Stellungnahme der Kommission für ethische Fragen im Bündnis Kinder- und Jugendgesundheit e.V. (Bündnis KJG)
Federführung: Prof. Dr. med. Jan de Laffolie, Gießen Dr. med. Stefan Renz, Hamburg
Abstrakt
Hintergrund: Der Einsatz Künstlicher Intelligenz (KI) verändert die medizinische Versorgung grundlegend – auch in der Pädiatrie. Aufgrund der besonderen Schutzbedürftigkeit von Kindern und Jugendlichen sowie der oft geringen Datenverfügbarkeit zum Trainieren von KI stellen sich spezifische ethische Fragen. Gleichzeitig eröffnen KI-gestützte Systeme neue Möglichkeiten in Diagnostik, Therapie und Prävention.
Methode: Es wurde eine selektive Literaturrecherche in PubMed, Medline und Google Scholar (Zeitraum 2011–2025) mit dem Suchbegriff „Artificial Intelligence AND children“ durchgeführt. Berücksichtigt wurden internationale Studien, Reviews, Leitlinien sowie Stellungnahmen
relevanter Fachgesellschaften.
Ergebnisse: KI wird in der Pädiatrie zunehmend eingesetzt – etwa bei der Früherkennung genetischer Erkrankungen, der Optimierung von Therapien oder in der intensivmedizinischen Entscheidungsunterstützung. Ethische Spannungsfelder bestehen u. a. bei Datenschutz, Inklusion, altersgerechter Kommunikation, Verantwortungszuschreibung sowie der Gefahr einer „Verantwortungsdiffusion“. Spezifische Risiken ergeben sich aus der Anwendung auf nicht kindgerecht trainierte Systeme. Gleichzeitig bieten sich neue Potenziale für eine individualisierte Versorgung, psychosoziale Unterstützung und eine bessere Teilhabe durch digitale Tools.
Schlussfolgerung: Die Entwicklung und Anwendung von KI in der Kinder- und Jugendmedizin muss systematisch die Bedürfnisse und Rechte junger Patient:innen berücksichtigen. Es bedarf eines ethischen, interdisziplinären Diskurses sowie klarer regulatorischer Rahmenbedingungen. KI darf Kindern nicht vorenthalten werden – wohl aber müssen ihre besonderen Schutzansprüche technisch, rechtlich und praktisch sichergestellt werden. Pädiatrie muss in allen Entwicklungsphasen von KI-Systemen explizit mitgedacht werden.
1. Kurze Einführung zur Künstlichen Intelligenz (KI)
Der Begriff „Künstlichen Intelligenz“ (KI) wurde 1955 von John McCarthy geprägt und bezeichnet, einem allgemeinen Begriffsverständnis nach, die Nachahmung menschlichen oder übermenschlichen Verhaltens durch digitale Systeme. Häufig werden als charakteristische Merkmale von KI-Systemen ihr autonomer Betrieb sowie ihre Anpassungsfähigkeit genannt, was sie insbesondere von traditionellen Computersystemen unterscheidet.
Mittlerweile ist KI in vielen Lebensbereichen integriert – oft unbemerkt. Schon John McCarthy hatte antizipiert: „As soon as it works, no one calls it AI anymore.”
2. Ethische Problemfelder bei Nutzung medizinischer KI in der Kinder- und Jugendmedizin
Der Einsatz KI-basierter Systeme in der Medizin kann mit großem Nutzen verbunden sein, aber auch mit Herausforderungen, insbesondere bei schutzbedürftigen Gruppen wie Kindern und Jugendlichen. (1,2)
Ein Grund dafür ist, dass KI-basierte Systeme in der Medizin oft nicht gezielt für Kinder und Jugendliche entwickelt werden, da sie als Gruppe kommerziell weniger relevant die Krankheitsprävalenz geringer und KI-Modelle für sie oftmals komplexer umzusetzen sind.
Spezielle Bedürfnisse von Kindern und Jugendlichen werden daher oft nicht angemessen berücksichtigt. So folgt aus deren unzureichender Präsentation bei den Trainingsdaten unweigerlich eine mangelnde Berücksichtigung in KI-Anwendungen mit entsprechenden Verzerrungen beim Einsatz für Kinder und Jugendliche.
Ethische Überlegungen sind daher zentral in der Pädiatrie. So kann KI Entscheidungen unterstützen, ersetzt jedoch nicht die Verantwortung der medizinischen Teams (3,4). Der Prototyp einer algorithmisch umgesetzten Prinzipienethik von Meier et al. (4) zeigt, dass KI nützlich, aber keinesfalls „objektiv“ ist – eine solche Wahrnehmung könnte zur Verantwortungsdiffusion führen. Zudem erfordern das Training und der Einsatz von KI hohe
Rechenkapazität und Energie. Daher sollten auch ökologische Auswirkungen berücksichtigt werden (5).
2.1 Menschenwürde und Gerechtigkeit
Die Anwendung von KI-basierten Systemen in der Medizin muss stets mit anerkannten Grundrechten und insbesondere mit der Menschenwürde vereinbar sein (4). Auch Kinder und Jugendliche sind Grundrechtsträger. Ihre speziellen Bedürfnisse gilt es bei der Entwicklung und Anwendung zu berücksichtigen.(2,6) Dabei sind ethische Dilemmata bei medizinischen Entscheidungen, auch in der Pädiatrie denkbar – etwa bei der Triage durch KI und begrenzten Ressourcen (7,8).
Der Einsatz von KI-basierten Systemen in der Medizin darf zu keiner systematischen Benachteiligung bestimmter Gruppen führen (1,9). Dies betrifft die Datengrundlage der Algorithmen sowie auch niederschwelligen Zugang, Nutzbarkeit, Diversität und Inklusion. Menschen mit Behinderungen oder ohne technische Kenntnisse könnten von vorteilhaften KI-Systemen ausgeschlossen sein. Systeme müssen daher barrierefrei gestaltet werden, indem diese den Zugang ermöglichen, beispielsweise durch den Gebrauch einfacher Sprache oder mehrerer Sprachen.
Auch Ungleichheiten in der digitalen Infrastruktur zwischen Kliniken können zu unterschiedlicher Versorgung führen. Große Kliniken nutzen KI-Systeme, während kleineren oft Ressourcen fehlen (10). Soziale Gerechtigkeit und Zugang zu KI sind entscheidend für die Akzeptanz bei Eltern und Patienten (11). So besteht eine ethische Verpflichtung zum KIEinsatz, wenn der Nutzen z. B. bei der Vorhersage kardialer Dekompensation, nachgewiesen
ist (12). Unterschiede in regulatorischen Rahmenbedingungen, etwa zwischen FDA und EMA, spielen ebenfalls eine wichtige Rolle (13).
KI-Modelle, die auf homogenen Datensätzen basieren, lassen sich oft nicht auf diverse pädiatrische Populationen übertragen, was zu Ungleichheiten in der Gesundheitsversorgung führt. Verzerrungen durch ethnische und sozioökonomische Faktoren können dazu führen, dass unterrepräsentierte Gruppen ungenaue oder verzögerte Diagnosen erhalten. Modelle, die vorwiegend mit westlichen Daten trainiert wurden, zeigen in Ländern mit niedrigem und mittlerem Einkommen (LMIC) oft schlechtere Leistungen, was globale Gesundheitsungleichheiten verschärft (14).
2.2 Besonderer Schutz von Kindern
Ein zentraler Auftrag der Kinder- und Jugendmedizin ist der Schutz des Kindes (8). KI-basierte Systeme in der Medizin sollten nicht für Kinder eingesetzt werden, wenn sie nicht speziell für sie entwickelt oder ausgiebig geprüft wurden. Gleichzeitig ist es kritisch, wenn Kinder und Jugendliche nicht von den Vorteilen der KI in der Gesundheitsversorgung profitieren, weil ihre Entwicklung aufwendiger und teurer ist und für Hersteller oftmals weniger attraktiv erscheint.
