Zum Inhalt springen
medieezi

Kostenloses eBook · Vision/Essay

The Solaevum Shift

Medizin jenseits der Zeit – Das Manifest einer selbstlernenden Gesundheitsära

Ein Essay aus Sicht eines System- und KI-Architekten – nicht eines Arztes oder Wissenschaftlers: warum lineare Abläufe an exponentieller Komplexität scheitern, wie ein vernetztes, lernendes Gesundheitssystem aussehen könnte, was digitale Zwillinge und KI laut veröffentlichter Literatur heute leisten – und was Quantencomputing (noch) nicht kann.

  • Vorwort + 10 Kapitel + Schlusswort
  • ca. 9700 Wörter · 97 Seiten PDF
  • 62 zitierte Quellen
  • 23 Skizzen und Diagramme · 3 Arbeitsblätter
  • Fassung 3, Oktober 2026
  • Deutsch · kostenlos
PDF kostenlos anfordernLeseprobe lesen
Cover: THE SOLAEVUM SHIFT – Medizin jenseits der Zeit, Thorsten Franke
Cover: Typografie und programmgenerierte Linien – keine KI-Bildgenerierung.

Vorwort

Vorwort

Es gibt Momente, in denen Technologie nicht nur optimiert, sondern neu ordnet. Dieses Buch ist ein Zukunftsentwurf – aber einer, dessen Bausteine heute bereits sichtbar werden: Daten, die nicht nur gesammelt, sondern verbunden werden. Systeme, die nicht nur speichern, sondern lernen – unter Aufsicht der Menschen, die sie nutzen. Die Forschung beschreibt dieses Ziel als „lernendes Gesundheitssystem“: eine Infrastruktur, in der Daten aus der Versorgung geteilt und rasch in Wissen übersetzt werden, das wieder in die Versorgung zurückfließt (Friedman et al., 2015).

Aus welcher Sicht dieses Buch geschrieben ist

Ich schreibe dieses Buch als System- und KI-Architekt – nicht als Arzt und nicht als Wissenschaftler. Ich bewerte keine Diagnosen, Therapien oder Studienergebnisse. Was ich über Medizin und Forschung sage, gebe ich aus der veröffentlichten Literatur wieder und nenne die Quelle – in der Form „laut Autorin oder Autor (Jahr)“. Mein eigener Beitrag ist die Frage, die mich beruflich jeden Tag beschäftigt: Wie müssten Datenflüsse, Schnittstellen und Pipelines gebaut sein, damit Wissen dort ankommt, wo es gebraucht wird – nachvollziehbar, sicher und ohne Datensilos?

Deshalb ist jedes Kapitel gleich aufgebaut. Zuerst steht, was die Literatur sagt. Danach folgt, was das für die Daten- und Systemarchitektur bedeutet. Am Ende stehen Fragen an Ihre IT- und Datenarchitektur – keine Handlungsanweisungen, sondern Prüffragen. Wo ich eine persönliche Einschätzung gebe, kennzeichne ich sie als solche.

Diese Vision nenne ich Solaevum. Solaevum ist kein fertiges Produkt und kein laufendes System, sondern ein Denkmodell: der Architekturentwurf eines klinischen Betriebssystems, das Daten von der ersten Spur bis zum dokumentierten Ergebnis verbinden könnte. Es wäre so entworfen, dass es Informationen ordnet, Zusammenhänge sichtbar macht und Entscheidungen vorbereitet – während die Entscheidung bei Ärztinnen und Ärzten und bei Patientinnen und Patienten bleibt.

Dieses Buch nimmt Sie mit durch die Architektur einer möglichen neuen Ära. Es fragt, warum lineare Abläufe an exponentieller Komplexität scheitern, wie Kliniken zu lernenden Organisationen werden könnten, welche Datenwege dafür nötig wären und wie digitale Zwillinge die klassische Akte ergänzen könnten. Es fragt, wie Daten eine gemeinsame Sprache bekommen, wie sich Herkunft vom Boden bis zum Präparat belegen ließe, wie Systeme lernen könnten, ohne Daten einzusammeln, und wie sich Regeln für lernende Systeme schon in die Architektur einbauen lassen. Und es erklärt, warum ich es für klug halte, früh in offene, nachvollziehbare digitale Gesundheitsinfrastruktur zu investieren. Dies ist kein medizinischer Ratgeber und kein technisches Lastenheft. Es ist ein Weckruf – an alle, die die Technik dafür bauen!

Zum Namen: „Solaevum“ verbindet das lateinische solum (Boden) mit aevum (Zeitalter) – vom Boden in die Zeit. Der Name steht für das Denkmodell dieses Buches: eine vernetzte, lernende Datenarchitektur für die Medizin, in der der Mensch entscheidet.

