Künstliche Intelligenz (KI) eröffnet neue Möglichkeiten in der gynäkologischen und geburtshilflichen Diagnostik, der Patientenberatung und der medizinischen Forschung. Besonders in der Bildanalyse und bei standardisierten Aufgaben zeigen KI-Systeme vielversprechende Ergebnisse. Doch eine hohe diagnostische Genauigkeit bedeutet nicht zwangsläufig einen besseren klinischen Nutzen. An der Jahresversammlung 2026 der Gynécologie Suisse in St. Gallen diskutierten Experten die Chancen und Grenzen künstlicher Intelligenz und zeigten, weshalb klinische Erfahrung, kritische Bewertung und menschliche Verantwortung auch künftig unverzichtbar bleiben.

KI in der Medizin: Ein grundlegender Wandel

Künstliche Intelligenz (KI) zählt zu den prägenden technologischen Entwicklungen der modernen Medizin. PD Dr. med. Stefan Mohr, Chefarzt der Gynäkologie am Bürgerspital Solothurn, erläuterte die Entwicklung von frühen Konzepten bis zu heutigen Anwendungen mit maschinellem Lernen, neuronalen Netzwerken und grossen Sprachmodellen.

Während beim maschinellen Lernen Algorithmen anhand von Daten trainiert werden, erkennen Deep-Learning-Systeme mithilfe neuronaler Netzwerke komplexe Muster. Grosse Sprachmodelle (Large Language Models, LLM) analysieren medizinische Texte, fassen Informationen zusammen und generieren Antworten.

Die Anwendungen reichen von der radiologischen und pathologischen Bildanalyse über EKG- und Ultraschallauswertungen bis zur Dokumentation, Patientenberatung und medizinischen Ausbildung. Auch in der Wirkstoffentwicklung wird KI untersucht. Ein wesentlicher Vorteil ist die effiziente Analyse grosser Datenmengen. KI kann so ärztliche Entscheidungen unterstützen.

Potenzial und Risiken

Den Vorteilen stehen Herausforderungen gegenüber, darunter Datenschutz, Cybersicherheit, algorithmische Verzerrungen, unzureichende Trainingsdaten und die begrenzte Nachvollziehbarkeit komplexer Modelle.

Problematisch ist das sogenannte Automatisierungsbias: Werden KI-Ergebnisse unkritisch übernommen, können fehlerhafte Empfehlungen falsche klinische Entscheidungen begünstigen. Generative KI kann zudem sachlich falsche Aussagen oder erfundene Literaturangaben produzieren.

Mohr thematisierte auch die medizinische Ausbildung. KI kann Lernprozesse erleichtern und administrative Aufgaben reduzieren. Eine zu starke Abhängigkeit könnte jedoch eigenständiges klinisches Denken und praktische Kompetenzen beeinträchtigen.
Medizinische Fachpersonen benötigen deshalb KI-Kompetenz, um Möglichkeiten und Grenzen der Systeme zu verstehen und Ergebnisse kritisch zu überprüfen. Entscheidend bleibt der tatsächliche Nutzen für Patienten und medizinisches Personal.

KI in der Urogynäkologie: Wie zuverlässig ist die digitale Beratung?

Prof. Dr. med. Annette Kuhn, Leitende Ärztin Urogynäkologie und stellvertretende Chefärztin Gynäkologie am Inselspital Bern, beleuchtete die Akzeptanz medizinischer KI-Beratung. Während manche Patienten solche Angebote als Ergänzung schätzen, bevorzugen andere den persönlichen ärztlichen Kontakt.

Eine 2025 im International Urogynecology Journal veröffentlichte Untersuchung verdeutlicht die Leistungsfähigkeit grosser Sprachmodelle. Vurture und Kollegen analysierten ChatGPT-Antworten auf zehn häufige urogynäkologische Patientenfragen. Ein Expertengremium bewertete deren Qualität anhand des Brief-DISCERN-Instruments.

Bei neun der zehn Fragen erreichte ChatGPT eine gute Antwortqualität. Generative KI kann somit allgemeine medizinische Informationen vermitteln. Allerdings war die Zahl der Fragen gering. Zudem fehlten Literaturreferenzen, was die Nachprüfbarkeit einschränkte.

Die Ergebnisse lassen sich nicht auf komplexe klinische Situationen übertragen. Bei individuellen Risiken, Begleiterkrankungen oder unterschiedlichen Therapieoptionen bleibt eine fachärztliche Beurteilung erforderlich.

Weitere Anwendungen betreffen die Entwicklung medizinischer Materialien, etwa von Kathetern, sowie KI-gestützte Trainingsverfahren. Kuhn betonte die Notwendigkeit klarer Rahmenbedingungen und fachlicher Aufsicht.

KI-gestützte CTG-Auswertung: Gute Algorithmen, aber kein gesicherter klinischer Nutzen

PD Dr. med. Anda Radan von der Universitätsklinik für Frauenheilkunde am Inselspital Bern beleuchtete den KI-Einsatz in der intrapartalen Überwachung.

