---werbung---
🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀

👉 https://podcast-mit-ki.systeme.io/home

---werbung---

Wenn medizinische Daten zur Grundlage intelligenter Systeme werden 

Künstliche Intelligenz verändert die Medizin. Systeme auf Basis von Machine Learning und Deep Learning unterstützen bereits heute Anwendungen in der Bildgebung, bei der Analyse medizinischer Daten und bei bestimmten diagnostischen oder klinischen Entscheidungsprozessen. Gleichzeitig wächst die Bedeutung elektronischer Patientenakten, Laborwerte, medizinischer Bilder, genetischer Informationen, Daten aus Wearables und anderer digitaler Gesundheitsdaten. Damit entsteht eine wichtige Voraussetzung für datengetriebene Medizin: Es stehen immer größere Datenmengen zur Verfügung. 

Doch Größe allein entscheidet nicht über den Wert dieser Daten. Für ein KI-System ist entscheidend, ob die verwendeten Informationen korrekt, vollständig, konsistent, relevant, aktuell und für den jeweiligen Anwendungsfall geeignet sind. Das US-amerikanische National Institute of Standards and Technology (NIST) beschreibt Datenqualität im Gesundheitsbereich genau in diesem Zusammenhang: Die Qualität der Daten beeinflusst unmittelbar die Qualität der daraus erzeugten KI-Ergebnisse. 

Damit wird Datenqualität zu einer der zentralen Voraussetzungen für die Zukunft der digitalen Medizin. Sie kann Forschung beschleunigen, Diagnostik unterstützen und neue Formen der personalisierten Medizin ermöglichen. Gleichzeitig können fehlerhafte, unvollständige oder nicht repräsentative Daten Fehler in KI-Systemen verstärken und dadurch medizinische Risiken schaffen. 

Die entscheidende Frage lautet deshalb nicht nur, wie viel medizinische Information gesammelt wird. Entscheidend ist, ob diese Information tatsächlich geeignet ist, verlässlich für medizinische Entscheidungen genutzt zu werden. 

Was bedeutet Datenqualität in der Medizin? 

Datenqualität ist kein einzelner Messwert. Sie umfasst verschiedene Eigenschaften eines Datensatzes. Korrekte Daten müssen beispielsweise sachlich richtig sein. Vollständigkeit bedeutet, dass relevante Informationen nicht systematisch fehlen. Konsistenz beschreibt, dass Daten einheitlich erfasst und interpretiert werden können. Aktualität spielt ebenfalls eine Rolle, weil medizinische Informationen ihren Wert verändern können, wenn sie veraltet sind. Hinzu kommt die Frage der Relevanz: Ein Datensatz kann technisch sehr umfangreich sein und trotzdem für eine konkrete medizinische Fragestellung ungeeignet sein. 

Diese Unterscheidung ist für KI besonders wichtig. Ein Algorithmus kann statistische Muster in sehr großen Datenmengen erkennen, aber er kann nicht automatisch feststellen, ob ein vorhandenes Muster medizinisch sinnvoll oder lediglich eine Folge von Fehlern in der Datenerfassung ist. 

NIST nennt deshalb Genauigkeit, Vollständigkeit, Konsistenz, Relevanz und Aktualität als wesentliche Aspekte hochwertiger Gesundheitsdaten. Die Weltgesundheitsorganisation weist ebenfalls darauf hin, dass belastbare Entscheidungen im Gesundheitswesen auf verlässlichen Daten beruhen und dass die Qualität von Routinedaten dauerhaft überprüft und verbessert werden muss. 

Das Problem beginnt häufig vor der KI 

Wenn über KI in der Medizin gesprochen wird, richtet sich die Aufmerksamkeit häufig auf das Modell. Welche Architektur wird verwendet? Wie leistungsfähig ist der Algorithmus? Wie groß ist das neuronale Netz? Wie gut schneidet das System bei einem Benchmark ab? 

