Das Megathema auf dem DKK 2026 war die künstliche Intelligenz (KI). Sie gehört längst zum Alltag, auch wenn regulatorische Vorgaben die Integration in klinische und Praxissysteme erheblich erschweren. Ein Highlight-Symposium hat die Chancen und Herausforderungen zusammengefasst.
Die Onkologie ist prädestiniert für den Einsatz großer Sprachmodelle (Large Language Models, LLMs). Kaum ein anderes Fach vereint eine vergleichbare Datenkomplexität: molekulare Profile, Bildgebung, Histopathologie, longitudinale Verlaufsdaten, sich rasch ändernde Leitlinien und eine stetig wachsende Studienlandschaft. Gleichzeitig liegen rund 80 % der klinischen Informationen als unstrukturierter Freitext vor – ein bislang nur unzureichend genutzter Datenschatz. LLMs eröffnen hier neue Möglichkeiten der Strukturierung, Verdichtung und klinischen Entscheidungsunterstützung.
Forschungsdynamik und klinische Use Cases
Die wissenschaftliche Dynamik ist bemerkenswert: Systematische Reviews identifizieren inzwischen tausende Publikationen zur Anwendung von LLMs in der Onkologie. Ein Großteil der Studien nutzt bislang allgemeine Modelle, während onkologiespezifische Systeme noch eine Minderheit darstellen. Parallel dazu steigt die Zahl registrierter klinischer Studien, in denen KI-Modelle prospektiv gegen Tumorboard-Entscheidungen oder Standard-of-Care-Strategien getestet werden.
Insbesondere das Trial-Matching gilt als vielversprechender Use Case. Erste Studien zeigen jedoch, dass relevante molekulare Alterationen nicht immer zuverlässig erkannt werden. Verbesserungen lassen sich durch „Human-in-the-Loop“-Ansätze erzielen, bei denen KI-Vorschläge ärztlich validiert werden.
Als besonders leistungsfähig gelten sogenannte Compound-KI-Systeme oder agentenbasierte Architekturen. Hier kombinieren mehrere spezialisierte Module (z. B. Literaturabfrage, Genomik-Interpretation, Leitlinienzugriff) ihre Ergebnisse. In Benchmark-Analysen konnte so die Genauigkeit komplexer Entscheidungsaufgaben substanziell gesteigert werden.
Ein zentrales Instrument zur Reduktion von Halluzinationen ist das „Retrieval-Augmented Generation“ (RAG)-Prinzip: Das Modell generiert Antworten auf Basis kuratierter, aktueller Wissensquellen. Damit wird die Abhängigkeit vom statischen Trainingsdatensatz reduziert – ein entscheidender Vorteil angesichts der raschen Evidenzentwicklung in der Onkologie.
Patient Empowerment und neue Rollenbilder
LLMs verändern nicht nur ärztliche Workflows, sondern auch die Patientenrolle. Umfragen bestätigen ein hohes Interesse an KI-basierten Symptomcheckern, Therapieempfehlungen und Zweitmeinungen. In Studien wurden KI-generierte Antworten teilweise als ebenso qualitativ hochwertig und sogar empathischer wahrgenommen als ärztliche Antworten.
Darüber hinaus können LLMs die Verständlichkeit medizinischer Dokumente verbessern, indem Arztbriefe patientengerecht zusammengefasst werden.
Mensch-KI-Interaktion als wichtiger Faktor in der Qualitätssicherung
Digitalisierung führt nicht automatisch zu Entlastung. Biopsychologische Untersuchungen zeigen, dass die Einführung digitaler Systeme das Stressniveau im klinischen Alltag über Monate erhöhen kann.
Zudem ist die Interaktion bidirektional: Nicht nur KI beeinflusst den Menschen, sondern auch umgekehrt. Emotionale Zustände können – über Prompting und Interaktionsdynamik – die Modellantworten modulieren. Diese Wechselwirkung ist für sicherheitskritische Anwendungen hochrelevant.
Trotz exzellenter Einzellösungen bleibt die deutsche Datenlandschaft fragmentiert. Unterschiedliche Datenschutzinterpretationen, inkompatible IT-Systeme und fehlende Interoperabilität verhindern bislang die systematische Nutzung großer Versorgungsdatensätze. Der Aufbau überregionaler Forschungsplattformen – vergleichbar historischen onkologischen Studiengruppen – könnte hier einen strukturellen Fortschritt ermöglichen.
Highlight-Symposium „The future is now – large language models and decision support tools“