Textbox:
Rechte des Kindes, Vereinte Nationen 20. November 1989
„Artikel 24: Die Vertragsstaaten erkennen das Recht des Kindes auf das erreichbare Höchstmaß an Gesundheit an sowie auf Inanspruchnahme von Einrichtungen zur Behandlung von Krankheiten und zur Wiederherstellung der Gesundheit. Die Vertragsstaaten bemühen sich sicherzustellen, dass keinem Kind das Recht auf Zugang zu derartigen Gesundheitsdiensten vorenthalten wird.“(15)
2.3 Fokus auf die Bedürfnisse von Kindern und Familien (Transition, virtuelle Assistenten, emotionale Unterstützung, barrierefreie Kommunikationshilfen)
Besonders Kinder und Jugendliche werden von KI profitieren. Digitale Übergangsassistenten erleichtern die Transition zur Erwachsenenmedizin, während virtuelle Assistenten Arztbesuche vorbereiten. KI-gestützte Chatbots bieten emotionale Unterstützung und personalisierte Strukturierungshilfen erleichtern den Alltag von Familien (16). (16). Gerade im Säuglings- und Kleinkindalter können KI-gestützte Auswertung von Vitalparametern sowie auch Verhaltensauffälligkeiten wertvolle zusätzliche Informationen bieten. Für Kinder mit Einschränkungen können barrierefreie Kommunikationshilfen entwickelt werden, die nonverbale Signale in Sprache übersetzen (17).
2.4 Datenschutz und Autonomie
Kinder und Jugendliche sind im Bereich der Datensicherheit besonders gefährdet (1,9). Ein besonderes Augenmerk sollte auf der Möglichkeit liegen, dass mittels KI-Systemen bereits im Kindesalter Risikofaktoren ermittelt werden können, die auf spätere Erkrankungen hindeuten.
Derartige Analysen können im späteren Leben für Menschen jedoch negative Konsequenzen haben, beispielsweise ihre beruflichen Chancen einschränken oder die Bedingungen für Versicherungen erschweren. Fragen des Datenschutzes sind vor diesem Hintergrund bei KISystemen in der Kinder- und Jugendmedizin besonders wichtig und die Zustimmung der betroffenen Familien ist daher essenziell, um die Hoheit über persönliche Gesundheitsdaten zu wahren.
Patient:innenautonomie erfordert, dass Betroffene über KI-Anwendungen informiert sind, um deren Ergebnisse in angemessenem Umfang zu verstehen (1). Konzepte wie „explainable AI“ und „trustworthy AI“ sollen dabei helfen, dies zu ermöglichen. Bei Kindern und Jugendlichen
ist eine altersadäquate Kommunikation entscheidend (18,19).
2.5 Verantwortung und Haftung
Ein weiterer zentraler ethischer-rechtlicher Konflikt ist sicherlich die Frage nach der Verantwortlichkeit bei „KI-Entscheidungen“. Da die KI nicht als eigenständig handelnde Entität begriffen werden kann, muss die Verantwortung für das Handeln einem Menschen zugeordnet werden. Da dieser handlungsimmanente KI Konflikt nicht pädiatrie-spezifisch ist, wird an dieser Stelle auf die weiterführende Literatur verwiesen(20–22).
3. KI in der pädiatrischen Diagnostik
3.1. Regelversorgung – häufige Erkrankungen
Anamnese und Beratung
Telemedizinisch unterstützte präklinische Anamnesegespräche werden international bereits umgesetzt (23). Hierbei können perspektivisch KI-Systeme unterstützend, z.B. in Dokumentation und Klassifikation der Symptome eingesetzt werden. Chatbots sind in der Lage, strukturiert Anamnesedaten zu erheben und damit das Patientengespräch vorzubereiten oder zu begleiten (16). Jedoch ersetzt dies nicht den Kontakt zu Kinderarzt und/oder Kinderkrankenpflege.
Bei chronischen Erkrankungen werden aktuell Chatbots als Erweiterung der ärztlichen Beratungsfunktion für Standardfragen oder häufig auftretende Situationen genutzt (zum Beispiel Scoring Systeme zur Beurteilung von Krankheitsaktivität Ernährungsberatung, Belastung von Angehörigen) (24–27). Ein wesentlicher Vorteil ist die asynchrone Verfügbarkeit, die Anpassungsfähigkeit an Muttersprache sowie Einbeziehung eines weiteren Kreises von Bezugspersonen.
Nachteile entstehen potenziell für die Arzt-Eltern-Patienten Beziehung. Gleichzeitig verändert sich die Rolle des Arztes vom „technischen Untersucher“ zum Gesundheitsberater, der die Familie gut kennt und empathisch die ursprüngliche Arztrolle sogar vollständiger ausfüllen kann. Die zur Verfügung stehende Zeit kann mehr für Bedürfnisse und Fragen genutzt werden.
Früherkennungsuntersuchungen
Im Bereich der pädiatrischen Früherkennungsuntersuchungen sowie der Neuropädiatrie können Durchführung und Auswertungen von Tests für z.B. Sprache und Motorik durch KI, z. B. mittels „Smart Jumpsuits“, unterstützt werden (28–30). Auch subtilere Befunde wie Gangstörungen, Bewegungsmuster von Säuglingen oder Verhaltensauffälligkeiten können KI gestützt zukünftig wahrscheinlich früher erkannt und falls möglich einer Behandlung zugeführt werden.
Radiologische Diagnostik
Sonographische Untersuchungen wie Hüftsonographie (31) und Echokardiographie (32) können durch KI und Assistent:innen durchgeführt werden (33). Auch bei kindlichen Frakturen oder Thorax CTs sind KI-Systeme der rein menschlichen Bewertung ebenbürtig oder überlegen (27–29).
Dezentralisierung und Vernetzung in der Regelversorgung
Durch Telemedizin, Diagnosetools für zu Hause und die Unterstützung mobiler Versorgungsteams kann die Gesundheitsversorgung im ländlichen Raum zukünftig mit Unterstützung durch KI-Anwendungen dezentralisiert werden (34,35).
Hausbesuche können beispielweise durch Roboter im Sinne von Telepräsenzsystemen unterstützt werden. Diese werden von Arzt/Ärztin/Pflegekraft gesteuert, die sich einen klinischen Eindruck verschaffen kann und mit dem Patienten kommuniziert. Zudem kann KI durch Bereitstellung und Auswertung der Daten interdisziplinäre Teams vernetzen und verschiedene Fachdisziplinen aktiv einbinden.
3.2. Spezialisierte Diagnostik: genetische und seltene Erkrankungen
In der Diagnostik genetischer und seltener Erkrankungen bietet KI neue Möglichkeiten, insbesondere durch die Analyse von Daten aus der kostengünstigeren Whole-Genomsequenzierung. KI kann genetische Veränderungen priorisieren, Muster erkennen und klinische Symptome verknüpfen, wodurch seltene Erkrankungen schneller identifiziert und personalisierte Therapien entwickelt werden (PhenomeCentral, Face2Gene)(36,37).
In vielen seltenen Erkrankungssituationen kann die KI hilfreich sein, wenn der individuelle Erfahrungshorizont überschritten wird (z.B. Bildbefunde, ungewöhnliche Labordiagnostik bei Dyslipidämie,) oder niederschwelliger Abgleiche mit internationalen Registern/Literatur durchgeführt werden können (38,39).
Die Qualität der Daten ist abhängig von der Infrastruktur, um zuverlässige Ergebnisse zu liefern. Unterschiedliche Herkunft der Patienten, fehlende Digitalisierung und lokale Gegebenheiten führen zu möglichen Selektionsbiases. So sind zum Beispiel molekulargenetische Daten regional sehr unterschiedlich verfügbar.
4. KI in der pädiatrischen und kinderchirurgischen Therapie
KI wird auch in der Therapie von Kindern eine rapide zunehmende Rolle einnehmen, und zwar in einem breiten Spektrum an Erkrankungen und Indikationen. Die ausgewählten Beispiele (s. eBox1) sind dabei nur die Spitze des Eisberges: KI-Modelle können Behandlungspläne basierend auf individuellen Merkmalen wie Alter, Gewicht, Genetik und Lebensstil optimieren.
