KI im MedTech: Warum gute Algorithmen alleine nichts nützen und was wirklich über Erfolg entscheidet
Künstliche Intelligenz ist in der Medizintechnik keine Zukunftsvision mehr. KI-gestützte Systeme unterstützen heute Diagnosen, priorisieren Patientenfälle und steuern Therapien. In vielen Bereichen sind sie bereits im klinischen Einsatz oder stehen kurz vor der Zulassung. Und trotzdem scheitern erstaunlich viele KI-Projekte im MedTech-Umfeld.
Der Grund liegt nur selten in der Qualität der Algorithmen. Viel häufiger sind es systemische Ursachen, die Projekte ausbremsen oder vollständig blockieren. Technisch leistungsfähige Modelle treffen auf Produktarchitekturen, Datenstrukturen und regulatorische Prozesse, die nicht für KI ausgelegt sind.
Ein verbreiteter Irrtum ist die Annahme, dass ein gut validiertes Modell allein automatisch ein zulassungsfähiges Produkt ergibt. KI ist in der Medizintechnik nie ein isolierter Baustein, sondern immer Teil eines Gesamtsystems. Und dieses System muss regulatorisch, technisch und organisatorisch beherrschbar sein.
Es gibt mehrere typische Muster, die sich in gescheiterten KI-Projekten wiederholen. Ein besonders häufiger Auslöser ist der sogenannte Dataset Shift. Modelle werden auf Daten trainiert, die nicht repräsentativ für den späteren Einsatz sind. Im Labor liefern sie beeindruckende Ergebnisse, im Feldbetrieb sinkt die Leistung deutlich. Ohne geeignete Daten-Architektur und Monitoring‑Konzepte bleibt dieser Leistungsabfall lange unentdeckt.
Ein weiterer kritischer Punkt ist die regulatorische Einordnung zu Projektbeginn. Wird eine KI-Funktion zu spät oder zu optimistisch klassifiziert, entstehen im Nachhinein massive Dokumentations- und Validierungsaufwände. Besonders bei hybriden Systemen, in denen KI in klinische Workflows eingebettet ist, sind klare Qualifizierungsentscheidungen unverzichtbar.
Hinzu kommt, dass in vielen Projekten die Post-Market-Phase unterschätzt wird. Klassische Softwareentwicklung endet häufig mit der Markteinführung. Für KI-basierte Medizinprodukte beginnt hier jedoch eine sicherheitskritische Phase. Modelle verändern ihre Leistungscharakteristik im Betrieb, etwa durch neue Patientenkollektive oder veränderte Datenverteilungen. Ohne strukturiertes Monitoring wird diese Veränderung erst erkennbar, wenn sie klinisch relevant wird.
Diese technischen und organisatorischen Herausforderungen treffen auf ein regulatorisches Umfeld, das einer permanenten Änderung unterworfen ist. Mit dem EU AI Act ist erstmals ein verbindlicher Rechtsrahmen speziell für KI‑Systeme entstanden, parallel zur bestehenden MDR‑Regulatorik. Für MedTech-Hersteller bedeutet das eine neue Komplexitätsebene, die klassische Entwicklungs- und Zulassungsansätze schnell überfordert.
Es wird deutlich, dass erfolgreiche Medizinprodukte mit KI nicht aus einem „KI‑first“-Ansatz entstehen. Entscheidend ist ein Regulatory‑by‑Design‑Ansatz, bei dem regulatorische Anforderungen von Beginn an in Architektur, Datenmanagement und Entwicklungsprozesse übersetzt werden. Nur so lassen sich technische Leistungsfähigkeit, klinische Sicherheit und regulatorische Compliance miteinander verbinden.
KI in der MedTech ist damit kein isoliertes Innovationsprojekt. Sie hat einen langfristigen Produktlebenszyklus, der strategisch geplant und systemisch umgesetzt werden muss. Wer das berücksichtigt, erhöht nicht nur die Chancen auf eine erfolgreiche Zulassung, sondern auch auf stabile und sichere Systeme im klinischen Alltag.
Wie diese Zusammenhänge im Detail aussehen und welche Faktoren über Erfolg oder Misserfolg entscheiden, zeigt das Whitepaper „KI in Medizinprodukten: Sicher integrieren, valide zulassen“.
