PDF herunterladen
Dtsch Med Wochenschr 2025; 150(23): 1403-1410
DOI: 10.1055/a-2595-7238
Dossier

KI-Anwendungen in der nephrologischen Diagnostik

AI Application in Nephrological Diagnostics

Autoren

  • Bernd Hohenstein

  • Tim Binder

  • Rafael Kramann

Weitere Informationen
Auch verfügbar auf
   Lizenzen und Reprints

Zuletzt hat das Potenzial der Künstlichen Intelligenz (KI), die medizinische Diagnostik grundlegend zu verändern, zugenommen: Techniken wie Machine Learning (ML) und Deep Learning ermöglichen die Analyse großer Datenmengen – von elektronischen Gesundheitsakten wie der elektronischen Patientenakte (ePA) über bildgebende Verfahren bis hin zu genetischen Profilen – und können damit Diagnosestellung, Prognose und Therapieplanung unterstützen [11].

Abstract

Artificial intelligence (AI) is rapidly reshaping medical diagnostics, and nephrology – characterized by multifactorial disease patterns – stands to benefit markedly. Machine‑learning and deep‑learning algorithms, especially convolutional neural networks (CNNs) and large language models (LLMs), can analyze heterogeneous data streams from electronic health records, imaging, histopathology and genomics to support diagnosis, prognosis and therapeutic planning. AI‑driven automation of routine workflows (e.g., appointment scheduling, NLP‑based documentation, chatbot‑guided anamneses) enables clinicians to focus on complex decision‑making, while real‑time decision‑support tools can integrate laboratory, imaging and guideline data. Recent advances include CNN‑based detection of renal lesions, deep‑learning prognostic scores for IgA nephropathy, and AI‑enhanced variant calling (e.g., DeepVariant). Nevertheless, challenges persist: data bias, limited external validation, “hallucinations” of LLMs, regulatory compliance (MDR, GDPR), and the need for transparent, locally hosted models. Successful implementation requires interoperable, FHIR‑compatible data, robust training of staff, and integration of AI education into medical education. With this, AI promises substantial efficiency gains, improved diagnostic precision, and sustained care quality in nephrology.

Kernaussagen

  • Künstliche Intelligenz (KI) verändert die medizinische Diagnostik rasant, und die Nephrologie – geprägt durch multifaktorielle Krankheitsbilder – dürfte davon deutlich profitieren.

  • Maschinelles Lernen und Deep-Learning-Algorithmen, insbesondere CNNs und LLMs, können heterogene Datenströme aus elektronischen Patientenakten, Bildgebung, Histopathologie und Genomik analysieren, um Diagnose, Prognose und Therapieplanung zu unterstützen.

  • Die KI-gesteuerte Automatisierung von Routineabläufen ermöglicht es Klinikern, sich auf komplexe Entscheidungen zu konzentrieren, während Echtzeit-Entscheidungshilfen Labor-, Bildgebungs- und Leitliniendaten integrieren können.

  • Zu den jüngsten Fortschritten gehören die CNN-basierte Erkennung von Nierenläsionen, Deep-Learning-Prognose-Scores für die IgA-Nephropathie und die KI-gestützte Variantenbestimmung.

  • Dennoch bleiben Herausforderungen bestehen: Datenverzerrung, eingeschränkte externe Validierung, „Halluzinationen“ von LLMs, Einhaltung gesetzlicher Vorschriften und der Bedarf an transparenten, lokal gehosteten Modellen.

  • Eine erfolgreiche Implementierung erfordert interoperable, FHIR-kompatible Daten, eine fundierte Schulung des Personals und die Integration von KI-Schulungen in die medizinische Ausbildung.

  • In Summe hat KI das Potenzial in absehbarer Zukunft sowohl die Effizienz als auch die Qualität der nephrologischen Versorgung zu verbessern.

Schlüsselwörter

KI - Künstliche Intelligenz - Maschinenlernen - Diagnostik - klinische Anwendung - machine learning - diagnostic - clinical application

Keywords

AI


Publikationsverlauf

Artikel online veröffentlicht:
10. November 2025

© 2025. Thieme. All rights reserved.

Georg Thieme Verlag KG
Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany