Die Gesprächspartner
Prof. Dr. Patrick Da-Cruz ist Professor für Betriebswirtschaftslehre und Gesundheitsmanagement an der Fakultät Gesundheitsmanagement der Hochschule Neu-Ulm (HNU) sowie wissenschaftlicher Leiter des MBA-Programms Führung und Management im Gesundheitswesen.
Vor seiner Tätigkeit an der HNU war Herr Da-Cruz bei namhaften Strategieberatungen im Bereich Pharma / Healthcare sowie in Führungsfunktionen in Unternehmen der Gesundheitswirtschaft im In- und Ausland tätig.
Chenchao Liu ist Gründer und Geschäftsführer der SILREAL GmbH. Seit über einem Jahrzehnt berät er Ministerien, internationale Pharmaunternehmen und Gesundheitsanbieter zu Gesundheitspolitik, Marktzugang zwischen China und Europa sowie digitaler Transformation – mit Projekten u. a. für das Bundesministerium für Gesundheit, AstraZeneca, Bayer und die EFPIA. Der PMP-zertifizierte Chemiker (TU München) ist Mitautor mehrerer Fachpublikationen und veröffentlicht regelmäßig Beiträge in führenden Medien wie der Neuen Zürcher Zeitung, beim World Economic Forum und in der New York Times.
China gilt als Vorreiter beim KI‑Einsatz in der Medizin – welche konkreten Anwendungen in chinesischen Krankenhäusern beeindrucken Dich am meisten?
Chenchao Liu: Mich beeindruckt besonders die Radiologie: KI‑Algorithmen triagieren CT/MRT‑Bilder, markieren Auffälligkeiten und priorisieren Befunde, was „time‑to‑treat“ z. B. beim Schlaganfall reduziert. Produkte wie InferRead CT Lung von Infervision zeigen in Studien und Zulassungen, dass KI die Sensitivität bei der Lungenkrebserkennung steigern kann – teils mit FDA/NMPA‑Zulassung und belegten Performance‑Vorteilen in der Detektion feiner Noduli.
Daneben sehe ich KI‑gestützte Triage und Chatbots in Ambulanzen/Polikliniken, die Anamnese strukturieren und Patientenströme leiten. Evaluationsstudien zeigen, dass solche „intelligent guidance chatbots“ in China in der Praxis nutzbar sind – ein Baustein, um knappe Ressourcen zu entlasten.
Drittens: Plattformansätze großer Technologiefirmen. Tencent AIMIS etwa vernetzt Bilddaten, Forschung und Workflow – ein Beispiel, wie Infrastruktur‑Layer die Skalierung klinischer KI erleichtern.
Viertens: KI‑Assistenz am Point of Care. Ping An AskBob unterstützt laut Unternehmensangaben bereits über eine Million Ärztinnen und Ärzte mit Entscheidungswissen und Pfaden – gerade in unterversorgten Regionen.
Welche spezifischen Vorteile bietet Chinas Einsatz von KI in Krankenhäusern?
Chenchao Liu: Drei Punkte:
- Skalierung: China rollt erfolgreiche Digital‑/KI‑Modelle schnell aus. Offizielle Zahlen: Über 3.000 Internet‑medizinische Einrichtungen bieten seit Ende 2024 Online‑Leistungen an; das illustriert die Fähigkeit, digitale Versorgungsmodelle landesweit zu verbreiten.
- Datenbasis & Standards: Nationale Programme wie Smart‑Hospital‑Grading und thematische Leitlinien schaffen Kompatibilität in Prozessen/IT – ein Boden, auf dem KI verlässlich in klinische Pfade eingebettet wird.
- Versorgungslogik: KI wird primär als Assistenz verstanden – zur Priorisierung, Qualitätssicherung und Arbeitsentlastung, nicht als Ersatz. Das erleichtert Akzeptanz in der Breite (s. Chatbot‑Usability, AskBob‑Nutzung).
Wie werden medizinisches und pflegerisches Personal in China für KI begeistert und qualifiziert?
Chenchao Liu: Erfolgreich ist, was am Arbeitsplatz stattfindet: „Super‑User“-Modelle, die Stationsteams hands‑on begleiten; schrittweise Einführungen pro Use Case (z. B. Radiologie‑Triage), messbar via Turnaround‑Zeit und Befundqualität. Außerdem gibt es Rahmenwerke (z. B. Smart‑Hospital‑Standards) und thematische Leitlinien zu KI‑Anwendungsszenarien, die Prozesse, Verantwortlichkeiten und Qualitätssicherung vorgeben – das senkt Einführungsrisiken und macht Schulung planbar.
Was sind die größten Hürden für die Integration von KI in deutschen Krankenhäusern – im Vergleich zu China?