In der Praxis beginnt die Qualität eines KI-Systems jedoch bereits wesentlich früher. Daten müssen zunächst erhoben, gespeichert, übertragen, standardisiert, annotiert und aufbereitet werden. Bei medizinischen Bildern muss beispielsweise festgelegt werden, welche Befunde als relevante Merkmale gelten. Bei klinischen Daten muss klar sein, welche Variable tatsächlich gemessen wurde und unter welchen Bedingungen die Messung erfolgte. 

Auch die Herkunft der Daten ist entscheidend. Daten aus einem spezialisierten Universitätsklinikum können andere Patientengruppen abbilden als Daten aus einer regionalen Versorgungseinrichtung. Unterschiede können unter anderem bei Alter, Erkrankungen, Behandlungsmethoden, medizinischer Infrastruktur oder der Häufigkeit bestimmter Diagnosen auftreten. 

Ein KI-System, das ausschließlich aus einer bestimmten Population gelernt hat, kann deshalb außerhalb dieser Population schlechter funktionieren. Das bedeutet nicht zwangsläufig, dass das Modell technisch schlecht entwickelt wurde. Vielmehr kann der Datensatz die Realität, in der das System später eingesetzt wird, nicht ausreichend abbilden. 

Die WHO betont deshalb bei KI im Gesundheitswesen die Bedeutung repräsentativer, ethisch gewonnener und möglichst bias-armer Datensätze. Ziel ist nicht lediglich eine hohe technische Leistungsfähigkeit, sondern ein sicherer und gerechter Einsatz der Technologie. 

Wenn schlechte Daten zu guten Ergebnissen führen – und trotzdem gefährlich sind 

Eine besondere Herausforderung besteht darin, dass ein KI-System mit problematischen Daten durchaus überzeugende Testergebnisse erzielen kann. 

Ein Algorithmus kann beispielsweise statistische Zusammenhänge erkennen, die innerhalb seines Trainingsdatensatzes sehr zuverlässig erscheinen. Wenn diese Zusammenhänge jedoch nicht die eigentliche medizinische Ursache abbilden, sondern lediglich mit bestimmten Aufnahmebedingungen, Untersuchungsgeräten, Kliniken oder Dokumentationsmustern verbunden sind, kann das System außerhalb des Trainingsumfelds versagen. 

Dieses Problem ist eine Variante dessen, was in der KI-Forschung häufig als Distribution Shift bezeichnet wird. Die Daten, mit denen ein System später konfrontiert wird, unterscheiden sich von den Daten, mit denen es entwickelt oder getestet wurde. 

Deshalb reicht es nicht aus, ein Modell einmal mit einem großen Datensatz zu trainieren. Entscheidend ist auch die externe Validierung. Ein System sollte unter Bedingungen geprüft werden, die möglichst realistisch für den späteren Einsatz sind. Die WHO hebt die externe Validierung von Daten und die klare Definition des vorgesehenen Anwendungsbereichs ausdrücklich als wichtige Elemente für die Sicherheit medizinischer KI hervor. 

Der Bias in medizinischen Datensätzen 

Eine der größten Herausforderungen der Datenqualität ist Verzerrung, häufig als Bias bezeichnet. Bias kann entstehen, wenn bestimmte Bevölkerungsgruppen in einem Datensatz überrepräsentiert sind, während andere nur unzureichend vorkommen. 

Das Problem ist nicht auf KI beschränkt. Medizinische Forschung und Versorgung müssen grundsätzlich mit unterschiedlichen Patientengruppen umgehen. Bei KI kann eine bestehende Verzerrung jedoch systematisch in ein Modell übertragen werden. 

Wenn ein Modell bestimmte Krankheitsbilder überwiegend anhand von Daten einer bestimmten Patientengruppe gelernt hat, ist nicht automatisch gewährleistet, dass es bei anderen Gruppen gleich zuverlässig arbeitet. Deshalb ist die Repräsentativität der Daten nicht nur eine statistische Frage, sondern auch eine Frage der Patientensicherheit und der gesundheitlichen Chancengleichheit. 

