmerkmal der Ansätze: Grad der Transparenz (Black-Box vs. erklärbare KI)

Problem des Status quo (MTS)

Alter wird erfasst, aber nicht automatisch in Dringlichkeitsstufe einbezogen

Vitalparameter fließen nicht zwingend ein

Zuweisungsart (RD vs. Selbstvorstellung) erfasst, aber nicht gewichtet

Fehltriage gehäuft bei: Kindern, hochbetagten Pat., atypischen/subtilen Symptomen

Interrater-Variabilität sinkt mit Qualifikation/Schulungsstand des Personals

Kernergebnisse

Genauigkeit ↑ gegenüber traditionellen Instrumenten – Konsens in der Literatur

Mehr Variablen einbezogen als bei klassischer Triage

Teils zusätzliche Prognose: stationäre Aufnahme, Mortalität, ICU-Bedarf (Surrogatparameter für Akuität)

Vitalzeichen ändern sich oft vor dem Beschwerdebild → frühere Erkennung kritischer Verläufe möglich

Trade-off möglich: Sensitivität ↑ / Spezifität ↓ (weniger Unter-, mehr Übertriage)

Pädiatrie: bessere Einstufung z. B. bei Kopfverletzungen (Lokalisation, Hämatomgröße, Mechanismus)

Größter Nutzen für: sehr junge / hochbetagte Patient:innen, weniger qualifiziertes Personal

Erfahrenes Personal: eher Bestätigung der eigenen Einschätzung als Zugewinn

NLP als Zusatzoption: Auswertung von Freitext (Akten, notärztl. Notizen); Chatbots denkbar

Barrieren / Risiken

Bereich

Problem

Haftung

unklar wer verantwortlich bei Fehler: Pflege / Arzt / Hersteller

Datenschutz

bestehende Datensätze nicht ohne Weiteres als Trainingsdaten nutzbar

Ethik

Automation Bias (unkritische Übernahme trotz eigener Zweifel); Frage ob Maschine über Menschen entscheiden darf

Bias

Über-/Unterrepräsentation im Trainingsdatensatz → Diskriminierungsrisiko

Overfitting

schlechtere Leistung bei neuen/anderen Datensätzen

Evidenz

von >15.000 KI-Gesundheitsstudien nur 51 real erprobt, keine zur innerklin. Ersteinschätzung

Übertragbarkeit auf Deutschland – Einschränkungen

Kaum Studien zum deutschsprachigen MTS selbst (fast alle Studien: ESI, englischsprachig)

D: Notaufnahmen zentral organisiert; angelsächsisch: räumlich nach Dringlichkeit getrennt (shock suites, fast track etc.) → Ergebnisse nur bedingt übertragbar

International gehäuft Einstufung Stufe 3 (Folge der räumlichen Trennung) → für D weniger relevant

Praxis-Fazit

Beides möglich: KI-Add-on zum bestehenden MTS ODER eigenständiges neues System

Bei gleicher Leistung: transparente Systeme bevorzugen (Nachvollziehbarkeit > reine Genauigkeit)

Kein Mehraufwand für Personal, da benötigte Daten ohnehin erhoben werden

Größter Forschungsbedarf: deutschsprachiges MTS, reale Implementierungsstudien, rechtlich-ethischer Rahmen

Limitationen der Arbeit selbst

Selektive (nicht systematische) Literaturrecherche → Selection Bias möglich

Nur deutsch-/englischsprachige Quellen

Evidenz überwiegend aus kleinen Studien / wenigen Kliniken

Quelle: Bock, Dormann, Linnemann (2026), Notfall + Rettungsmedizin 29:305–310, DOI 10.1007/s10049-025-01605-5 (CC BY 4.0)