Mit besten Grüßen
Thorsten Franke

Aus Kapitel 1

Der Bruch mit der Zeit

Auszug: Was das für die Daten- und Systemarchitektur bedeutet

Ich lese diese Befunde nicht als Mediziner, sondern als jemand, der Datenflüsse baut. Aus dieser Sicht haben sie etwas gemeinsam: Die Information ist oft vorhanden – verteilt über Praxis, Labor, Klinik und die Patientin oder den Patienten selbst –, aber sie kommt nicht rechtzeitig am richtigen Ort zusammen. Das ist keine medizinische Frage, sondern eine Frage der Architektur.

Handgezeichnete Skizze: links vier getrennte Systeme (Praxis, Labor, Radiologie, Klinik) mit Übergaben per Export; rechts dieselben Quellen verbunden über ein gemeinsames Datenmodell mit Ereignissen, Rollen und Herkunftsnachweis, daraus ein Hinweis mit Quelle, über den das Behandlungsteam entscheidet.
Abb. 4 · Silos und vernetzte Datenarchitektur. Schematische Darstellung des Autors. Links: getrennte Systeme mit Übergaben per Export. Rechts: der Solaevum-Entwurf mit gemeinsamem Datenmodell, Ereignissen und Herkunftsnachweis – Entwurf, kein laufendes System. Programmatisch gezeichnet, nicht KI-generiert.

Viele Zeitverluste entstehen aus meiner Sicht nicht im Wissen, sondern in den Übergaben zwischen Systemen.

Eine Checkliste ist im Kern ein Protokoll für Übergaben. Ein lernendes Gesundheitssystem braucht dasselbe auf Datenebene: Friedman und Kollegen (2015) beschreiben dafür eine Infrastruktur, die Technik, Prozesse und Regeln verbindet. Übersetzt in Architektur heißt das: ereignisgesteuerte Pipelines statt nächtlicher Stapelverarbeitung, gemeinsame Datenmodelle statt Exportdateien, ein Herkunftsnachweis für jeden Datenpunkt und klare Regeln, wer welche Daten wofür sehen darf.

Fortsetzung im kostenlosen eBook.

Weiterlesen im kostenlosen eBook

97 Seiten · 10 Kapitel · 23 Skizzen · 3 Arbeitsblätter · Fassung 3, Oktober 2026. Den Rest von Kapitel 1 und die Kapitel 2 bis 10 erhalten Sie als PDF per E-Mail.

Kostenloses PDF · 97 Seiten · 10 Kapitel · 23 Skizzen · 3 Arbeitsblätter

Das ganze Buch per E-Mail

Kein Kauf, keine Zahlungsdaten. Sie können Ihre Einwilligung jederzeit widerrufen (welcome@medieezi.com).

Lust auf die Praxis statt der Vision? Probieren Sie unsere Werkzeuge aus: die Live-Demo des KI-Assistenten (3 Fragen pro Tag kostenlos) oder Solum, unser KI-Werkzeug als Gesundheitsbegleiter. Weitere Ratgeber finden Sie unter Wissen.

Quellen (vollständiges Literaturverzeichnis, Stand Oktober 2026)

