KI im Gesundheitswesen: Entscheidungstheoretisches Modell schließt Ergebnislücke

In der Medizin erreichen KI‑Systeme inzwischen eine Genauigkeit, die mit der eines Facharztes vergleichbar ist. Trotzdem führt eine höhere Vorhersageleistung nicht zwangsläufig zu besseren Patientenergebnissen – ein Phänomen, das die Autoren als „Allocation Gap“ bezeichnen. Sie erklären dieses Missverhältnis mit einem Entscheidungstheoretischen Ansatz, der die Versorgung als stochastisches Allokationsproblem unter knappen Ressourcen modelliert.

Im vorgeschlagenen Rahmen fungiert KI nicht als eigenständiger Entscheider, sondern liefert geschätzte Nutzenwerte, die in einer optimierten Allokationsstrategie verwendet werden. Durch den Einsatz von konstraint optimierten Markov‑Entscheidungsprozessen wird gezeigt, wie verbesserte Schätzungen die optimale Ressourcenzuteilung verändern. Ein synthetisches Triage‑Simulationsexperiment demonstriert, dass allokationsbewusste Richtlinien die reale Nutzensteigerung deutlich übertreffen, selbst wenn die Vorhersagegenauigkeit identisch bleibt.

Das Modell liefert damit eine fundierte Grundlage, um KI‑Lösungen in ressourcenbeschränkten Gesundheitssystemen zu bewerten und einzusetzen. Es verbindet die technische Leistungsfähigkeit von KI mit einer realistischen Betrachtung der praktischen Einsatzbedingungen und eröffnet neue Wege, um die Kluft zwischen Prognosegenauigkeit und tatsächlicher Patientenversorgung zu schließen.