Die Kardiotokographie (CTG) ist eine etablierte Methode der fetalen Überwachung. Ihre Interpretation weist jedoch Einschränkungen auf, darunter Unterschiede zwischen den Beurteilenden und zahlreiche falsch positive Befunde. Eine Cochrane-Übersichtsarbeit zeigte, dass die kontinuierliche CTG-Überwachung gegenüber der intermittierenden Auskultation mit einer höheren Kaiserschnittrate verbunden war (relatives Risiko 1,63; 95-%-Konfidenzintervall 1,29–2,07). Gleichzeitig traten weniger neonatale Krampfanfälle auf, ohne statistisch signifikante Reduktion der perinatalen Mortalität.

KI könnte die CTG-Auswertung objektivieren und unnötige Interventionen reduzieren. Zahlreiche Modelle zeigen vielversprechende Ergebnisse bei der Erkennung auffälliger Muster oder der Vorhersage fetaler Azidose. Die Studien weisen jedoch methodische Schwächen auf, darunter kleine Datensätze, uneinheitliche Definitionen fetaler Hypoxie und begrenzte externe Validierung.

Entscheidend bleibt, ob die diagnostische Leistungsfähigkeit einen nachweisbaren klinischen Nutzen bringt.

INFANT-Studie: Kein Vorteil bei neonatalen Ergebnissen

In der randomisierten INFANT-Studie wurde eine computergestützte CTG-Interpretation mit einer Überwachung ohne zusätzliche computergestützte Entscheidungsunterstützung verglichen.

Die Hauptanalyse umfasste 46 042 Geburten. Schwerwiegende unerwünschte neonatale Ereignisse traten in beiden Gruppen bei jeweils 0,7 % auf (adjustiertes relatives Risiko 1,01; 95-%-Konfidenzintervall 0,82–1,25). Ein klinisch relevanter Vorteil konnte somit nicht nachgewiesen werden.

Auch weitere randomisierte Studien und zusammenfassende Analysen zeigten bislang keine überzeugende Verbesserung relevanter neonataler Endpunkte oder Reduktion operativer Entbindungen.

Radan betonte, dass eine hohe algorithmische Genauigkeit allein den routinemässigen KI-Einsatz nicht rechtfertigt. Entscheidend ist die Verbesserung der Versorgung von Mutter und Kind. Künftige Entwicklungen erfordern hochwertige Datensätze, einheitliche Ergebnisdefinitionen und randomisierte Studien mit patientenrelevanten Endpunkten. Auch regulatorische Zulassung, Transparenz und Verantwortlichkeiten müssen geklärt werden.

Geburtshilflicher Ultraschall: KI als Unterstützung der Diagnostik

Dr. Ruben Ramirez Zegarra vom Universitätsspital Basel stellte KI-Anwendungen im geburtshilflichen Ultraschall vor. Schwerpunkte waren die Bestimmung des Gestationsalters, die fetale Wachstumsdiagnostik und die Erkennung von Hirnanomalien.

Deep-Learning-Modelle können anatomische Strukturen und standardisierte Ultraschallebenen erkennen sowie Messungen automatisieren. Damit könnten untersucherabhängige Unterschiede reduziert werden.

Eine 2024 in JAMA publizierte prospektive Studie von Stringer und Kollegen untersuchte in Sambia und den USA, ob Personen ohne sonographische Ausbildung mithilfe eines kostengünstigen KI-Ultraschallgeräts das Gestationsalter zuverlässig bestimmen können.

Die Studie umfasste 400 Schwangere. Zwischen der 14. und 28. Schwangerschaftswoche erreichte das KI-System einen mittleren absoluten Schätzfehler von 3,2 Tagen gegenüber 3,0 Tagen bei qualifizierten Sonographen. Die Differenz von 0,2 Tagen erfüllte das vorab definierte Äquivalenzkriterium.

Die Ergebnisse verdeutlichen das Potenzial besonders in Regionen mit eingeschränktem Zugang zu spezialisierter Ultraschalldiagnostik. Allerdings lassen sie sich nicht auf komplexe Fragestellungen wie die Erkennung fetaler Fehlbildungen übertragen.

Ramirez Zegarra betonte, dass KI die geburtshilfliche Expertise ergänzen sollte. Herausforderungen bleiben die klinische Validierung und Integration in bestehende Arbeitsabläufe.

Klinische Verantwortung bleibt unverzichtbar

Die Vorträge zeigten, dass das Potenzial von KI je nach Anwendungsgebiet erheblich variiert. Während sie bei standardisierten Aufgaben und in der Bildanalyse bereits leistungsfähig ist, fehlt für verschiedene Anwendungen noch der Nachweis eines klinischen Nutzens. Technische Genauigkeit ist nicht mit klinischer Wirksamkeit gleichzusetzen. Gute Ergebnisse in retrospektiven Studien oder Simulationen belegen noch keine besseren Behandlungsergebnisse. KI sollte dort eingesetzt werden, wo ihre Vorteile wissenschaftlich belegt sind. Voraussetzungen sind Datenqualität, Qualitätskontrollen, klinische Validierung und klare Verantwortlichkeiten. Ihr grösster Nutzen liegt darin, medizinische Fachpersonen bei Diagnostik, Beratung und Behandlung zu unterstützen, nicht sie zu ersetzen.

red