KI-Screening auf das Conn-Syndrom ohne Medikamentenpause — und erste Belege, dass die Gewöhnung an KI ärztliches Können schwächt

KI-Screening auf primären Hyperaldosteronismus kommt ohne Medikamentenpause aus und senkt die Fehlalarme deutlich

Der primäre Hyperaldosteronismus ist die häufigste endokrine Ursache einer sekundären Hypertonie und bleibt oft unerkannt — auch, weil der Standard-Suchtest, der Aldosteron-Renin-Quotient (ARR), durch viele Antihypertensiva verfälscht wird und vorab ein umständliches Umstellen oder Absetzen der Medikation verlangt. Ein überwiegend deutsch-australisches Team (TU Dresden, LMU München, Würzburg, Zürich; veröffentlicht in npj Digital Medicine) entwickelte und prüfte Modelle des maschinellen Lernens, die stattdessen auf das massenspektrometrisch gemessene Plasma-Steroidprofil und das Serumkalium setzen. An 1.380 Patient:innen aus drei Kohorten — der SPISCA-Kohorte und zwei Phasen der deutschen PROSALDO-Studie — erreichten die renin-unabhängigen Modelle (darunter ein neuronales Feedforward-Netz) Flächen unter der ROC-Kurve von 0,948–0,954 gegenüber 0,839 für den ARR. Anders als der ARR blieben sie vor und nach Absetzen der Blutdruckmittel gleich genau. Bei einer fürs Screening gewählten Sensitivität von 95 % lag ihre Spezifität bei 78–80 % gegenüber 52 % beim ARR; bei 90 % Sensitivität bei 87–89 % gegenüber 61 %. Das entspricht 53–72 % weniger falsch positiven Befunden.

Warum das zählt: Der Engpass beim Aldosteronismus-Screening ist selten die Sensitivität, sondern der Aufwand davor und die Flut an Abklärungen danach. Ein Test, der ohne Medikamentenpause auskommt und zugleich die Fehlalarme halbiert, senkt genau diese beiden Hürden — vorausgesetzt, ein Labor kann die standardisierte Steroidmessung liefern. Die Prüfung erfolgte bereits an einer unabhängigen zweiten Kohorte; das ist mehr als die übliche interne Validierung, ersetzt aber keine prospektive Erprobung im Versorgungsalltag.

Quelle: npj Digital Medicine

Open-Source-Programm wertet bereits sequenzierte Genomdaten automatisch neu aus — und findet bei 5 % bisher ungelöster Fälle doch noch eine Diagnose

Bei seltenen Erkrankungen bleibt die erste Genomanalyse oft ohne Diagnose — doch das Wissen über Gen-Krankheits-Zusammenhänge wächst ständig, und eine erneute Auswertung derselben Daten Monate später bringt regelmäßig zusätzliche Diagnosen. Dieser Schritt ist bislang Handarbeit und skaliert nicht. Ein Team aus Australien und den USA (mit Beteiligung von Microsoft Research) stellte in Nature Medicine Talos vor, ein frei verfügbares Open-Source-Programm, das diese erneute Auswertung automatisiert: Es priorisiert Varianten, indem es laufend aktualisiertes Wissen zu Genen und Varianten mit erbgangsbewusster Filterung verknüpft. In der Validierung an 1.089 Personen mit seltener Erkrankung fand die Trio-Analyse 90 % der bereits bekannten Diagnosen und gab dabei im Schnitt nur 1,3 Varianten pro Fall zur Prüfung aus; bei monatlicher Wiederholung sank die Last auf eine Variante pro 200 Fälle. Auf eine ungezielte Kohorte von 4.735 ungelösten Fällen angewendet, lieferte es 241 neue Diagnosen (5,1 %) — 32 % durch neue Gen-Krankheits-Bezüge, 22 % durch neue Variantenbelege, 45 % durch verbesserte Auswertestrategien.

Warum das zählt: Der Engpass war nie die Idee der erneuten Auswertung, sondern ihre Wiederholbarkeit bei vertretbarem Prüfaufwand. Indem das Programm pro Fall nur eine Handvoll Kandidaten ausgibt und als Open Source frei verfügbar ist, wird aus einem einmaligen Befundungsakt ein fortlaufender Prozess, den ein genomisches Zentrum mit wachsendem Wissen mitlaufen lassen kann — ohne jede Wiederholung von Grund auf neu zu beginnen.

Quelle: Nature MedicinePaywall

Wenn die KI zur Lehrerin wird: Ein JAMA-Standpunkt warnt, dass flüssige KI-Antworten das ärztliche Denken kurzschließen können

KI-Werkzeuge treten zunehmend nicht nur als Entscheidungshilfe auf, sondern als Lernquelle — strukturierte, mit Quellen versehene, selbstsicher formulierte Antworten am Ort der Versorgung. In einem Standpunkt-Beitrag (Viewpoint) im JAMA fragt Graham McMahon, Leiter der US-Akkreditierungsstelle für ärztliche Fortbildung (ACCME), was das mit dem ärztlichen Lernen macht. Die Chance: KI könne Wissen unmittelbar in die Versorgung einbetten, unnötige Variation verringern und Entscheidungen stützen. Die Gefahr liege in der Form: Gerade weil die Antworten kohärent und autoritativ wirkten, verleiteten sie dazu, sie nicht mehr zu hinterfragen — die kognitive Arbeit, aus der sich ärztliche Urteilskraft erst bildet, werde übersprungen (Automatisierungs-Bias). Hinzu komme, dass solches Lernen einsam stattfinde und die gemeinsamen, mühsamen Räume verdränge, in denen sich klinisches Urteil im Austausch schärft. McMahons Schluss ist kein Verzicht, sondern ein Gestaltungsauftrag: Lernwerkzeuge sollten Unsicherheit sichtbar machen und zum Nachdenken auffordern, statt nur fertige Antworten zu liefern.