Um den Patienten die bestmögliche Therapie zu bieten, sollten künftig auch KI-basierte Ansätze in die Behandlung integriert werden. Dabei sind Nutzen und Risiken – insbesondere in Bezug auf Datensicherheit, Haftungsfragen und mögliche Fehleinschätzungen – sorgfältig abzuwägen. Kliniker sollten sich daher regelmäßig über neue Entwicklungen in ihrem Fachgebiet informieren (40).
Überwiegt der Nutzen, dürfen KI-basierte Therapien Kindern nicht vorenthalten werden. Diese müssen allen Bedürftigen unabhängig von Herkunft, sozialem Status, regionale Versorgungssituation oder Versicherungsart zugänglich gemacht werden. Forschung auf diesem Gebiet, auch speziell im pädiatrischen Bereich, ist essenziell. Zudem sollten Familien umfassend über den Einsatz solcher Therapien informiert und ihr schriftliches Einverständnis eingeholt werden.
5. KI in der neonatologischen und pädiatrischen Intensivmedizin
Die Intensivmedizin für schwer kranke Neugeborene, Kinder und Jugendliche stellt besondere Anforderungen, die durch den Einsatz von KI-Systemen ergänzt werden können (40). Gleichzeitig entstehen hier große Datenmengen im Rahmen des Monitorings und der Intensivtherapie, die sich für strukturierte Auswertungen, prädiktive Modelle und andere KI Modellierungen anbieten.
Entscheidungen in der Intensivmedizin sind häufig zeitkritisch. KI-Systeme analysieren Vitaldaten schnell und zuverlässig, insbesondere in der Neonatologie, z. B. bei Frühgeborenen an der Grenze zur Lebensfähigkeit (22.–24. Schwangerschaftswoche) (41,42). Sie unterstützen Prognosen zur Überlebens- oder Entwicklungswahrscheinlichkeit und helfen bei kurativen oder palliativen Entscheidungen. Auch bei seltenen Krankheiten wie onkologischen oder Stoffwechselerkrankungen können KI-Systeme eingesetzt werden, erfordern aber eine präzise Entwicklung und Training (43).
6. KI aus Sicht des Heilberufs – Entlastung berufsfremder Tätigkeiten im Alltag
Erweiterung des Spektrums der Tätigkeiten durch Einsatz von KI
KI basierte Krankenhaus- oder Praxisinformationssysteme können durch Unterstützung der Dokumentation (Spracherkennung, automatisches Diktat, Protokollerstellung, Arztbrieferstellung, Befunddokumentation (Bild, Ton, Video)) Heilberufe relevant entlasten, zumal der Anteil solcher, als berufsfremd bezeichneter Tätigkeiten in den letzten 20 Jahren relevant zugenommen hat.
In zunehmend komplexen Versorgungssituationen können Abläufe und Arbeitseinsätze KI basiert besser koordiniert und Delegationsvorgänge im multiprofessionellen Team technologisch unterstützt werden (Bsp. Pflegebrille 2.0, (44)).
Beispielprojekte
Initiativen wie ARGO UKE (45) und SmartHospital.NRW arbeiten an KI-gestützten Technologien wie der automatisierten Erstellung medizinischer Dokumente, Sprachtechnologien im Patientenzimmer und Gesundheitsdatenanalysen zur Diagnostikunterstützung (z. B. Universitätsmedizin Essen).
7. KI in der pädiatrischen Forschung und Entwicklung
KI analysiert Studiendaten, erkennt seltene Muster und beschleunigt die Identifikation therapeutischer Ansätze für seltene Krankheiten.
Die Nutzung von KI in der pädiatrischen Forschung erfordert große Datenmengen, oft einschließlich sensibler Gesundheitsdaten von Kindern. Dies wirft zentrale Fragen zu Datenschutz, Datensicherheit und Patientenautonomie auf, insbesondere angesichts der eingeschränkten Zustimmungsfähigkeit von Kindern. In der Regel müssen Eltern oder Erziehungsberechtigte der Datennutzung zustimmen, doch die langfristigen Implikationen solcher Entscheidungen sind häufig unklar. Auch die späteren Präferenzen der betroffenen Kinder oder jungen Erwachsenen können meist nicht berücksichtigt werden. Zudem ist es oft technisch nicht möglich, die verwendeten Daten nach dem Training eines Modells zu löschen.
Gleichzeitig haben Kinder ein Recht auf die Nutzung ihrer Daten, wenn dies zu einer Verbesserung der klinischen Versorgung, etwa bei seltenen Erkrankungen, führt. Ein zentraler Konflikt besteht darin, ob Eltern in die Nutzung von KI-Systemen einwilligen können, wenn die zukünftigen Anwendungen unvorhersehbar sind. Es ist wichtig, Kinder altersgerecht über Risiken aufzuklären und in Entscheidungen einzubeziehen. Besonders bei jüngeren Kindern stellt dies eine Herausforderung dar.
7.1 Datensicherheit und Risiken
Viele medizinische Daten von Kindern – wie Diagnoselisten, operative Maßnahmen, verabreichte Medikamente oder genetische Informationen – bleiben über die gesamte Lebensspanne relevant. Dies birgt Risiken wie Missbrauch und Diskriminierung, etwa durch private Krankenversicherungen. Zusätzlich erschwert die niedrige Inzidenz seltener Erkrankungen eine Anonymisierung der Daten. Zum Beispiel gibt es nur wenige Patienten mit „Lysosomalem sauren Lipase-Mangel (LAL-D)“ im Alter unter zwei Jahren in einer Region wie Brandenburg, was Rückschlüsse anhand gespeicherter Daten – auch nach Anonymisierung – auf Einzelpersonen ermöglichen könnte.
Eine mögliche Lösung besteht darin, die Verwendung der Daten auf das absolut Notwendige zu beschränken und die Datenverknüpfbarkeit zu minimieren. Dies muss jedoch mit der Leistungsfähigkeit von KI-Systemen abgewogen werden. Darüber hinaus sollten technische Maßnahmen wie Verschlüsselung und Systemsicherheit weiterentwickelt werden, um den Schutz sensibler Daten zu gewährleisten.
7.2 Kosten, Teilhabe und Gerechtigkeit
Die Entwicklung von KI ist teuer und erfordert große Datenmengen. Besonders Kinder müssen vor negativen Konsequenzen wie Missbrauch oder unethischer Datennutzung geschützt werden, also sollte die Entwicklung nützlicher KI-Systeme gefördert werden. Dabei besteht die Gefahr, dass der Fokus auf Erwachsenen liegt, da hier höhere Umsatzerwartungen bestehen.
Zudem muss das Problem des Bias in Forschungssystemen berücksichtigt werden (46,47). Kinder sind keine „kleinen Erwachsenen“, weshalb KI-Systeme, die auf Daten von Erwachsenen oder unzureichenden Kinderdaten trainiert wurden, problematisch im Sinne von fehlerhaften Ergebnissen sein können, insbesondere z. B. bei Kindern mit Migrationshintergrund oder genetisch sowie sozial variierendem Hintergrund.
8. KI in der Aus- und Weiterbildung in der konservativen und operativen Kinder- und Jugendmedizin
Im Vergleich zur ethischen Bewertung der klinischen Anwendung von KI rückt deren Einsatz in der Aus- und Weiterbildung erst allmählich mit konkreten Anwendungen in den Fokus (48,49). Gerade in der Pädiatrie, die sehr unterschiedliche Patientenszenarien umfasst (z. B. Akutmedizin, chronisch kranke Kinder, Sozialpädiatrie, Neonatologie), kann KI in der Ausbildung sowohl Vorteile als auch Herausforderungen mit sich bringen.
