Wenn KI mit Röntgenbildern tatsächlich Leben rettet, ohne Hype

TLDR: Tuberkulose ist nicht weg. 2023 wurden weltweit 8,16 Millionen Menschen neu diagnostiziert, eine Steigerung gegenüber dem Vorjahr. Das Problem ist nicht primär medizinisch. Es ist strukturell. In Ländern mit hoher Krankheitslast fehlen Radiolog:innen, die Röntgenbilder zuverlässig interpretieren können. KI-gestützte Bilderkennung erkennt Tuberkulose auf Röntgenbildern so zuverlässig wie erfahrene Radiolog:innen. In Ländern mit Personalmangel verändert das die Diagnostik fundamental.

Der Befund: Tuberkulose ist nicht weg.

Etwa drei Millionen Erkrankte werden jedes Jahr nicht erfasst. Das Problem ist nicht primär medizinisch. Es ist strukturell. In Ländern mit hoher Krankheitslast fehlen Radiolog:innen, die Röntgenbilder zuverlässig interpretieren können.

Eine aktuelle Wirtschaftlichkeitsanalyse zeigt: pro Einrichtung 1'197 zusätzliche TB-Fälle, 55 verhinderte Tote über zehn Jahre, neun Prozent tiefere Kosten. Die WHO hat ihre Empfehlung 2025 substanziell erweitert.

Genau hier setzt computergestützte Detektion (CAD) an. Die Technologie analysiert Thorax-Röntgenbilder auf TB-typische Auffälligkeiten und vergibt einen Wahrscheinlichkeitsscore. Was vor wenigen Jahren noch experimentell war, ist heute Standard in mehreren nationalen Screening-Programmen.

Studienlage: Gleichstand mit Radiolog:innen

Eine reale Active-Case-Finding-Studie auf den Philippinen mit 20'042 Untersuchten zeigt: KI-CAD und erfahrene Radiolog:innen erreichen identische Sensitivität von 95 Prozent bei der Erkennung bakteriologisch bestätigter TB. Eine Studie aus Tamil Nadu, Indien, dokumentiert eine Sensitivität von 93 Prozent und eine Spezifität von 83 Prozent bei der KI-Lösung. KI-gestütztes Screening führte dort zu einer 2,09-fachen Steigerung der TB-Diagnosen verglichen mit konventionellen Methoden.

Die Performance ist nicht nur theoretisch hoch. Sie hält in der Feldanwendung. Mobile Diagnostikeinheiten mit Digital-Röntgen und integrierter KI bringen Diagnostik dorthin, wo Radiolog:innen physisch nie hinkommen würden.

Ökonomie: Die unsichtbare Pointe

Eine Health Technology Assessment, publiziert im British Journal of Radiology Open im Januar 2026, modelliert KI-gestütztes Röntgen-Screening auf den Philippinen. Das Ergebnis ist präzise quantifiziert: Pro Einrichtung werden über zehn Jahre 1'197 zusätzliche TB-Fälle identifiziert und 55 Todesfälle verhindert. Gleichzeitig sinken die Kosten pro Einrichtung von PHP 84,4 Millionen auf PHP 76,8 Millionen, ein Rückgang um neun Prozent.

Eine indische Parallelstudie kommt zum gleichen Schluss: KI-CAD ist nicht nur effektiver, sondern auch günstiger als die Routineversorgung. In der Gesundheitsökonomie nennt man das eine dominante Strategie. Der Begriff klingt technisch, bedeutet aber etwas Seltenes: bessere Resultate bei tieferen Kosten. Das gibt es in der Medizin praktisch nie.

Regulatorische Verankerung

Die WHO empfiehlt CAD seit März 2021 als Alternative zu menschlichen Auswertenden. Damals basierte die Empfehlung auf der Evaluation von drei CAD-Produkten. Im Juni 2025 hat die WHO diese Empfehlung substanziell erweitert. Sechs CAD-Softwareprodukte wurden nach unabhängiger Evaluation durch FIND in Genf und das Technical Advisory Group Meeting in Genf zugelassen.