Die europäische KI-Regulierung greift diesen Punkt ausdrücklich auf. Artikel 10 des EU AI Act sieht für bestimmte Hochrisiko-KI-Systeme Anforderungen an Training-, Validierungs- und Testdaten sowie an deren Daten-Governance vor. Dazu gehören unter anderem die Prüfung von Herkunft und Aufbereitung der Daten sowie die Untersuchung möglicher Verzerrungen und geeignete Maßnahmen zu deren Vermeidung oder Verringerung. 

Elektronische Gesundheitsdaten werden zum strategischen Rohstoff 

Die Bedeutung hochwertiger Daten wächst auch deshalb, weil immer mehr medizinische Informationen digital verfügbar werden. Elektronische Gesundheitsakten, Laborwerte, medizinische Bildgebung, Register, klinische Studien und Daten medizinischer Geräte können unterschiedliche Perspektiven auf den Gesundheitszustand eines Menschen liefern. 

In der Europäischen Union soll der European Health Data Space, kurz EHDS, dafür einen gemeinsamen Rahmen schaffen. Die entsprechende Verordnung trat am 26. März 2025 in Kraft. Sie verfolgt unter anderem das Ziel, Patientinnen und Patienten einen besseren Zugang zu ihren elektronischen Gesundheitsdaten zu ermöglichen und deren sichere Weiterverwendung für Forschung, Innovation, Gesundheitspolitik und regulatorische Zwecke zu erleichtern. 

Dabei unterscheidet der EHDS zwischen der primären Nutzung von Gesundheitsdaten für die Versorgung und der sekundären Nutzung beispielsweise für Forschung oder Innovation. Für die sekundäre Nutzung gelten festgelegte Bedingungen und Schutzmechanismen. Die Umsetzung erfolgt schrittweise; wichtige Teile der Regelung zur grenzüberschreitenden Nutzung sollen ab 2029 beziehungsweise 2031 Anwendung finden. 

Damit entsteht ein Spannungsfeld: Je besser Gesundheitsdaten zugänglich und miteinander nutzbar sind, desto größer kann ihr wissenschaftlicher und technologischer Wert werden. Gleichzeitig steigt die Bedeutung von Datenschutz, Datensicherheit, Zugriffsregeln und einer verantwortungsvollen Daten-Governance. 

Mehr Daten sind nicht automatisch bessere Daten 

Die Digitalisierung erzeugt große Mengen an Gesundheitsinformationen. Das bedeutet jedoch nicht automatisch, dass diese Informationen für KI-Systeme geeignet sind. 

Ein umfangreicher Datensatz kann beispielsweise viele fehlende Werte enthalten. Unterschiedliche Einrichtungen können dieselben medizinischen Sachverhalte unterschiedlich dokumentieren. Laborwerte können mit unterschiedlichen Einheiten oder Referenzbereichen gespeichert werden. Diagnosen können sich im Laufe der Zeit verändern oder unterschiedlich kodiert sein. 

Auch die zeitliche Dimension ist relevant. Eine medizinische Behandlung verändert möglicherweise den Zustand eines Patienten. Werden Daten aus unterschiedlichen Zeitpunkten miteinander kombiniert, muss klar sein, in welcher Reihenfolge Ereignisse stattgefunden haben. 

Für KI-Systeme kann eine solche Datenqualität entscheidend sein. Ein Modell erkennt keine medizinische Wahrheit, sondern mathematische Zusammenhänge in den Daten, mit denen es entwickelt wurde. Sind diese Daten unvollständig oder systematisch verzerrt, kann auch das gelernte Modell entsprechende Fehler übernehmen. 

