Die Anforderungen an Klinik und Forschung wachsen. Der Personalbericht 2025 des Royal College of Radiologists dokumentiert für England einen Anstieg des Bedarfs an komplexer Bildgebung um 9 % gegenüber 4,2 % beim ärztlichen Personalbestand auf Consultant-Ebene in der Radiologie.3 Zugleich müssen Arztbriefe, Befunde und Bilddaten für die Forschung verlässlich aufbereitet werden. KI könnte hier bei der Durchführung überprüfbarer und repetitiver Arbeitsschritte unterstützend wirken und diese in unterversorgten Regionen überhaupt ermöglichen.
Für klinische Register müssen Informationen aus Arztbriefen, Befunden und strukturierten Krankenhausdaten in einheitliche Datensätze überführt werden. Die häufig manuelle Erfassung und Überprüfung dieser Angaben bindet erhebliche personelle Ressourcen. Auch die Aufbereitung von Bilddaten für spezifische Forschungsfragen ist aufwendig: Bei der Aortenklappenverkalkung ist zur Therapieplanung mittels Transkatheter-Aortenklappenimplantation (TAVI) eine Erfassung der lokalen Kalklast nötig. Deren Verteilung auf die einzelnen Klappentaschen ist außerdem von Interesse für die Forschung, um Zusammenhänge mit Komplikationen nach TAVI zu untersuchen. Dafür müssen Verkalkungen in den CT-Bildern räumlich zugeordnet und getrennt quantifiziert werden. Die beiden vorgestellten Projekte setzen an diesen wiederkehrenden Aufgaben an: einerseits an der strukturierten Erfassung klinischer Registerdaten und andererseits an der differenzierten Quantifizierung von Aortenklappenverkalkungen mithilfe von KI.
Die KI-gestützte Erfassung von 266 Registervariablen bei 230 konsekutiv eingeschlossenen Patientinnen und Patienten wurden mit der manuellen Extraktion verglichen. Dabei hat ein lokal im Krankenhaus laufendes Large Language Modell (LLM) Angaben aus heterogenen Freitext-Quellen zusammengestellt. Dies wurde erweitert durch die automatische Ergänzung strukturiert vorhandener Daten (zum Beispiel Laborwerte). Für jeden Eintrag wurden Regeln zur Priorisierung von Quellen und Plausibilitätsprüfungen definiert. Unklare Fälle wurden zur manuellen Überprüfung weitergeleitet.
Beim zweiten Projekt zur Auswertung nativer CT-Aufnahmen vor TAVI wurde anhand von 141 Untersuchungen ein Modell zur Erkennung und Zuordnung der Verkalkungen der einzelnen Aortenklappentaschen sowie zur Berechnung des Calciumscores trainiert. Das könnte die Untersuchung von Zusammenhängen zwischen Verkalkungsmustern und TAVI-Komplikationen erleichtern. In einem internen Vergleich wurden zusätzlich die automatisierten Gesamtscores anhand radiologischer Routinebefunde von 1.023 Untersuchungen überprüft.
Bei der Registererstellung sank der personelle Bearbeitungsaufwand gegenüber der vollständig manuellen Erfassung von 43 auf 1,4 Minuten pro Patientin bzw. Patient, entsprechend einer Reduktion um rund 97 %. Die Kombination aus automatischer Erfassung und gezielter Kontrolle erreichte die höchste Übereinstimmung mit rein manueller Extraktion, bei einer Sensitivität von 95,8 % und einer Spezifität von 99,6 %. Der menschliche Arbeitsschwerpunkt verlagert sich damit auf die Prüfung vorbereiteter Angaben.
Beim Calcium-Scoring zeigte die automatische Zuordnung zu den Klappentaschen intern eine gute räumliche Übereinstimmung mit manuellen Markierungen (Dice-Koeffizient 0,82). Gegenüber den radiologischen Routinebefunden lag der Gesamtscore im Mittel um 347 Agatston-Einheiten niedriger. Als Folge dessen fiel die Einordnung in Risikogruppen anhand geschlechtsspezifischer Calciumscore-Grenzwerte in 7,9 % der Untersuchungen anders aus als mit der rein manuellen Berechnung, überwiegend in eine niedrigere Kategorie. Besonders nahe diesen Grenzwerten ist daher eine fachliche Kontrolle erforderlich.
Für sowohl die Registeranwendung als auch dem automatischen Calcium-Scoring ist eine prospektive Validierung geplant. Die Übertragbarkeit auf andere Zentren und ein Nutzen für klinische Endpunkte sind durch die bisherigen Untersuchungen nicht belegt.
Beide Projekte zeigen, wo KI steigende Anforderungen aus Klinik und Forschung konkret unterstützen kann: bei der Aufbereitung von Routinedaten und der systematischen Auswertung von Bildgebung. Wo KI bei der Registererstellung mit großer Effizienzsteigerung bei ähnlicher Qualität helfen könnte, kann sie womöglich auch die Bildanalyse bei der Untersuchung von Verkalkungsmustern in größeren Kohorten erleichtern.
Aus Sicht des Forschungsteams sollte die Entwicklung mit einem konkreten Problem im Arbeitsalltag beginnen. Zur Anwendung gehören eine Oberfläche für die Kontrolle und ein klarer Umgang mit auffälligen Ergebnissen. Für die Einführung ist anschließend entscheidend, ob Datenqualität und tatsächlicher Kontrollaufwand den Erwartungen entsprechen. Diese Prüfung sollte von Anfang an Teil des Projekts sein.
Zur Übersichtsseite Digitale Kardiologie