8.1 Vorteile des KI-Einsatzes
KI ermöglicht die Bereitstellung von Lerninhalten, die seltene Fälle einschließen und personalisierte Lernerfahrungen fördern (49). Unterschiedliche Vorkenntnisse, sprachliche Niveaus und Lernmethoden können so besser berücksichtigt werden. Auch die Erstellung und Auswertung von Prüfungen, Freitextantworten sowie die Analyse von Evaluationen und Feedback können durch KI erleichtert werden (50). Ergänzend bieten Technologien wie Augmented/Virtual Reality (AR/VR) und komplexe Simulationsszenarien neue anwendungsbasierte Lernmöglichkeiten. Szenarien können spezifisch angepasst und wiederholt werden, bis Lernziele erreicht sind, ohne Risiken für reale Patienten.
8.2 Herausforderungen und Datenschutz
Ein zentraler Punkt ist die Frage des Datenschutzes sowohl für Patienten als auch für Studierendendaten. Besonders bei seltenen Erkrankungen, fazialen Dysmorphien oder anderen identifizierbaren Merkmalen wird die Anonymisierung erschwert. Maßnahmen wie Verschlüsselung, Datensicherheitsprotokolle und ein sicherheitsbewusster Umgang mit ITSystemen sind notwendig, um die Privatsphäre zu schützen. Zudem müssen Informed Consent-Verfahren und regelmäßige Überprüfungen sicherstellen, dass keine übermäßige Sammlung von studierendenbezogenen Daten erfolgt.
8.3 Integration in die Ausbildung
KI sollte in den Ausbildungsabschnitten und Curricula nicht nur als technisches Werkzeug, sondern auch als Gegenstand kritischer Reflexion integriert werden.
Dies umfasst:
- Die Nutzung von KI-Tools wie LLMs (Large Language Models) für das Lernen und die Erstellung von Prüfungsfragen (50).
- Diskussionen über die langfristige Datennutzung und regulatorische Rahmenbedingungen.
- Ethische Prinzipien und das Verständnis für Entscheidungsunterstützungssysteme (4,7,33).
- Veränderungen des Berufsbilds und Gesundheitssystems durch KI
Die Integration in klinische Abläufe erfordert Schulungen und Anpassungen der Workflows. Weiterhin werden neue Kompetenzen und Fertigkeiten von Ärzt:Innen der Zukunft gefordert. So ist zur Interpretation und Einordnung der KI-Ergebnisse ein grundlegendes Verständnis technisch mathematischer Grundlagen erforderlich (51).
9. Entwicklersicht: Kinder und Jugendliche als Modellierungsproblem
Die Anwendung von Künstlicher Intelligenz (KI) im pädiatrischen Bereich stellt Entwickler vor besondere Herausforderungen, die sich insbesondere aus den dynamischen Entwicklungsprozessen von Kindern und Jugendlichen sowie aus der begrenzten Verfügbarkeit relevanter Daten ergeben. Diese Herausforderungen sind besonders kritisch, wenn KI für klinische Entscheidungsunterstützungssysteme (CDSS) eingesetzt wird.
Für das Training robuster maschineller Lernmodelle (ML-Modelle) sind qualitativ hochwertige Datensätze erforderlich, die idealerweise demografische Daten mit klinischen Versorgungsdaten verknüpfen. Ein Modell, das für einen Erwachsenen gültig ist, kann für ein Kind in einem anderen Altersabschnitt falsch sein, da sich die physiologischen Parameter stark ändern.
Kinder und Jugendliche durchlaufen kontinuierlich Entwicklungsprozesse, die ihre physiologischen Parameter, Krankheitsanfälligkeit und die Aussagekraft medizinischer Befunde beeinflussen. Pädiatrische KI-Modelle müssen diese heterogenen und altersabhängigen Normbereiche berücksichtigen, um verlässliche und sichere Entscheidungen zu treffen.
9.1 Herausforderung der Datenverfügbarkeit
Erfolgreiche KI-Modelle basieren auf umfangreichen und hochwertigen Datensätzen. In der Pädiatrie sind jedoch oft nur kleine, unausgewogene Datensätze vorhanden. Seltene, aber schwerwiegende Erkrankungen wie Sepsis bei Kindern kommen so selten vor, dass sie zu einer Verzerrung (Bias) der Modelle führen können. Für den Umgang mit unausgewogenen Datensätzen sind spezielle Techniken erforderlich, wie z.B. das Übersampling von seltenen Ereignissen oder die Anwendung von gewichteten Verlustfunktionen.
Besonders hilfreich sind hierbei Daten aus der ambulanten und stationären Versorgung, die jedoch in der Praxis häufig lückenhaft oder schwer zugänglich sind. Zudem spielen auch Daten eine Rolle, die vor dem ersten Kontakt mit dem Gesundheitssystem entstehen, z.B. durch präventive Maßnahmen oder frühzeitige Gesundheitsüberwachungen. Für die Entwicklung von KI-Anwendungen zur Früherkennung sind daher komplexe Datensätze erforderlich, die in der Pädiatrie aufgrund von ethischen, datenschutzrechtlichen und ökonomischen Gründen oft nicht ausreichend zur Verfügung stehen.
Die größte Datenmenge zur Entwicklung und zur Gesundheit von Kindern und Jugendlichen fällt in Deutschland in ca. 7.700 Kinder- und Jugendarztpraxen an. Da Versorgungsforschung in ambulanter Allgemeinpädiatrie nur rudimentär existiert, werden diese Daten nicht strukturiert erhoben und stehen nicht als Basis für KI-Systeme zur Verfügung. Somit ist dieser Bereich, in dem die gesamte Früherkennung nach der Neugeborenenzeit erfolgt, in dem die meisten Erkrankungen diagnostiziert werden und in dem die meisten Medikamente verordnet werden als Quelle und für die Anwendung von KI noch eine „black box“ (52).
9.2 Frühdiagnose und Ethik
Ein weiteres Problem stellt der Mangel an Anreizen für die Entwicklung von KI-Anwendungen für Kinder dar, obwohl die Relevanz solcher Anwendungen hoch ist. KI hat das Potential insbesondere bei der Früherkennung von seltenen Erkrankungen im Kindesalter eine wertvolle Rolle zu spielen. Jedoch bleibt der Nutzen von KI im Bereich der Therapie von Kindern aufgrund der begrenzten Datenverfügbarkeit und ethischen Fragestellungen, etwa zur Zustimmung der Eltern oder zur Anonymisierung von Daten, häufig begrenzt.
10. Zukunftsvision für KI-gestützte Patientenpfade
10.1 Patienteninitiierte Recherche zu Gesundheitsthemen
KI-Chatbots bieten Eltern rund um die Uhr Unterstützung bei Gesundheitsfragen und Symptombeurteilungen.
Telemedizinplattformen analysieren automatisiert Bilder, z. B. bei Hautausschlägen, Augenentzündungen oder zur Televisite bei chronischen Erkrankungen und können den Ärztemangel mildern (z. B. Tyto Care, (53)) .
Dem Vorteil einer möglichen Früherkennung oder Vermeidung fachärztlicher Vorstellung steht das Risiko einer übermäßigen Inanspruchnahme von Gesundheitsdienstleistungen und Missinterpretation von Daten zur „medikolegalen“ Abklärung möglicherweise von der KI sicherheitshalber als unklar eingeordneter Befunde entgegen. Hierdurch löst sich die ursprünglich ärztlich bestimmte Dichotomie von Krankheit und Gesundheit zunehmend auf. Es stellt sich im Bereich dieser Beratung auch die Frage der Interessenlage oder entsprechender Konflikte von KI-Herstellern und Betreibern der medizinischen Infrastruktur.
10.2 Demokratisierung und Inklusion
KI ist geeignet medizinisches Wissen zugänglich zu machen und personalisierte Gesundheitsinformationen bereitzustellen – auch für Menschen mit unterschiedlichem Bildungsniveau oder Sprachkompetenzen. Barrierefreie Kommunikation, z. B. durch Echtzeitübersetzung in Gebärdensprache oder adaptive Geräte, würde eine inklusive Gesundheitsversorgung fördern. KI-Apps helfen Eltern, Impfpläne, Ernährungsbedürfnisse und Meilensteine zu verfolgen. Automatisierte Benachrichtigungen erinnern an Vorsorgeuntersuchungen oder Notfallmaßnahmen.