Der Grundsatz „Garbage in, garbage out“ ist deshalb gerade im Gesundheitswesen relevant: Die Leistungsfähigkeit eines KI-Systems ist nicht unabhängig von der Qualität seiner Datengrundlage. NIST bezeichnet Datenqualität ausdrücklich als einen Schlüssel für zuverlässige KI-Anwendungen im Gesundheitswesen. 

Die Chancen hochwertiger Gesundheitsdaten 

Hochwertige medizinische Daten können einen erheblichen Nutzen für Forschung und Versorgung ermöglichen. Werden Informationen aus verschiedenen Quellen strukturiert und unter geeigneten Bedingungen zusammengeführt, können Forschende größere Patientengruppen untersuchen und Zusammenhänge erkennen, die in einzelnen Einrichtungen schwer sichtbar wären. 

Die Europäische Kommission sieht in der sekundären Nutzung von Gesundheitsdaten unter anderem Potenzial für medizinische Forschung, neue Behandlungsmethoden, bessere Gesundheitsversorgung und evidenzbasierte Gesundheitspolitik. Auch die Erforschung seltener Erkrankungen kann von größeren und besser zugänglichen Datensätzen profitieren. 

Für KI bedeutet dies eine wichtige Grundlage. Machine-Learning-Systeme benötigen Daten, um Muster zu lernen. Deep-Learning-Modelle können besonders komplexe Zusammenhänge aus großen Datensätzen ableiten. Bei multimodalen Systemen können unterschiedliche Datentypen wie Text, Bilder oder andere Informationen gemeinsam verarbeitet werden. 

Die WHO sieht deshalb großes Potenzial in KI für das Gesundheitswesen, verbindet diese Chancen aber ausdrücklich mit Anforderungen an Sicherheit, Ethik, Governance und Regulierung. 

Medizinische KI ist bereits Realität 

Die Entwicklung ist längst über die reine Forschung hinausgegangen. In den USA führt die Food and Drug Administration eine öffentlich zugängliche Liste KI-gestützter Medizinprodukte. Die Liste umfasst inzwischen eine große und weiter wachsende Zahl zugelassener beziehungsweise autorisierter Systeme. Zu den dokumentierten Anwendungen gehören unter anderem Systeme aus der Radiologie, Neurologie und anderen medizinischen Bereichen. 

Der FDA-Jahresbericht für 2025 nennt mehr als 1.300 bis dahin autorisierte KI-gestützte Medizinprodukte. Das verdeutlicht, dass KI nicht mehr ausschließlich ein Forschungsgebiet ist, sondern zunehmend Bestandteil realer medizinischer Produkte und Arbeitsabläufe wird. 

Besonders stark ist die Entwicklung in Bereichen, in denen medizinische Daten bereits digital und strukturiert vorliegen. Dazu zählt beispielsweise die medizinische Bildgebung. KI kann dort bei der Analyse von Aufnahmen unterstützen und bestimmte Muster automatisiert erkennen. 

Dabei bedeutet eine Zulassung allerdings nicht, dass eine KI selbstständig jede medizinische Entscheidung treffen kann. Die jeweilige Zulassung bezieht sich auf den konkreten vorgesehenen Verwendungszweck und die entsprechenden regulatorischen Anforderungen. 

Von der Diagnosehilfe zur datengetriebenen Medizin 

Die langfristige Bedeutung hochwertiger Gesundheitsdaten geht über einzelne Diagnosewerkzeuge hinaus. Wenn Daten aus elektronischen Gesundheitsakten, Laboruntersuchungen, medizinischen Bildern, Geräten und anderen Quellen miteinander verbunden werden können, entsteht die Möglichkeit einer stärker integrierten datengetriebenen Medizin. 

