Warum dezentrales KI-Training in der hausärztlichen Versorgung wichtig ist
· Dr. med. Nicolas Conze
Der vorherrschende Ansatz in der medizinischen KI ist einfach: Daten zentral sammeln, Modelle in der Cloud trainieren und von dort aus skalieren. In der Primärversorgung verdient diese Logik jedoch einen zweiten Blick.
Es geht nicht nur um Datenschutz — es geht um Souveränität
Die zentrale Sorge ist hier nicht der Datenschutz, sondern die Souveränität. Versorgungsteams, die diese Daten über Jahre hinweg sorgfältig gesammelt und kuratiert haben, laufen Gefahr, im KI-Wettlauf an den Rand gedrängt zu werden — und damit unnötige Abhängigkeiten von PVS-Systemen zu verstärken.
Der verborgene Schatz der Hausarztpraxen
Hausarztpraxen verfügen über einige der reichhaltigsten longitudinalen Datensätze in der Medizin, aufgebaut über Jahrzehnte vertrauensbasierter Patientenbeziehungen. Ihre verteilte Struktur hat das großflächige Lernen aus diesen Daten historisch erschwert. Mit KI sind diese Datensätze jedoch hochbegehrt geworden.
Die kritischen Fragen der Zentralisierung
Die Zentralisierung dieser reichhaltig annotierten Datensätze außerhalb der Praxen wirft kritische Fragen auf:
- Sekundärnutzung: Wer kontrolliert die Zweitverwendung der Daten?
- Wirtschaftlicher Nutzen: Wer profitiert ökonomisch von der Modellentwicklung?
- Professionelle Autonomie: Was geschieht mit der fachlichen Unabhängigkeit, wenn Erkenntnisse in privatisierte KI-Modelle eingebettet werden?
Zentralisierte Wertschöpfung kommt einigen wenigen Unternehmen zugute — nicht den tausenden Versorgungsteams, die die Datensätze tatsächlich generiert haben.
Föderiertes Lernen als Alternative
Föderiertes Lernen bietet eine andere Architektur: Anstatt Daten an einen zentralen Server zu senden, werden Modelle lokal in jeder Praxis trainiert. Keine identifizierbaren Patientendaten verlassen das System. Nur Modell-Updates werden innerhalb des Netzwerks geteilt.
Dies bewahrt:
- Patientenvertrauen durch lokale Datenverarbeitung
- Datensouveränität der Praxen über ihre eigenen Daten
- Professionelle Unabhängigkeit der Versorgungsteams
FLIP-IT: Von der Theorie zur Praxis
Unser Forschungsprojekt FLIP-IT untersucht, wie eine föderierte Lerninfrastruktur in einem Hausarztnetzwerk der Schlüssel sein kann, um nützliche KI-Modelle auf realen Daten zu trainieren — ohne dass Patientendetails jemals eine einzelne Praxis verlassen.
Wenn KI im Gesundheitswesen akzeptiert werden soll, ist die Architektur genauso wichtig wie die Genauigkeit. Fachkräfte in der Primärversorgung müssen eine zentrale Rolle als KI-Gestalter spielen — nicht nur als passive Nutzer.