10.3 Psychosoziale Unterstützung und Nachbetreuung
KI ermöglicht psychosoziale Unterstützung, z. B. durch emotionale Analyse, kognitive Verhaltenstherapie oder präventives Stressmanagement. Automatisierte Nachbetreuung, z. B. durch Erinnerungen an Kontrolltermine, vermag die Nachsorge zu optimieren. Daten zur Nutzung von DiGAs im Bereich der Versorgung häufiger psychosozialer Belastungsfaktoren stehen bei Kindern im Gegensatz zu Erwachsenen jedoch noch aus.
10.4 Prävention und patientenseitige Gesundheitsförderung
Zur allgemeinen Gesundheitsvorsorge werden inzwischen häufig KI-gestützte Chatbots z.B. zu Ernährung, Bewegung, Schlafhygiene und Impfungen genutzt. Dieses Verhalten wird z.T. auch über Appanbieter für Bezugspersonen von Kindern angeboten (Google Child / Family Health). Es muss darauf hingewiesen werden, dass eine unreflektierte Nutzung hier auch zu gesundheitsschädlichem Verhalten beitragen kann (Orthorexie, Münchhausen by Proxy). Zur Sekundärprävention chronisch Erkrankter sind Symptomtagebücher oder App-basierte Alltagsbegleiter positiv evaluiert.
11. Fazit
Zu den wichtigsten ethischen Herausforderungen zählen Patientensicherheit, Nutzen und Schadensminimierung. KI-Systeme müssen äußerst genau und zuverlässig sein, um Fehldiagnosen zu vermeiden. Dafür sind umfassende, auf Bias geprüfte Datensätze notwendig, was in Deutschland noch nicht gegeben ist.
KI hat das Potenzial, Diagnostik und Prävention in der Pädiatrie schneller, präziser und effektiver zu machen, sowie Therapien zu personalisieren. Besonders vielversprechend sind die Bilddatenanalyse, Vitaldatenanalyse, genetische Diagnostik und klinische Frühwarnsysteme.
Neben diesen Chancen bestehen auch erhebliche Risiken hinsichtlich möglichen Missbrauchs. Die Berücksichtigung der klassischen Domänen des Datenschutzes, dem Schutz der Persönlichkeit und des Privaten ist hier besonders wichtig. Die Gestaltung regulatorischer Rahmenbedingungen und die ethische Reflexion des eigenen Nutzungsverhaltens müssen zum Schutz der Kinder und Jugendlichen im Vordergrund stehen.
Aufgrund der dargestellten Besonderheiten (Datenverfügbarkeit, besondere Schutzbedürftigkeit) müssen Kinder und Jugendliche mit Ihren Belangen in jeder Stufe des Entwicklungsprozesses von KI Systemen explizit mitgedacht werden.
KI wird die Aus- und Weiterbildung in der Kinder- und Jugendmedizin nachhaltig verändern, indem sie personalisierte, sichere und innovative Lernmethoden anbietet. Gleichzeitig dürfen wichtige ärztliche Kompetenzen nicht durch die Nutzung von Assistenzsystemen verloren gehen.
KI wird ermöglichen die Gesundheitsversorgung von Kindern und Jugendlichen individueller, effizienter und zugänglicher zu gestalten. Betroffene Kinder und Jugendliche und ihre Eltern haben die Chance durch KI-gestützte Betreuung, die Prävention und Lebensqualität priorisiert, aktive Teilnehmer ihrer Gesundheitsreise zu werden. Die Rolle des Arztes würde sich zu einem Gesundheitsbegleiter in einem vernetzten Ökosystem wandeln. Die Prinzipien ethischen Handelns im Sinn der Kinder bleiben hiervon unberührt.
KI-Systeme bieten dann einen Nutzen, wenn sie der ärztlichen Beurteilung überlegen sind – das muss in vielen Bereichen noch belegt werden. Wo verlässliche Belege vorliegen, wäre ein Verzicht unethisch. Fehlen Nachweise oder ist die ärztliche Beurteilung sicherer, könnten KI-Maßnahmen schaden.
Autonomie ist gewahrt, wenn Betroffene und Sorgeberechtigte nach verständlicher Aufklärung zustimmen. Verantwortung und Kontrollinstanzen müssen transparent sein, Datenschutz und Datengouvernanz sind essenziell.
KI-gestützte Maßnahmen sind nur gerecht, wenn sie allgemein und gleich verfügbar sind und nicht Ressourcen in anderen Bereichen entziehen. Global können durch KI soziale und ökologische Risiken sowie Ungerechtigkeiten zwischen Nationen entstehen (54).
Autoren:
Prof. Dr. Jan de Laffolie, Allgemeine Pädiatrie und Neonatologie, Pädiatrische Gastroenterologie und Hepatologie, Kinder- und Jugendmedizin, Universitätsklinikum Gießen, Justus-Liebig-Universität Gießen; Dr. Stefan Renz, Dr. Wolfgang Landendörfer Berufsverband der Kinder- und Jugendärzt*innen, BVKJ, Köln; Elke Hauke, Kindernetzwerk, Dachverband der Selbsthilfe von Familien mit Kindern und jungen Erwachsenen mit chronischen Erkrankungen und Behinderungen, Berlin (knw); Brigitte Hauff, Berufsverband Kinderkrankenpflege Deutschland e.V. (BeKD); Prof. Dr. Bert Heinrich, Institut für Neurowissenschaften und Medizin: Gehirn und Verhalten (INM-7), Forschungszentrum Jülich GmbH; Dr. Julian Hugo M. Sc., Product Owner Machine Learning für klinische Entscheidungsunterstützung, Tiplu GmbH, Zweigniederlassung Berlin; Prof. Dr. Thomas Meißner Klinik für Allgemeine Pädiatrie, Neonatologie und Kinderkardiologie, Medizinische Fakultät, Universitätsklinikum Düsseldorf, Heinrich-Heine Universität, Düsseldorf, Dr. Janna-Lina Kerth, Deutsche Gesellschaft für Kinder und Jugendmedizin (DGKJ); Prof. Dr. Oliver Muensterer, Kinderchirurgische Klinik und Poliklinik im Dr. von Haunerschen Kinderspital, LMU Klinikum, Campus Innenstadt (DGKJCH); Dr. Jeremy Schmidt, Universitätsklinik für Kinder- und Jugendmedizin, Kinderzentrum Bethel, Universitätsklinikum OWL, Universität Bielefeld, Bielefeld, Deutschland; Prof. Dr. med. P. W. Gaidzik, Institut für Medizinrecht, Private Universität Witten/Herdecke gGmbH, Fakultät für Gesundheit (Department für Humanmedizin).
Kommission für ethische Fragen
Mitglieder: Dr. med. Ernst Fukala (Berater), Prof. Dr. Peter W. Gaidzik (Juristischer Berater), Elke Hauke (knw), Dr. med. Ralf van Heek (BVKJ), Prof. Dr. med. Egbert Herting (DGKJ), Prof. Dr. med. Thomas Klingebiel (DGKJ), Dr. med. Christoph Kupferschmid (Sprecher, BVKJ), Prof. Dr. med. Oliver Muensterer (DGKJCH), Dr. med. Andreas Oberle (DGSPJ).
Korrespondenzadresse:
Bündnis Kinder- und Jugendgesundheit e.V.
Chausseestr. 128/129, 10115 Berlin
Tel.: 030.4000588-0, Fax.: 030.4000588-88
e-Mail: kontakt@buendnis-kjg.de
Internet: www.buendnis-kjg.de
Literatur:
1. Deutscher Ethikrat. Mensch und Maschine – Herausforderungen durch Künstliche Intelligenz [Internet]. Berlin: Deutscher Ethikrat; 2023. Available from: www.ethikrat.org
2. Patientenwohl als ethischer Maßstab für das Krankenhaus: Stellungnahme. [Stand:] 5. April 2016. Berlin: Deutscher Ethikrat; 2016.
3. Maier-Hein L, Reinke A, Godau P, Tizabi MD, Buettner F, Christodoulou E, et al. Metrics reloaded: recommendations for image analysis validation. Nat Methods. 2024 Feb;21(2):195–212.
