Chronische Rücken- und Arthroseschmerzen sind häufig, heterogen und biopsychosozial geprägt. Genau deshalb haben sich multimodale Konzepte etabliert: aktive Bewegungstherapie und Patien­tenedukation als Basis ergänzt durch validierte ­psychologische Ansätze (z. B. kognitiv-behavioral) ­sowie ggf. medikamentöse oder interventionelle Bausteine mit Funktionszielen statt reiner Schmerzfokussierung. Nationale und internationale Leitlinien betonen kombinierte, aktive Behandlungsstrategien und raten ab von rein passivitätsfördernden Verfahren [1,2]. Auch für Knie- und Hüftgelenksarthrose empfehlen hochwertige Leitlinien konsistente niederschwellige Bewegung, Aufklärung und Gewichtsmanagement als Kern langfristiger Maßnahmen [3,4].

‍

In der Praxis scheitert Multimodalität oft an 3 (vorwiegend strukturellen) Engpässen:

1. Richtige Intensität für die jeweilige Person: Wer braucht ein individuelles, intensives interdisziplinäres Programm, wer ist mit einem strukturierten Basisprogramm gut behandelt?
2. Verlaufstransparenz: Bislang gibt es zu wenig ­standardisierte Outcome-Messungen und zu selten Re-Assessments wegen fehlender Compliance.
3. Kapazitäts-/Wirtschaftlichkeitsprobleme: Psychologie, Edukation und Coaching sind personalintensiv.

Wenn wir eines aus der aktuell rasanten Entwicklung der KI in der Medizin mitnehmen können, dann: Die Möglichkeiten von KI zur Strukturunterstützung und Prozessoptimierung sind beispiellos, trotz aller Fehleranfälligkeit derzeit. KI kann wirklich helfen (siehe Abb. KI-Anwendungsfelder).

‍

Evidenzbasiert bei KI in der Schmerzmedizin

Übersichtsarbeiten aus den Jahren 2024 und 2025 zeigen, dass KI meist in den Bereichen Prädiktion, Entscheidungsunterstützung, digitales Selbst­management und (semi-)objektives Monitoring eingesetzt wird. Eine breite Routine-Integration lässt noch auf sich warten [5,6]. Die Gründe dafür sind neben den Datenschutzbedenken die begrenzte externe Validierung, fehlende Einbettung in Workflows (Grund: fehlende Expertise) und ­Governance-Fragen sowie potenzielle Bias- und ­Fairness-Probleme [5,6].

Die klinische Outcome-Evidenz für KI-unterstützte digitale verhaltensbezogene Versorgung belegt aber, dass KI entscheidend unterstützen kann. In einer randomisierten vergleichenden Studie war eine Schmerzintervention mit mobil vermittelter kognitiver Verhaltenstherapie (CBT) plus KI-Unterstützung einer CBT, die nur telefonisch durch einen Therapeuten geleitet wurde, nicht(!) unterlegen [7]. Das ist klinisch relevant, weil so Kapazität in multimodalen Programmen freigesetzt wird. Voraus­setzung ist, dass die KI sauber in die Betreuung und Eskalationswege eingebunden wird.

Für die automatisierte Schmerzerfassung über Bildanalyse (Deep-Learning-Modell, z. B. aus Mimik, Stimme oder auch der Gesamt-Erscheinung/Physiologie) existiert eine schnell wachsende technische Evidenz. Systematische Reviews belegen eine hohe Leistungsfähigkeit in Forschungs-Settings. ­Allerdings ist die Übertragung in robuste, faire und klinisch sichere Routineanwendungen oft noch eine Hürde [8].

‍

In Forschungs-Settings überzeugt KI – die Übertragung in die klinische Routine ist oft noch schwierig.

‍

Szenario 1: chronischer unspezifischer Rückenschmerz

Bei chronischen unspezifischen Rückenschmerzen von mindestens 6–12 Wochen Dauer besteht die Basis aus leitlinienkonformen aktiven Therapiepaketen. Bei Bedarf werden diese kombiniert mit psychosozialen Konzepten zur Berücksichtigung des Versorgungskontextes [1,2,10].

Aufgaben für die KI: Sie erfasst strukturiert und ­regelmäßig die Funktion einer erkrankten Person sowie Interferenzen zwischen Schlaf, Angstvermeidung und Aktivitätsniveau. Hieraus lassen sich automatisch Zusammenfassungen für die therapeutische Fallkonferenz erstellen und im Dashboard anzeigen.Entscheidungspunkte hierbei sind etwa:

1. Hohe psychosoziale Belastung wird früh identifi­ziert. Dies führt dazu, dass psychologische Module, eventuell sogar durch KI initiiert, gezielt ausgewählt und vom Arzt freigegeben werden.
2. Nach 2– 4 Wochen Therapie fehlt ein Funktionsgewinn. Dies führt dazu, dass diverse Parameter wie Trainingsdosis oder Expositionsstrategie angepasst werden.

Der Mehrwert durch die KI liegt in konsistenten ­Re-Assessments (damit Erhöhung der Compliance). Es werden weniger Entscheidungen aus dem „Bauchgefühl“ getroffen und knappe Ressourcen zielführend eingesetzt [1,2,5,6].