Chenchao Liu:
- Fragmentierte IT & Daten: Viele Häuser kämpfen mit heterogenen KIS/RIS/PACS‑Landschaften und geringer Interoperabilität – KI braucht aber konsistente, strukturierte Daten.
- Regulatorik & Compliance‑Pfad: Mit EU‑AI‑Act gelten KI‑Systeme in der Medizin als High-Risk mit zusätzlichen Anforderungen (u. a. Risikomanagement, Datenqualität, Monitoring). Fristen sind gestaffelt – u. a. gelten Verbote seit Feb 2025, GPAI‑Regeln ab Aug 2025 und für in Produkte eingebettete High‑Risk‑Systeme Übergänge bis Aug 2027.
- Change‑& Skill‑Gap: Einführung scheitert selten an Algorithmen, häufiger an Prozess‑Redesign, Schulung und Governance.
- Datenverfügbarkeit: Auch wenn Deutschland mit der ePA‑für‑alle (Opt‑out) ab 2025 einen großen Schritt macht, braucht es klare, kliniknahe Datenstrategien und Nutzungspfade für Versorgung und Qualität.
Wenn Sie morgen die KI-Strategie eines deutschen Krankenhauses entwickeln müssten: Welchen Impuls aus China würden Sie sofort übernehmen?
Chenchao Liu:
- „Small bets, fast scaling“ – systematisches Pilot‑&‑Rollout‑Vorgehen. Starte mit zwei klinischen Leuchttürmen (z. B. Radiologie‑Triage und Sepsis‑/Betten‑Prognosen. Lege klare Outcome‑KPIs fest (Befund‑Turnaround, Door‑to‑Needle, Liegezeit, Verlegungen). Erfolgreiche Projekte werden in 3–6 Monaten auf weitere Häuser/Abteilungen skaliert – Playbooks und Parameter werden mitgenommen statt neu erfunden. (Vorbild: schnelle Skalierung digitaler Versorgungsmodelle in China.)
- Datenstrategie als Chefsache. Baue einen interoperablen Daten‑Layer (FHIR‑Profile, Terminologien), sichere Datenqualität, und richte eine Use‑Case‑Governance ein (klinische Verantwortung, Metriken, Drift‑Monitoring). Das schafft die Grundlage, KI als Prozessbaustein robust zu betreiben – und passt zugleich zum EU‑AI‑Act‑Pfad (Risikomanagement, Logging, Post‑Market‑Monitoring).
- Workforce‑Enablement „in der Linie“. Schule am Point of Care mit Super‑Usern, simuliere reale Fälle, führe Sicherheits‑/Ethik‑Checks in SOPs ein, und verknüpfe das Ganze mit Qualitätszielen der Abteilung (z. B. Stroke‑Unit‑Zeiten). Chinas Smart‑Hospital‑Denke zeigt: Standards + Vor‑Ort‑Enablement erhöhen die Annahme.
- Plattform vor Point‑Solutions. Setze auf Plattformen (PACS‑/VNA‑/Workflow‑Orchestrierung), die mehrere KI‑Modelle integrieren und A/B‑Vergleiche ermöglichen – dadurch bleibt man herstelleragnostisch und kann Use Cases priorisieren (Radiologie, Pathologie, OP‑Planung). Beispiele wie Tencent AIMIS illustrieren den Plattformnutzen – Übertragbar ist das Architekturprinzip, nicht die konkrete Lösung.
- Öffentliche‑Private Lernschleifen. Arbeite mit Industrie/Start‑ups in Outcome‑basierten Verträgen (z. B. Vergütung an Zeit‑/Qualitätsmetriken koppeln). So wurden in China zügig verlässliche Evidenzpfade für Radiologie‑KI aufgebaut (z. B. Lungenscreening).
- Politik/Payor‑Alignment. Bringe Haus‑KI‑Strategie in Einklang mit nationalen Programmen (ePA‑für‑alle, sektorenübergreifende Datenräume) – dadurch entstehen Erstattungs‑ und Skalierungspfade statt Insellösungen.
Praxisbezug: Policy als Katalysator
Ein gutes Beispiel, wie Politik Innovation anschiebt und skaliert: COPD wurde 2024 in Chinas National Basic Public Health Service aufgenommen – solche Weichenstellungen erhöhen Datenverfügbarkeit und Versorgungspfad‑Klarheit, auf die KI dann aufsetzen kann. Für Deutschland heißt das: klinikinterne KI‑Strategien sollten früh mit Public‑Health‑Pfaden und Registern verzahnt werden.
Vielen Dank für das Gespräch!
Die in den Interviews dargestellten Inhalte und Aussagen spiegeln die Perspektive der Gesprächspartner wider und entsprechen nicht notwendigerweise der Position der Redaktion.