4. Meier LJ, Hein A, Diepold K, Buyx A. Algorithms for Ethical Decision-Making in the Clinic: A Proof of Concept. Am J Bioeth. 2022 Jul 3;22(7):4–20.
5. Kaack LH, Donti PL, Strubell E, Kamiya G, Creutzig F, Rolnick D. Aligning artificial intelligence with climate change mitigation. Nat Clim Change. 2022 Jun;12(6):518–27.
6. Weltärztebund. Deklaration von Genf [Internet]. 2017 [cited 2025 Apr 4]. Available from: https://www.bundesaerztekammer.de/fileadmin/user_upload/BAEK/Themen/Internationales/Bundesaerztekammer_Deklaration_von_Genf_04.pdf
7. Kareemi H, Li H, Rajaram A, Holodinsky JK, Hall JN, Grant L, et al. Establishing methodological standards for the development of artificial intelligence-based Clinical Decision Support in emergency medicine. CJEM. 2025 Feb;27(2):87–95.
8. Huppertz HI, Kommission für ethische Fragen der Deutschen Akademie für Kinder- und Jugendmedizin (DAKJ), Fritsch C, Fukala E, Gaidzik P, Herting E, et al. Der Bruch ethischer Normen durch die Ökonomisierung in der Kinder- und Jugendmedizin: Stellungnahme der Kommission für ethische Fragen der Deutschen Akademie für Kinder- und Jugendmedizin (DAKJ). Monatsschr Kinderheilkd. 2022 Apr;170(4):351–6.
9. Deutscher Ethikrat. Big Data und Gesundheit – Datensouveränität als informationelle Freiheitsgestaltung [Internet]. Berlin: Deutscher Ethikrat; 2017. Available from: www.ethikrat.org
10. McLennan S, Fiske A, Celi LA. Building a house without foundations? A 24-country qualitative interview study on artificial intelligence in intensive care medicine. BMJ Health Care Inform. 2024 Apr 19;31(1):e101052.
11. Moy S, Irannejad M, Manning SJ, Farahani M, Ahmed Y, Gao E, et al. Patient Perspectives on the Use of Artificial Intelligence in Health Care: A Scoping Review. J Patient-Centered Res Rev. 2024;11(1):51–62.
12. Koehler F, Koehler K, Deckwart O, Prescher S, Wegscheider K, Kirwan BA, et al. Efficacy of telemedical interventional management in patients with heart failure (TIM-HF2): a randomised, controlled, parallel-group, unmasked trial. The Lancet. 2018
Sep;392(10152):1047–57.
13. Gasser U. An EU landmark for AI governance. Science. 2023 Jun 23;380(6651):1203.
14. Jamil Abusamra HN, Ali SHM, Khidir Elhussien WA, Ahmed Mirghani AM, Alameen Ahmed AA, Abdelrahman Ibrahim ME. Ethical and Practical Considerations of Artificial Intelligence in Pediatric Medicine: A Systematic Review. Cureus. 2025 Feb;17(2):e79024.
15. Unted Nations. Convention on the Rights of the Child. New York; 1989 Nov.
16. Min C, Lim RXC, Tan SW, Ganapathy S. Experience developing a pediatric medical chatbot in Singapore: a digital innovation for improved emergency care. Front Digit Health. 2025;7:1557804.
17. Cooper A, Ireland D. Designing a Chat-Bot for Non-Verbal Children on the Autism Spectrum. Stud Health Technol Inform. 2018;252:63–8.
18. Heo S, Jeong S, Paeng H, Yoo S, Son MH. Communication challenges and experiences between parents and providers in South Korean paediatric emergency departments: a qualitative study to define AI-assisted communication agents. BMJ Open. 2025 Apr 3;15(4):e094748.
19. Chun D, Chung T, Kang J, Ko T, Rhie YJ, Kim J. Height estimation in children and adolescents using body composition big data: Machine-learning and explainable artificial intelligence approach. Digit Health. 2025;11:20552076251331879.
20. Yun HS, Bickmore T. Online Health Information-Seeking in the Era of Large Language Models: Cross-Sectional Web-Based Survey Study. J Med Internet Res. 2025 Mar 31;27:e68560.
21. Gundlack J, Negash S, Thiel C, Buch C, Schildmann J, Unverzagt S, et al. Artificial Intelligence in Medical Care – Patients’ Perceptions on Caregiving Relationships and Ethics: A Qualitative Study. Health Expect Int J Public Particip Health Care Health Policy. 2025 Apr;28(2):e70216.
22. Sullivan BA, Beam K, Vesoulis ZA, Aziz KB, Husain AN, Knake LA, et al. Transforming neonatal care with artificial intelligence: challenges, ethical consideration, and opportunities. J Perinatol Off J Calif Perinat Assoc. 2024 Jan;44(1):1–11.
23. Mahlknecht A, Engl A, Piccoliori G, Wiedermann CJ. Supporting primary care through symptom checking artificial intelligence: a study of patient and physician attitudes in Italian general practice. BMC Prim Care. 2023 Sep 4;24(1):174.
24. Shankar R, Bundele A, Yap A, Mukhopadhyay A. Development and feasibility testing of an AI-powered chatbot for early detection of caregiver burden: protocol for a mixed methods feasibility study. Front Psychiatry. 2025;16:1553494.
25. Ponzo V, Rosato R, Scigliano MC, Onida M, Cossai S, De Vecchi M, et al. Comparison of the Accuracy, Completeness, Reproducibility, and Consistency of Different AI Chatbots in Providing Nutritional Advice: An Exploratory Study. J Clin Med. 2024 Dec 20;13(24):7810.
26. Blanchard M, Venerito V, Ming Azevedo P, Hügle T. Generative AI-based knowledge graphs for the illustration and development of mHealth self-management content. Front Digit Health. 2024;6:1466211.
27. Lahat A, Shachar E, Avidan B, Glicksberg B, Klang E. Evaluating the Utility of a Large Language Model in Answering Common Patients’ Gastrointestinal Health-Related Questions: Are We There Yet? Diagnostics. 2023 Jun 2;13(11):1950.
28. Schafmeyer L, Losch H, Bossier C, Lanz I, Wunram HL, Schoenau E, et al. Using artificial intelligence-based technologies to detect clinically relevant changes of gross motor function in children with cerebral palsy. Dev Med Child Neurol. 2024 Feb;66(2):226–32.
29. Vignolle GA, Bauerstätter P, Schönthaler S, Nöhammer C, Olischar M, Berger A, et al. Predicting Outcomes of Preterm Neonates Post Intraventricular Hemorrhage. Int J Mol Sci. 2024 Sep 25;25(19):10304.
30. Kim TM, Kim YH, Song SH, Choi IY, Kim DJ, Ko T. Explainability Enhanced Machine Learning Model for Classifying Intellectual Disability and Attention-Deficit/Hyperactivity Disorder With Psychological Test Reports. J Korean Med Sci. 2025 Mar 24;40(11):e26.
31. Chen YP, Fan TY, Chu CC, Lin JJ, Ji CY, Kuo CF, et al. Automatic and human level Graf’s type identification for detecting developmental dysplasia of the hip. Biomed J. 2024 Apr;47(2):100614.
32. Nguyen MB, Villemain O, Friedberg MK, Lovstakken L, Rusin CG, Mertens L. Artificial intelligence in the pediatric echocardiography laboratory: Automation, physiology, and outcomes. Front Radiol. 2022;2:881777.
33. Sen S, Ramakrishnan S. Artificial intelligence in pediatric cardiology: Where do we stand in 2024? Ann Pediatr Cardiol. 2024;17(2):93–6.
34. Dauletbaev N, Oftring ZS, Akik W, Michaelis-Braun L, Korel J, Lands LC, et al. A scoping review of mHealth monitoring of pediatric bronchial asthma before and during COVID-19 pandemic. Paediatr Respir Rev. 2022 Sep;43:67–77.
35. Exner B, Frielitz-Wagner IV, Frielitz FS. Telemedicine and digital health for chronic conditions in pediatrics: A systematic review. J Telemed Telecare. 2025 May 7;1357633X251334423.