‍

Szenario 2: Knie- oder Hüftgelenksarthrose

Bei Schmerz und Aktivitätsminderung infolge einer Arthrose besteht die Basistherapie aus mehr Bewegung, Schulung und ggf. Gewichtsmanagement sowie medikamentösen Optionen als Ergänzung [3,4].

Aufgaben für die KI: Sie macht adaptive Trainingsvorschläge auf Basis von Symptom- und Aktivitätstrends (Anwendung von Wearables wie Smartwatches oder Fitnessarmbänder).

Kontraindizierte Überlastungsmuster werden frühzeitig erkannt und es wird mit zielgerichteten Edukationsmodulen fortwährend gegengesteuert.

Der Mehrwert durch die KI liegt in einer besseren Adhärenz durch kleinschrittige Progression und integrierte Feedback-Schleifen. In multimodalen Programmen werden die Therapieteams durch die strukturierte Zwischenbetreuung entlastet [3,4,5-7]. Alles erfolgt aber unter ärztlicher Aufsicht.

‍

So stärkt KI die Multimodalität

Die zentrale Botschaft aus wissenschaftlichen ­Reviews ist bisher: Der Engpass liegt in der Validierung und der klinischen Integrationsfähigkeit [5,6]. Hier gibt es Lücken bei der Kommunikation zwischen Entwicklern und dem klinischen Umfeld. Für die ­Privatpraxis oder ein Medizinisches Versorgungs­zentrum (MVZ) sind 3 Regeln hilfreich:

1. Human-in-the-loop: Keine autonomen Therapieentscheidungen durch die KI. Ihre Äußerungen sind Hinweise, keine Anordnungen [5,6] und müssen auf Richtigkeit geprüft werden. Die einfache Übernahme eines KI-Outputs gilt auch heute noch als unzulässige und leichtsinnige Verfahrensweise, die schwerwiegende Konsequenzen für Erkrankte und Behandelnde haben kann.
2. Empfohlen wird der Start mit einem klaren Use Case/Anwendungsfall aus dem Alltag (z. B. digitale CBT-/Edukations-Module oder individuelle Trainingsplanerstellung) statt einer All-in-One-Lösung. Zwar mag das zugrunde liegende Weltwissen der KI verlockend sein, Fehlerquoten in den Aussagen der untersuchten KI-Modelle (ChatGPT-3.5, GPT-4, GPT-4-turbo, GPT-4o) werden aber mit großer Varianz zwischen 8 und 40 % angegeben, abhängig vom Kontext [11]. Auch wenn sich die Modelle rasant weiterentwickelt haben, ist aktuell noch Vorsicht geboten, bis wissenschaftlich verifizierte, validierte und reliable Modelle erscheinen.
3. Messung: Erfolg äußert sich nicht nur klinisch (als Outcome der Funktion oder Interferenz), sondern auch operational (Zeit, Kapazität, Drop-out, Eskalationen). Nur so lässt sich der tatsächliche Nutzen belegen. Entscheidend bleibt die Patientenzentrierung, nicht die technische Spielerei.

‍

Vier KI-Anwendungsfelder für multimodale Versorgung

‍

Risiken und Grenzen des KI-Einsatzes

• Wenn Trainingsdaten bestimmte Patientengruppen schlechter abbilden, kann die KI systematisch ­falsche Priorisierungen treffen. Dadurch werden bestehende Versorgungsungleichheiten verstärkt [5,6]. Wir wissen, dass KI-Modelle derzeit sozial-kulturell unterschiedlich trainiert sind.
• Ein hoher AUC(Area Under the Curve)-Wert heißt nur, dass das Modell statistisch gut trennt, nicht dass es klinisch sinnvoll entscheidet. Ohne externe Validierung in anderen Kliniken und ohne plausiblen Mechanismus kann die Performance in der Realität deutlich abfallen. Außerdem muss klar sein, welche konkrete Handlung aus einem „Risiko-­Score“ folgt, sonst bleibt es eine blanke Zahl ohne Nutzen.
• Stichwort Workflow-Burden: Wenn der Doku­men­ta­­tionsaufwand steigt, sinkt die Akzeptanz beim Personal, selbst wenn es technisch und qualitativ gute Anwendungen sind [5,6].
• Systeme, die Schmerz aus Mimik, Stimme oder Sensoren schätzen, funktionieren oft gut im Labor. Aber in der Klinik sind das Licht, die Kameraqualität, die Kultur, Medikamentengebrauch oder neurologische Faktoren inhomogen. Dadurch werden die Zuverlässigkeit und die Vergleichbarkeit der Ergebnisse beeinträchtigt [8].

‍

KI kann multimodale Schmerztherapie etwa bei Rücken- und Arthroseschmerz heute vor allem dort unterstützen, wo es Versorgungsengpässe gibt. Beispiele sind eine gezieltere Triage, eine bessere Verlaufsübersicht, skalierbare Selbstmanagement- oder Verhaltens-Bausteine und eine frühere, automatisierte Anpassung bei Nichtansprechen. Die therapeutische Basis bleibt erwartungsgemäß unverändert: aktiv, funktionell, biopsychosozial. Der entscheidende Schritt ist eine sichere Einbettung in Prozesse, Rollen und Eskalationswege unter Aufsicht einer medizinischen Autorität und nicht die Suche nach dem besten Algorithmus.