Warum das zählt: Der Beitrag ist eine Meinung, keine Studie — aber er benennt eine Messlücke. Wer KI in Aus- und Weiterbildung einführt, sollte nicht nur prüfen, ob die Antwort stimmt, sondern auch, ob die Lernenden danach noch selbst zum gleichen Schluss kämen.

Quelle: JAMAPaywall

Westliche Geheimdienste warnen: offensive KI-Hackfähigkeiten sind „in Monaten“ da — bedroht ist die kritische Infrastruktur, zu der auch Kliniken zählen

Die Cybersicherheitsbehörden der „Five Eyes“ — USA, Großbritannien, Kanada, Australien und Neuseeland — veröffentlichten am 22. Juni eine gemeinsame Warnung: Die nächste Generation von KI-Modellen werde offensive Hackfähigkeiten so stark verstärken, dass mit breiter Verfügbarkeit „in Monaten, nicht Jahren“ zu rechnen sei — auch wenn die Hersteller versuchten, die stärksten Fähigkeiten zurückzuhalten oder ihren Zugang zu beschränken. Das dreiseitige Papier nennt namentlich Frontier-Modelle wie Anthropics Fable 5 und OpenAIs Daybreak und fordert Verantwortliche in Staat und Wirtschaft auf, jetzt zu handeln: Risiken und Reaktionsbereitschaft zu prüfen, Zuständigkeiten zu klären und grundlegende Schutzmaßnahmen zu priorisieren, bevor die Angreifer schneller werden als die Abwehr.

Warum das zählt: Das Gesundheitswesen ist Teil eben jener kritischen Infrastruktur, an die sich die Warnung richtet — und es stützt sich zunehmend auf dieselben Frontier-Modelle, in der Dokumentation, der Triage, der Verwaltung. Wenn offensive Fähigkeiten zur Massenware werden, verschiebt sich die Rechnung für jedes Krankenhaus: Die Frage ist dann weniger, welches KI-Werkzeug man einführt, als ob die Grundlagen — Zugriffskontrolle, Netzsegmentierung, Notfallpläne — standhalten. Die Warnung handelt insofern weniger von KI als von den Hausaufgaben, die vor jeder neuen Anwendung kommen.

Quelle: CNN / CyberScoop

Verlernen Ärzt:innen das Sehen? Eine Nature-Reportage über die ersten Belege, dass KI klinische Fertigkeiten erodieren lässt

Eine Reportage in Nature (18. Juni) trägt die ersten empirischen Belege zusammen, dass der Dauergebrauch von KI ärztliches Können messbar schwächen kann — „Deskilling“. Das eindringlichste Beispiel stammt aus einer im Oktober 2025 in Lancet Gastroenterology and Hepatology erschienenen Arbeit aus Polen: Endoskopiker mit jeweils mindestens 2.000 Koloskopien erhielten ein KI-System, das verdächtige Vorstufen (Adenome) in Echtzeit markiert — an manchen Tagen verfügbar, an anderen nicht. Nachdem sie sich an das Werkzeug gewöhnt hatten, sank ihre Adenom-Entdeckungsrate an den Tagen ohne KI von zuvor 28,4 % auf 22,4 %. Die Reportage ordnet das in einen größeren Befund ein — ähnliche Hinweise aus Radiologie und Softwareentwicklung, dazu eine aktuelle Umfrage unter US-Beschäftigten im Gesundheitswesen zu ihrer Sorge vor Kompetenzverlust — und fragt, wie sich unverzichtbares menschliches Können erhalten lässt, wenn die Maschine das Routinesehen übernimmt. Eine Lektüre fürs Wochenende für alle, die KI einführen und dabei nicht erst merken wollen, dass eine Fertigkeit fehlt, wenn die KI einmal ausfällt.

Quelle: Nature

Zum Schluss: der Test, den man sich spart

Der primäre Hyperaldosteronismus gilt als häufig und zugleich als notorisch unterdiagnostiziert — nicht, weil niemand ihn kennt, sondern weil der Weg zur Diagnose unbequem ist: Medikamente umstellen, mehrfach messen, Befunde abklären, die sich am Ende oft als falscher Alarm erweisen. Genau hier setzt die Studie dieser Woche an — ein Suchtest, der ohne Medikamentenpause auskommt und die Fehlalarme halbiert. Das ist kein spektakulärer Durchbruch, und die prospektive Erprobung steht aus. Aber es ist die unscheinbare Art von Fortschritt, die in der Versorgung oft am meisten bewegt: nicht ein Test, der mehr kann, sondern einer, der niedrigschwellig genug ist, dass er auch gemacht wird. Ob er in den Alltag findet, entscheidet sich am Ende nicht an der ROC-Kurve, sondern daran, ob die Labore die standardisierte Steroidmessung liefern können.