Dabei könnte KI nicht nur einzelne Bilder analysieren, sondern verschiedene Informationsquellen gemeinsam berücksichtigen. Die WHO beschäftigt sich bereits mit sogenannten Large Multimodal Models, die unterschiedliche Datentypen verarbeiten können und perspektivisch in Gesundheitsversorgung, Forschung und Arzneimittelentwicklung eingesetzt werden könnten. Gleichzeitig weist die WHO darauf hin, dass die tatsächlichen Fähigkeiten und Grenzen solcher Systeme weiterhin sorgfältig bewertet werden müssen. 

Damit verschiebt sich die Diskussion über Datenqualität. Es reicht künftig möglicherweise nicht mehr aus, einzelne Datenfelder korrekt zu speichern. Entscheidend wird sein, ob Daten aus verschiedenen Quellen interoperabel zusammengeführt und in ihrem jeweiligen Kontext korrekt interpretiert werden können. 

Datenschutz bleibt die zentrale Gegenfrage 

Gesundheitsdaten gehören zu den besonders sensiblen personenbezogenen Informationen. Eine stärkere Nutzung für KI und Forschung kann deshalb nicht losgelöst vom Datenschutz betrachtet werden. 

Die Herausforderung besteht darin, einen sinnvollen Zugang zu Daten zu ermöglichen und gleichzeitig die Privatsphäre der betroffenen Menschen zu schützen. Der EHDS sieht für die sekundäre Nutzung unter anderem Genehmigungsverfahren, sichere Verarbeitungsumgebungen, Anforderungen an Anonymisierung beziehungsweise Pseudonymisierung und weitere Schutzmaßnahmen vor. Unter bestimmten Bedingungen ist auch ein Opt-out von der sekundären Nutzung vorgesehen. 

Damit wird deutlich, dass Datenqualität und Datenschutz keine Gegensätze sein müssen. Eine hochwertige Dateninfrastruktur benötigt beides. Daten müssen für einen definierten Zweck ausreichend zugänglich, strukturiert und verlässlich sein, gleichzeitig aber kontrolliert und sicher verarbeitet werden. 

Der EU AI Act verändert die Anforderungen 

Auch die Regulierung von Künstlicher Intelligenz verändert den Umgang mit medizinischen Daten. Der EU AI Act verfolgt einen risikobasierten Ansatz und stellt an bestimmte Hochrisiko-Systeme besonders hohe Anforderungen. 

Für entsprechende Systeme verlangt Artikel 10 unter anderem geeignete Verfahren für Daten-Governance und Datenmanagement. Dazu gehören die Berücksichtigung der Datenerhebung und ihrer Herkunft, der Aufbereitung, Kennzeichnung, Bereinigung und Aktualisierung sowie die Bewertung der Eignung und möglicher Verzerrungen der Datensätze. 

Der aktuelle Zeitplan sieht für verschiedene Kategorien von Hochrisiko-Systemen unterschiedliche Anwendungsdaten vor. Für Hochrisiko-KI, die in regulierte Produkte wie bestimmte Medizinprodukte eingebettet ist, ist eine längere Übergangsfrist vorgesehen. Die entsprechenden Regeln sollen nach dem derzeit veröffentlichten EU-Zeitplan ab August 2028 gelten; bei anderen Hochrisiko-Anwendungen ist Dezember 2027 als zentraler Anwendungstermin vorgesehen. 

Damit wird Datenqualität zunehmend von einer rein technischen Angelegenheit zu einer regulatorischen Anforderung. 

Regulierung allein garantiert keine gute Datenqualität 

Trotz dieser Fortschritte kann Regulierung nicht jedes Datenproblem lösen. Die Qualität eines Datensatzes hängt auch von den Prozessen in Krankenhäusern, Arztpraxen, Laboren, Forschungseinrichtungen und bei Technologieanbietern ab. 

Wenn Daten bereits bei der Erfassung fehlerhaft sind, kann ein späterer Algorithmus diese Fehler nicht automatisch beseitigen. Ebenso wenig kann ein KI-System allein entscheiden, ob eine bestimmte Information unter einem bestimmten medizinischen Kontext korrekt interpretiert wurde. 

