Fazit

Im Rahmen der Innovation-Sandbox für KI zeigte das Projekt «Digitale Augenklinik» sowohl das Potenzial als auch die Herausforderungen der Integration von KI in die Augenheilkunde auf. Abschliessend lässt
sich sagen, dass die KI-Technologie zur Erkennung von Augenkrankheiten zwar schnell ausgereift ist, eine erfolgreiche Einführung in einer klinischen Umgebung jedoch mehr als nur Algorithmen erfordert.
Sie erfordert eine sorgfältige Abwägung der Integration in Arbeitsabläufe, der Benutzererfahrung, der Einhaltung gesetzlicher Vorschriften und der Zustimmung der Beteiligten. Die Erfahrungen aus dem Projekt führten zu verschiedenen Erkenntnissen bezüglich Best Practices, die auf andere Augenkliniken (und andere medizinische Bereiche) übertragbar sind, die ähnliche KI-Diagnosetools implementieren möchten.

Best-Practice-Empfehlungen für die KI-Diagnostik

Auf der Grundlage der gewonnenen Erkenntnisse haben wir eine Reihe von übertragbaren Erfolgsfaktoren, häufigen Herausforderungen und empfohlenen Ansätzen für die Implementierung von KI-Diagnostik in einer Augenklinik zusammengestellt:

Strukturieren Sie den Auswahl- und Implementierungsprozess:

Gehen Sie die KI-Integration als strukturiertes Projekt an. Beginnen Sie mit einer Bedarfsanalyse und eindeutigen Zielen (z. B. «Reduktion des Screeningaufwands für DR um 30 Prozent»). Verwenden Sie klar definierte Kriterien, um Lösungen zu bewerten. Dieser strukturierte Ansatz hilft beim objektiven Vergleich der Optionen und gewährleistet, dass alle Beteiligten die Roadmap kennen. Best Practice: Unterteilen Sie das Projekt in Phasen (Marktforschung, Pilotprojekt, Validierung, Implementierung) und definieren Sie für jede Phase Entscheidungsparameter.

Setzen Sie auf offene, interoperable Architekturen:

Bevorzugen Sie Lösungen, die sich in Ihre bestehenden Systeme integrieren lassen und über die Zeit angepasst werden können. Offene Standards (wie DICOM für Bildgebung, FHIR für Gesundheitsdossiers) und modulare Architekturen verhindern später Probleme. Interoperabilität vermeidet Vendor-Lock-in. Dadurch können Sie neue KI-Modelle, intern entwickelte Diagnosetools oder alternative Bildgebungsgeräte einbinden, sobald diese verfügbar sind. In diesem Fall war die mangelnde Interoperabilität (z. B. ein Anbieter, der die aktuelle Kamera nicht unterstützt) ein Ausschlusskriterium. Best Practice: Bestehen Sie bei der Bewertung von KI-Plattformen auf Kompatibilität und verfügbare APIs.

Sichern Sie von Anfang an die Einbindung des Spitals:

Beziehen Sie Fachärztinnen und -ärzte sowie klinisches Personal frühzeitig und regelmässig ein. Ihre Zustimmung ist entscheidend für den Erfolg – ein KI-Tool wird nur dann genutzt, wenn die Endnutzerinnen und -nutzer ihm vertrauen und der Meinung sind, dass es ihren Arbeitsablauf verbessert. In diesem Projekt war die Mitgestaltung des Arbeitsablaufs und der Benutzeroberfläche durch Ärztinnen und Ärzte der Schlüssel zum erfolgreichen MVP. Sie gaben Feedback zu allen Aspekten, von der klinischen Relevanz der Ergebnisse bis hin zur Darstellung des KI-Outputs. Best Practice: Bilden Sie eine Kernbenutzergruppe von Medizinerinnen und Medizinern, um die KI zu testen und ihre Nutzung iterativ zu verbessern.

Bewerten Sie Open-Source- im Vergleich zu Anbieterlösungen:

Bei der Implementierung von KI-Tools ist es wichtig, zu entscheiden, ob ein Open-Source-Modell angepasst oder eine kommerzielle Lösung erworben werden soll. Open-Source-Modelle können häufig an lokale
Bedürfnisse angepasst werden und bieten mehr Transparenz, erfordern für eine sichere Nutzung jedoch technisches Fachwissen und Supportstrukturen. Anbieterlösungen hingegen sind in der Regel einfacher und schneller zu implementieren, können allerdings weniger flexibel sein und höhere laufende Kosten verursachen. Best Practice: Es lohnt sich, beide Optionen systematisch hinsichtlich Genauigkeit, Integration,  Nachhaltigkeit und langfristigem Mehrwert für die klinische Umgebung zu vergleichen.