36. Srisraluang W, Rojnueangnit K. Facial recognition accuracy in photographs of Thai neonates with Down syndrome among physicians and the Face2Gene application. Am J Med Genet A. 2021 Dec;185(12):3701–5.
37. Porras AR, Rosenbaum K, Tor-Diez C, Summar M, Linguraru MG. Development and evaluation of a machine learning-based point-of-care screening tool for genetic syndromes in children: a multinational retrospective study. Lancet Digit Health. 2021 Oct;3(10):e635–43.
38. Ain Q, Nawaz A, Khan M, Sikonja J, Batool H, Zaheer R, et al. Dyslipidaemia among children and adolescents in Pakistan: a five-year retrospective cohort study based on laboratory data. Lipids Health Dis. 2025 Mar 22;24(1):110.
39. McCradden MD, Thai K, Assadi A, Tonekaboni S, Stedman I, Joshi S, et al. What makes a ‘good’ decision with artificial intelligence? A grounded theory study in paediatric care. BMJ Evid-Based Med. 2025 Feb 12;bmjebm-2024-112919.
40. Sullivan BA, Beam K, Vesoulis ZA, Aziz KB, Husain AN, Knake LA, et al. Transforming neonatal care with artificial intelligence: challenges, ethical consideration, and opportunities. J Perinatol Off J Calif Perinat Assoc. 2024 Jan;44(1):1–11.
41. Keles E, Bagci U. The past, current, and future of neonatal intensive care units with artificial intelligence: a systematic review. NPJ Digit Med. 2023 Nov 27;6(1):220.
42. Shu CH, Zebda R, Espinosa C, Reiss J, Debuyserie A, Reber K, et al. Early prediction of mortality and morbidities in VLBW preterm neonates using machine learning. Pediatr Res. 2024 Oct 8;
43. Schouten JS, Kalden MACM, van Twist E, Reiss IKM, Gommers DAMPJ, van Genderen ME, et al. From bytes to bedside: a systematic review on the use and readiness of artificial intelligence in the neonatal and pediatric intensive care unit. Intensive Care Med. 2024 Nov;50(11):1767–77.
44. Bundesministerium für Forschung, Technologie und Raumfahrt. Pflege mit Durchblick – augmented reality bereichert die Pflegepraxis [Internet]. [cited 2025 May 28]. Available from: https://www.gesundheitsforschung-bmbf.de/de/pflege-mit-durchblick-augmentedreality-bereichert-die-pflegepraxis-12473.php
45. UKE. Digitale Transformatlion – Zukunftsplan 2025 [Internet]. [cited 2025 May 26]. Available from: https://www.uke.de/landingpage/zukunftsplan-2050/digitaletransformation/zukunftsolan-2025_idm.html
46. Dimitri P, Savage MO. Artificial intelligence in paediatric endocrinology: conflict or cooperation. J Pediatr Endocrinol Metab JPEM. 2024 Mar 25;37(3):209–21.
47. Abràmoff MD, Tarver ME, Loyo-Berrios N, Trujillo S, Char D, Obermeyer Z, et al. Considerations for addressing bias in artificial intelligence for health equity. NPJ Digit Med. 2023 Sep 12;6(1):170.
48. Christy Boscardin, Brian Gin, Polo Black Golde, Karen E. Hauer. ChatGPT and Generative Artificial Intelligence for Medical Education: Potential Impact and Opportunity. Acad Med J Assoc Am Med Coll. 2023 Aug 31;
49. Eui-Ryoung Han, Han ER, Sanghee Yeo, Yeo S, Min Jeong Kim, Kim MJ, et al. Medical education trends for future physicians in the era of advanced technology and artificial intelligence: an integrative review. BMC Med Educ. 2019 Dec 11;19(1):1–15.
50. E K, S P, R G, R KL, A B, M G, et al. Advantages and pitfalls in utilizing artificial intelligence for crafting medical examinations: a medical education pilot study with GPT-4. BMC Med Educ. 2023 Oct 17;23(1):772.
51. Malhotra A, Molloy EJ, Bearer CF, Mulkey SB. Emerging role of artificial intelligence, big data analysis and precision medicine in pediatrics. Pediatr Res. 2023 Jan;93(2):281–3.
52. Rehfuess EA, Zhelyazkova A, von Philipsborn P, Griebler U, De Bock F. [Evidence-based public health: perspectives and specific implementation factors]. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz. 2021 May;64(5):514–23.
53. Onofri A, Ullmann N, Verrillo E, Paglietti MG, Pavone M, Cutrera R. Televisit with TytoHomeTM device in medically complex child in long-term mechanical ventilation: a pilot study. Ital J Pediatr. 2025 Feb 12;51(1):45.
54. Vandemeulebroucke T. The ethics of artificial intelligence systems in healthcare and medicine: from a local to a global perspective, and back. Pflugers Arch. 2025 Apr;477(4):591–601.
55. Papa G, Cannarella R, Finocchiaro C, Anzaldi M, Gruttadauria G, Lo Presti D, et al. Impact of automated insulin delivery (AID) systems on quality of life (QoL): Validation of the AIDQoL questionnaire. J Diabetes Complications. 2025 Apr;39(4):108984.
56. Schoelwer MJ, DeBoer MD, Breton MD. Use of diabetes technology in children. Diabetologia. 2024 Oct;67(10):2075–84.
eBox 1: Klinische Beispiele von KI in der Pädiatrie
PhenomeCentral ist eine sichere Online-Plattform zur Förderung der Zusammenarbeit in der seltenen Erkrankungsforschung. Sie ermöglicht Forschern und Klinikern weltweit, genetische und phänotypische Daten von Patienten mit seltenen Krankheiten zu teilen und zu analysieren. Durch den Abgleich von Fällen mit ähnlichen Merkmalen unterstützt PhenomeCentral die Entdeckung neuer Krankheitsgene und Diagnosen. Der Datenschutz wird durch Verschlüsselung und kontrollierten Zugang streng gewährleistet. Die Plattform beschleunigt so die Forschung und verbessert Patientenversorgung.
Face2Gene ist eine KI-gestützte Plattform, die medizinischen Fachkräften hilft, seltene genetische Erkrankungen zu erkennen. Die Software analysiert Gesichtsmerkmale von Patienten, um mögliche Syndrome zu identifizieren und diagnostische Hinweise zu geben. Sie nutzt Machine Learning, basierend auf einer umfangreichen Datenbank genetischer Störungen, um Muster zu erkennen. Face2Gene wird hauptsächlich in der Genetik und Pädiatrie eingesetzt und unterstützt die klinische Entscheidungsfindung, wobei Datenschutz und Datensicherheit Priorität haben.
Cognoa ist ein Unternehmen für digitale Gesundheit, das KI-gestützte Lösungen zur Unterstützung bei der Diagnose und Behandlung von Entwicklungsstörungen bei Kindern bietet. Das Hauptprodukt ist eine zugelassene Software, die frühzeitig Anzeichen von Autismus bei Kindern erkennen kann, indem sie Daten von Eltern, Betreuern und Ärzten analysiert. Cognoa zielt darauf ab, den Diagnoseprozess zu beschleunigen, personalisierte Interventionen zu fördern und die Versorgung für Kinder mit Entwicklungsstörungen zu verbessern.
Dascena ist ein Unternehmen, das KI-gestützte prädiktive Algorithmen für den Gesundheitsbereich entwickelt. Ihre Lösungen unterstützen klinische Entscheidungen, indem sie Gesundheitsdaten analysieren, um frühzeitig Risiken und Komplikationen wie Sepsis, akutes Nierenversagen und andere kritische Zustände zu erkennen. Ziel ist es, durch präzise Vorhersagen die Patientenversorgung zu verbessern, Krankenhausaufenthalte zu verkürzen
und die Behandlungsergebnisse zu optimieren.