Deshalb wird menschliche Kontrolle weiterhin eine wichtige Rolle spielen. Die FDA betont bei KI-gestützten Medizinprodukten einen Ansatz über den gesamten Produktlebenszyklus hinweg. Entwicklung, Validierung, Dokumentation, Überwachung nach der Markteinführung und der Umgang mit Änderungen gehören zusammen. 

Diese Entwicklung ist besonders relevant, weil KI-Systeme nicht immer statisch bleiben. Änderungen an Daten, Software oder Modellen können die Leistungsfähigkeit eines Systems beeinflussen. Die Überwachung nach der Einführung in die Praxis gewinnt deshalb an Bedeutung. 

Die nächste Herausforderung: Datenqualität im laufenden Betrieb 

Die klassische Vorstellung von Datenqualität betrachtet häufig einen Datensatz zu einem bestimmten Zeitpunkt. In einer zunehmend digitalen Medizin reicht das möglicherweise nicht mehr aus. 

Gesundheitsdaten werden laufend aktualisiert. Neue Laborwerte kommen hinzu, Diagnosen verändern sich, Behandlungen werden begonnen oder beendet und medizinische Geräte erzeugen kontinuierlich neue Informationen. Gleichzeitig können sich klinische Standards und Patientengruppen verändern. 

Damit entsteht die Notwendigkeit einer kontinuierlichen Qualitätssicherung. Die WHO stellt bei ihren Instrumenten zur Datenqualität ebenfalls nicht nur die einmalige Prüfung, sondern die Verbesserung und Nachverfolgung von Datenqualität in den Mittelpunkt. 

Für KI-Systeme bedeutet das, dass die Frage nicht nur lautet, ob ein Modell bei seiner Entwicklung funktioniert hat. Entscheidend ist auch, ob es unter veränderten Bedingungen weiterhin zuverlässig arbeitet. 

Interoperabilität wird zum Schlüsselfaktor 

Eine weitere Herausforderung liegt in der Fähigkeit unterschiedlicher Systeme, medizinische Informationen miteinander auszutauschen. Daten können vorhanden sein, aber trotzdem nur eingeschränkt nutzbar sein, wenn Systeme unterschiedliche Formate, Standards oder Bedeutungen verwenden. 

Interoperabilität ist deshalb ein wichtiger Bestandteil einer leistungsfähigen digitalen Gesundheitsinfrastruktur. Die WHO nennt die Förderung von Interoperabilität und Datenaustausch ausdrücklich als Bestandteil einer verantwortungsvollen Governance für Gesundheitsdaten. 

Der EHDS soll ebenfalls dazu beitragen, den Austausch elektronischer Gesundheitsdaten innerhalb der Europäischen Union zu verbessern und einen gemeinsamen Rahmen für elektronische Gesundheitsakten zu schaffen. 

Je besser Daten technisch und semantisch miteinander kompatibel sind, desto größer wird grundsätzlich ihr Potenzial für Forschung und KI. Gleichzeitig steigt damit die Bedeutung gemeinsamer Standards und klarer Verantwortlichkeiten. 

Was sich in den kommenden Jahren verändern könnte 

Die Entwicklung deutet auf eine Medizin hin, in der Daten zunehmend über die gesamte Versorgungskette hinweg genutzt werden. Elektronische Gesundheitsakten, medizinische Geräte, Bildgebung, Laboranalysen und Forschungsdaten könnten stärker miteinander verbunden werden. 

Der EHDS schafft dafür in Europa einen regulatorischen und infrastrukturellen Rahmen, dessen Umsetzung über mehrere Jahre erfolgen wird. Die Europäische Kommission sieht insbesondere in der sekundären Nutzung Möglichkeiten für Forschung, Innovation und datengetriebene Gesundheitsanwendungen. 