Datenschutz als Herausforderung für die Implementierung:

Strenge Datenschutzbestimmungen verlangsamen häufig die KI-Implementierung in der Praxis, insbesondere bei der Verwendung von Cloud-Lösungen für sensible Gesundheitsdaten in einem öffentlichen Spital. Lokale Lösungen können zwar die Einhaltung von Vorschriften vereinfachen und vertrauliche Daten unter lokaler Kontrolle halten, erfordern jedoch erhebliche IT-Ressourcen. Best Practice: Beachten Sie die Datenschutzanforderungen von Beginn weg und prüfen Sie frühzeitig, ob sich eher eine Cloud-Lösung oder eine lokale Lösung eignet.

Klären Sie regulatorische Fragen frühzeitig: 

Die frühzeitige Einbindung der Regulierungsfachleute der Einrichtung erleichtert später die Implementierung. Klären Sie frühzeitig die Frage der MDR-Klassifizierung für Ihr KI-Tool. Auch wenn es sich um ein internes Tool handelt, dokumentieren Sie den Verwendungszweck und die Risikominderung. Holen Sie die Einwilligung der Patientinnen und Patienten ein und achten Sie auf die Transparenz, wenn KI in deren Versorgung eingesetzt wird (auch in einem Pilotprojekt). Dadurch werden Hindernisse vermieden, die dazu führen können, dass ein vielversprechendes Pilotprojekt aufgrund von Compliance-Problemen nicht in die Praxis umgesetzt werden kann. Best Practice: Behandeln Sie die regulatorische Strategie als Teil des Projektplans, nicht separat oder nachgelagert, und bewahren Sie die Dokumentation (Prüfpfade, Leistungsbewertungen) auf, die die Aufsichtsbehörden möglicherweise verlangen.

Nutzen Sie die Übertragbarkeit auf andere Fachgebiete:

Obwohl der Anwendungsfall des Projekts die Augenheilkunde war, lassen sich viele Ansätze verallgemeinern. Durch die Gestaltung des Systems mit einem flexiblen Backend (etwa der Möglichkeit, ein anderes KI-Modell und einen anderen Datensatz einzubinden) könnte die Lösung in Zukunft beispielsweise auf Radiologie, Dermatologie oder Pathologie ausgeweitet werden. Diese Weitsicht kann den Wert Ihrer Investition steigern. Best Practice: Entwickeln Sie nach Möglichkeit eine allgemeine KI-Infrastruktur (Datenpipelines, Datenbanken, Schnittstellen), damit später leichter eine weitere KI für eine andere Erkrankung hinzugefügt werden kann.

Wichtigste Dos and Don’ts bei der Implementierung klinischer KI: 

Abschliessend möchten wir einige wichtige Dos and Don’ts zusammenfassen:

• Achten Sie auf eine zuverlässige Validierung der KI mit realen Patientendaten, bevor Sie sich darauf verlassen. Behandeln Sie erste Ergebnisse mit Vorsicht und beziehen Sie Medizinerinnen und Mediziner in die Überprüfung der Ergebnisse ein.
  
  
• Investieren Sie in Schulungen und Changemanagement für Ihre Mitarbeitenden, denn selbst die beste KI ist nutzlos, wenn die Endnutzerinnen und -nutzer nicht wissen, wie sie einzusetzen ist, oder ihr nicht vertrauen.
  
  
• Unterschätzen Sie die Bedeutung der Benutzeroberfläche und der Integration der Arbeitsabläufe nicht – ein schlecht integriertes Tool wird ignoriert, egal, wie gut der Algorithmus ist.
  
  
• Gehen Sie nicht davon aus, dass eine bestehende Lösung für alle geeignet ist. Seien Sie bereit, die Entscheidungsschwellen der KI anzupassen oder sie anhand Ihrer Patientenpopulation neu zu trainieren, um Leistung und Akzeptanz zu verbessern. 
   

Zusammenfassend lässt sich sagen, dass das Projekt «Digitale Augenklinik» einen erfolgreichen Proof-of-Concept für die KI-gestützte Augenheilkunde geliefert hat. Allerdings hat es auch deutlich gemacht, dass die Technologie nur ein Teil des Gesamtkonzepts ist. Die Bereitschaft der Organisation, das Engagement der Ärzteschaft und eine klare Ausrichtung auf den Patientennutzen sind ebenso wichtig. Durch die Berücksichtigung der oben skizzierten Best Practices – von der strukturierten Planung über das interoperable Design bis hin zur proaktiven Einbindung der Beteiligten – können andere Spitäler den Weg der KI-Integration besser meistern und die Vorteile dieser vielversprechenden Technologie sicher und effektiv nutzen.