Die WHO-Mindestanforderungen sind klar: 90 Prozent Sensitivität und 70 Prozent Spezifität. Mehrere Produkte übertreffen diese Schwellen deutlich. Wichtig: Die Empfehlung gilt aktuell nur für Personen ab 15 Jahren. Bei Kindern ist die Datenlage noch zu dünn. Auch wer positiv screent, braucht eine Bestätigungsdiagnostik, etwa per GeneXpert MTB/RIF.

Was diese Geschichte besonders macht

Die meisten KI-Schlagzeilen drehen sich um Modelle, die Texte schreiben oder Bilder generieren. Hier passiert etwas anderes. KI ersetzt nicht eine kreative Tätigkeit. Sie kompensiert eine strukturelle Lücke in der globalen Gesundheitsversorgung, dort, wo Fachpersonal fehlt und Distanzen gross sind.

Das ist kein Effizienzversprechen. Es ist ein Zugangsversprechen. Menschen, die früher unentdeckt geblieben wären, weil keine Radiologin verfügbar war, werden jetzt diagnostiziert und behandelt. Die Tatsache, dass dies ökonomisch günstiger ist als die menschliche Auswertung, macht die Lösung skalierbar, auch in Programmen mit knappen Budgets.

Eine Einschränkung gehört zur ehrlichen Einordnung dazu: Im März 2025 wurde die US-Entwicklungshilfe massiv gekürzt. Viele dieser Screening-Programme sind donor-finanziert. Die beste Technologie nützt wenig, wenn die Finanzierung wegbricht. Innovation ersetzt politische Entscheidungen nicht.

Disclaimer

Disclaimer: dieser Artikel wurde nach meinem eigenen Wissen und dann mit Recherchen mit KI (Perplexity.AI und Gemini.Google.com) manuell zusammengestellt und mit Deepl.com/write vereinfacht. Der Text wird dann nochmals von zwei Personen meiner Wahl gelesen und kritisch hinterfragt. Das Bild stammt von KI-generierter Bildgebung (Ideogram/Adobe Firefly). Dieser Artikel ist rein edukativ und erhebt keinen Anspruch auf Vollständigkeit. Bitte melde dich, wenn Du Ungenauigkeiten feststellst, danke.

Fragen zu KI und Digitalen Geschäftsmodellen? #fragRoger Willst du mehr wissen? Sehr gerne komme ich auch bei Dir, bei deiner Firma, deiner ERFA Gruppe oder deinem Verband vorbei und helfe mit einem Workshop oder Input Referat.

Lass uns gerne mal unverbindlich sprechen. Also wenn ich helfen kann, wende dich gerne an mich #fragRoger und abonnier meinen offiziellen Newsletter.

https://www.linkedin.com/embeds/publishingEmbed.html?articleId=7338756501547249141&li_theme=light

Quellen und weitere Informationen

Foundation for Innovative New Diagnostics. (2025). Independent evaluation of CAD products for TB screening. Geneva: FIND.

Innes, A. L., et al. (2025). Global status of policies and practices for systematic TB screening in high-burden countries. IJTLD Open, 2(12), 705–715. https://doi.org/10.5588/ijtldopen.25.0434

Qin, Z. Z., et al. (2026). Cost-effectiveness of AI-assisted chest X-ray screening for tuberculosis in the Philippines. British Journal of Radiology Open, 8(1), tzag007. https://academic.oup.com/bjro/article/8/1/tzag007/8520895

Subbaraman, R., et al. (2022). Conditions required for the artificial-intelligence-based computer-aided detection of tuberculosis to attain its global health potential. The Lancet Digital Health, 4(10), e1095–e1099.

World Health Organization. (2021). WHO consolidated guidelines on tuberculosis. Module 2: Screening – Systematic screening for tuberculosis disease. Geneva: WHO.

World Health Organization. (2025, June 11). WHO approves six software products for computer-aided detection of TB on chest X-ray. https://www.who.int/news/item/11-06-2025-who-approves-six-software-products-for-computer-aided-detection-of-tb-on-chest-x-ray

World Health Organization. (2025). Use of computer-aided detection software for tuberculosis screening: WHO policy statement. Geneva: WHO. https://www.who.int/publications/i/item/9789240110373

Vijayageetha, M., et al. (2025). AI-CAD enhances pulmonary TB detection and yield in active case finding. IJTLD Open. https://pmc.ncbi.nlm.nih.gov/articles/PMC12517255/