Parallel entwickelt sich die KI weiter. Multimodale Modelle können unterschiedliche Datenarten verarbeiten, während spezialisierte Machine-Learning-Systeme weiterhin für konkrete medizinische Aufgaben eingesetzt werden. Ob allgemeine KI-Systeme langfristig zuverlässig genug für komplexe medizinische Entscheidungen werden, ist derzeit keine abschließend beantwortete Frage. 

Wahrscheinlicher ist zunächst eine zunehmende Kombination aus spezialisierten KI-Systemen, medizinischer Software, elektronischen Gesundheitsdaten und menschlicher Expertise. Dabei wird nicht allein die Leistungsfähigkeit des Algorithmus über den Erfolg entscheiden, sondern die gesamte technische und organisatorische Umgebung, in der er eingesetzt wird. 

Datenqualität wird zum Qualitätsmerkmal der Medizin selbst 

Die Diskussion über Datenqualität führt damit zu einer grundlegenderen Erkenntnis. Daten sind in der Medizin nicht einfach ein Nebenprodukt der Behandlung. Sie werden zunehmend zu einer Infrastruktur, auf der Forschung, Versorgung, Qualitätsmanagement und KI-Anwendungen aufbauen. 

Wenn diese Infrastruktur zuverlässig funktioniert, können Daten einen erheblichen Mehrwert erzeugen. Krankheiten lassen sich möglicherweise früher erkennen, Forschung kann effizienter werden und medizinische Entscheidungen können durch zusätzliche Informationen unterstützt werden. 

Wenn die Datengrundlage dagegen unvollständig, verzerrt oder falsch interpretiert ist, kann Digitalisierung bestehende Probleme nicht automatisch lösen. Im ungünstigsten Fall kann ein automatisiertes System Fehler sogar schneller und systematischer reproduzieren. 

Die eigentliche Herausforderung besteht deshalb nicht darin, möglichst viele Daten zu sammeln. Entscheidend ist, die richtigen Daten in einer nachvollziehbaren Qualität, im richtigen Kontext und unter angemessenen Schutzbedingungen verfügbar zu machen. 

Fluch oder Segen? 

Datenqualität in der Medizin ist weder grundsätzlich Fluch noch automatisch Segen. Sie ist eine Voraussetzung dafür, dass datengetriebene Technologien ihren Nutzen tatsächlich entfalten können. 

Hochwertige Daten schaffen die Grundlage für zuverlässigere Analysen, wissenschaftliche Erkenntnisse und medizinische KI-Anwendungen. Schlechte Daten können dagegen falsche Zusammenhänge verstärken, Verzerrungen reproduzieren und die Aussagekraft automatisierter Systeme einschränken. 

Die zunehmende Regulierung zeigt, dass diese Erkenntnis auch auf politischer Ebene angekommen ist. Der EU AI Act verankert Anforderungen an Daten-Governance bei bestimmten Hochrisiko-Systemen, während Gesundheitsdatenregulierungen wie der EHDS gleichzeitig versuchen, den kontrollierten Zugang und die Weiterverwendung medizinischer Daten zu ermöglichen. 

Die entscheidende Entwicklung der kommenden Jahre dürfte deshalb weniger darin bestehen, einfach immer größere Datenmengen zu erzeugen. Viel wichtiger wird die Fähigkeit sein, Daten zuverlässig zu erfassen, ihre Herkunft und Qualität nachvollziehbar zu dokumentieren, Verzerrungen zu erkennen, Systeme kontinuierlich zu überwachen und unterschiedliche Datenquellen sinnvoll miteinander zu verbinden. 

Für die Medizin bedeutet das eine klare Konsequenz: Künstliche Intelligenz kann nur so verlässlich sein, wie die gesamte Kette hinter ihr. Datenqualität ist damit kein technisches Detail im Hintergrund, sondern eine der zentralen Voraussetzungen dafür, dass die Digitalisierung des Gesundheitswesens tatsächlich zu besseren Entscheidungen und besseren Versorgungsergebnissen beitragen kann.