AID-Systeme: Die automatisierter Insulinabgabe (AID) bei Kindern und Jugendlichen mit Typ-1 Diabetes ist heute schon Standard in der Therapie. Mit am Körper getragenen Geräten (kontinuierliches Glukose Monitoring (CGM) und Insulinpumpe) ermöglichen Algorithmen die weitest gehend automatisierte bedarfsgerechte Insulinabgabe. AID-Systeme sind bei Kindern und Jugendlichen mit T1D wirksamer als die herkömmliche Insulintherapie mit positiven Auswirkungen auf die Lebensqualität und das psychosoziale Wohlbefinden u.a. durch die reduzierte mentale Belastung im Zusammenhang mit dem Blutzuckermanagement. Es besteht ein hohes Maß an Vertrauen in die Technologie(55,56). Außer der kontinuierlichen Blutzuckermessung sind auch andere körpernahe Sensorsysteme (Wearables) im Einsatz und in der Entwicklung, z.B. Impedanzmessung der Haut, Sättigungs-und EKG Monitoring, Überwachung mittels kontinuierlicher Bildanalysen etc. Wie im Bereich der künstlichen Pankreassysteme entsteht auch hier eine Abwägung Patientensicherheit und Anspruch auf innovative Versorgungsformen.
Zaheer 2024: Management von Dyslipidämie bei Kindern – Potenzial von KI
Evaluation des Potenzials von künstlicher Intelligenz (KI) im Management von Dyslipidämie bei Kindern. Es wird erörtert, wie KI-gestützte Systeme zur frühzeitigen Erkennung und Behandlung von Fettstoffwechselstörungen beitragen können, um langfristige kardiovaskuläre Risiken zu minimieren.
Sethi 2024: Point-of-Care-Ultraschall bei kritisch kranken Kindern mit akutem Nierenversagen In diesem Artikel wird der Einsatz von Point-of-Care-Ultraschall (POCUS) bei kritisch kranken Kindern mit akutem Nierenversagen (AKI) analysiert. Die Studie zeigt, dass POCUS eine wertvolle, nicht-invasive Methode zur schnellen Diagnose und Überwachung von AKI darstellt, was zu einer verbesserten Patientenversorgung führt.
Mocrii 2024: KI-unterstützte Anwendung für pädiatrische Medikamentendosierung Der Artikel befasst sich mit der Entwicklung und Implementierung einer KI-gestützten Anwendung zur Bestimmung der optimalen Medikamentendosierung bei Kindern. Die Anwendung berücksichtigt individuelle Patientendaten, um Dosierungsfehler zu minimieren und die therapeutische Wirksamkeit zu maximieren.
Kerr 2024: Grundlagen der KI und bahnbrechende Anwendungen in der Epilepsie Dieser Übersichtsartikel behandelt die Grundlagen der künstlichen Intelligenz und deren Durchbrüche in der Epilepsiebehandlung. Es werden aktuelle KI-Anwendungen zur Anfallsvorhersage, Diagnoseunterstützung und personalisierten Therapieplanung diskutiert, die das Management von Epilepsie revolutionieren könnten.citeturn0fetch4
TytoCare ist eine innovative telemedizinische Plattform, die Patienten ermöglicht, Gesundheitsuntersuchungen bequem von zu Hause aus durchzuführen und die Ergebnisse mit medizinischem Fachpersonal zu teilen. Mit einem kompakten Gerät, das Funktionen wie Stethoskop, Otoskop, Thermometer und Kamera umfasst, können Symptome wie Husten, Fieber, Ohren- oder Hautprobleme präzise untersucht werden. Die Ergebnisse werden über eine App sicher an Ärzte übermittelt, die Diagnosen stellen oder Behandlungspläne empfehlen können. TytoCare erleichtert besonders die Versorgung von Kindern, chronisch kranken Patienten und Menschen in entlegenen Gebieten. Es spart Zeit, reduziert Kosten und erhöht
den Zugang zur medizinischen Versorgung. Die Technologie wird weltweit in Kliniken, Schulen und Unternehmen eingesetzt, ist jedoch von der richtigen Nutzung und der technischen Verfügbarkeit abhängig. TytoCare ist ein Schlüsselakteur in der Zukunft der digitalen Gesundheitsversorgung.
Wundversorgungen KI gestützt: Imito ist ein HealthTech-Unternehmen, das auf digitale Lösungen für das Gesundheitswesen spezialisiert ist. Mit ihrer App ermöglicht es die einfache Foto- und Videodokumentation direkt am Point-of-Care. Klinische Bilder, wie Wunden oder Verletzungen, können sicher erfasst, vermessen und automatisch in Patientenakten integriert werden. Dies erleichtert den Verlauf von Heilungsprozessen zu verfolgen und fördert die interdisziplinäre Zusammenarbeit. Der Fokus liegt auf Effizienz, Datenschutz und nahtloser Integration.
eBox 2: KI in der Kinderkrankenpflege
1) Ausbildung
Im Gegensatz zu Ländern wie Skandinavien oder Großbritannien ist die Ausbildung in der Kranken- und Gesundheitspflege in Deutschland meist kein Hochschulstudium. Verbesserte Trainings und Weiterbildungen sind daher wünschenswert. Ein KI-gestützter Chatbot könnte als Lernpartner dienen, den Wissensstand einschätzen und gezielte Inhalte bereitstellen.
2) Dokumentation
a) In der Kinderkrankenpflege interagiert die Klinik nicht nur mit dem Kind, sondern auch mit Angehörigen, deren Dynamik für den Heilungsprozess entscheidend ist. Dabei sind sensible Daten wie das alleinige Sorgerecht zu berücksichtigen. Hier ist Datensicherheit essenziell.
b) KI-gestützte Sprachsysteme könnten Dokumentationen erleichtern, indem sie Sprachbefehle wie „Der Blutdruck von Alexander H. ist 115/70“ direkt in die Patientenakte einfügen. Dies spart Zeit und ermöglicht dem Pflegepersonal, sich mehr auf die Patienten zu konzentrieren. Die KI könnte zudem Tipps geben und Pflege-Richtlinien einblenden.
c) Software wie Imito ermöglicht die Foto- und Videodokumentation von Wunden, Bewegungs- und Verhaltensauffälligkeiten oder epileptischen Anfällen. Diese Dateien können automatisch in die Patientenakte integriert werden, was die Nachverfolgung erleichtert. 3) AR-Pflegebrillen
Augmented-Reality-Brillen könnten Patientendaten wie Vorgeschichte und Medikamentenpläne, Anleitungen zur Pflege oder Hinweise von Kollegen einblenden. Das Projekt „Pflegebrille 2.0“ soll solche Technologien breiter verfügbar machen und den Pflegealltag erleichtern.
4) Smart Inkubator
Der Smart Inkubator erleichtert die Pflege von Frühgeborenen. Er ist mit Sensoren für Temperatur, Luftfeuchtigkeit, Nässe und Bewegungen ausgestattet, steuert das optimale Klima und alarmiert bei Handlungsbedarf wie Windelwechsel oder Füttern. Haftungsfragen bei solchen KI-Anwendungen müssen jedoch geklärt werden.
5) Exoskelette
Exoskelette sind tragbare Unterstützungssysteme, die Pflegepersonal bei körperlich belastenden Aufgaben entlasten, z. B. beim Heben schwerer Lasten. Sie könnten den Beruf attraktiver machen und dazu beitragen, neue Fachkräfte zu gewinnen.
6) Robotik
Roboter mit KI-Steuerung könnten Medikamente dosieren, Essen verteilen, Vitalparameter messen und automatisch an das Pflegepersonal übermitteln. Auch Transportaufgaben, die Bedienung medizinischer Geräte oder Reinigungsarbeiten wären denkbar. Neben ihrer Funktion könnten Roboter durch humorvolle Interaktionen eine positive Atmosphäre schaffen.
Mit dem Einsatz von KI in der Kinderkrankenpflege entstehen zahlreiche Möglichkeiten, die Qualität und Effizienz der Versorgung zu verbessern. Gleichzeitig sind ethische, haftungsrechtliche und datenschutzrechtliche Aspekte zu berücksichtigen, um eine verantwortungsvolle Integration dieser Technologien sicherzustellen.