  • Amann J, Blasimme A, Vayena E, Frey D, Madai VI; Precise4Q consortium. Explainability for artificial intelligence in healthcare: a multidisciplinary perspective. BMC Medical Informatics and Decision Making 20, 310 (2020). doi.org/10.1186/s12911-020-01332-6
  • Aung MM, Chang YS. Traceability in a food supply chain: Safety and quality perspectives. Food Control 39, 172–184 (2014). doi.org/10.1016/j.foodcont.2013.11.007
  • Ayaz M, Pasha MF, Alzahrani MY, Budiarto R, Stiawan D. The Fast Health Interoperability Resources (FHIR) Standard: Systematic Literature Review of Implementations, Applications, Challenges and Opportunities. JMIR Medical Informatics 9(7), e21929 (2021). doi.org/10.2196/21929
  • Barnett K, Mercer SW, Norbury M, et al. Epidemiology of multimorbidity and implications for health care, research, and medical education: a cross-sectional study. The Lancet 380(9836), 37–43 (2012). doi.org/10.1016/S0140-6736(12)60240-2
  • Bender D, Sartipi K. HL7 FHIR: An Agile and RESTful approach to healthcare information exchange. Proceedings of the 26th IEEE International Symposium on Computer-Based Medical Systems, 326–331 (2013). doi.org/10.1109/CBMS.2013.6627810
  • Björnsson B, Borrebaeck C, Elander N, et al. Digital twins to personalize medicine. Genome Medicine 12, 4 (2020). doi.org/10.1186/s13073-019-0701-3
  • Bogoch II, Watts A, Thomas-Bachli A, et al. Pneumonia of unknown aetiology in Wuhan, China: potential for international spread via commercial air travel. Journal of Travel Medicine 27(2) (2020). doi.org/10.1093/jtm/taaa008
  • Booker A, Johnston D, Heinrich M. Value chains of herbal medicines – Research needs and key challenges in the context of ethnopharmacology. Journal of Ethnopharmacology 140(3), 624–633 (2012). doi.org/10.1016/j.jep.2012.01.039
  • Bundesministerium für Gesundheit. Gemeinsam Digital – Digitalisierungsstrategie für das Gesundheitswesen und die Pflege (2023, Weiterentwicklung 2026). www.bundesgesundheitsministerium.de/themen/digitalisierung/digitalisierungsstrategie.html
  • Cao Y, Romero J, Olson JP, et al. Quantum Chemistry in the Age of Quantum Computing. Chemical Reviews 119(19), 10856–10915 (2019). doi.org/10.1021/acs.chemrev.8b00803
  • Cardoen B, Demeulemeester E, Beliën J. Operating room planning and scheduling: A literature review. European Journal of Operational Research 201(3), 921–932 (2010). doi.org/10.1016/j.ejor.2009.04.011
  • Corral-Acero J, Margara F, Marciniak M, et al. The ‘Digital Twin’ to enable the vision of precision cardiology. European Heart Journal 41(48), 4556–4564 (2020). doi.org/10.1093/eurheartj/ehaa159
  • Dayan I, Roth HR, Zhong A, et al. Federated learning for predicting clinical outcomes in patients with COVID-19. Nature Medicine 27, 1735–1743 (2021). doi.org/10.1038/s41591-021-01506-3
  • Drew BJ, Harris P, Zègre-Hemsey JK, et al. Insights into the Problem of Alarm Fatigue with Physiologic Monitor Devices: A Comprehensive Observational Study of Consecutive Intensive Care Unit Patients. PLoS ONE 9(10), e110274 (2014). doi.org/10.1371/journal.pone.0110274
  • Europäische Kommission. AI Act – Regulatory framework for AI (Anwendungsfristen, Stand Oktober 2026); Reuse of health data (EHDS). digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
  • Europäische Union. Verordnung (EU) 2017/745 über Medizinprodukte (MDR). Amtsblatt der EU L 117 (5.5.2017). Rechtsakt, kein DOI. eur-lex.europa.eu/eli/reg/2017/745/oj
  • Europäische Union. Verordnung (EU) 2024/1689 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (KI-Verordnung). Amtsblatt der EU L, 2024/1689 (12.7.2024). Rechtsakt, kein DOI. eur-lex.europa.eu/eli/reg/2024/1689/oj
  • Europäische Union. Verordnung (EU) 2025/327 über den europäischen Gesundheitsdatenraum (EHDS). Amtsblatt der EU L, 2025/327 (5.3.2025). Rechtsakt, kein DOI. eur-lex.europa.eu/eli/reg/2025/327/oj
  • Faye F, Crocione C, Anido de Peña R, et al. Time to diagnosis and determinants of diagnostic delays of people living with a rare disease: results of a Rare Barometer retrospective patient survey. European Journal of Human Genetics 32(9), 1116–1126 (2024). doi.org/10.1038/s41431-024-01604-z
  • Finlayson SG, Subbaswamy A, Singh K, et al. The Clinician and Dataset Shift in Artificial Intelligence. New England Journal of Medicine 385(3), 283–286 (2021). doi.org/10.1056/NEJMc2104626
  • Friedman C, Rubin J, Brown J, et al. Toward a science of learning systems: a research agenda for the high-functioning Learning Health System. Journal of the American Medical Informatics Association 22(1), 43–50 (2015). doi.org/10.1136/amiajnl-2014-002977
  • Gatenby RA, Silva AS, Gillies RJ, Frieden BR. Adaptive Therapy. Cancer Research 69(11), 4894–4903 (2009). doi.org/10.1158/0008-5472.CAN-08-3658
  • Gawande A. The Checklist Manifesto: How to Get Things Right. Metropolitan Books, New York (2009).
  • Ghassemi M, Oakden-Rayner L, Beam AL. The false hope of current approaches to explainable artificial intelligence in health care. The Lancet Digital Health 3(11), e745–e750 (2021). doi.org/10.1016/S2589-7500(21)00208-9
  • Gilbert S, Harvey H, Melvin T, Vollebregt E, Wicks P. Large language model AI chatbots require approval as medical devices. Nature Medicine 29, 2396–2398 (2023). doi.org/10.1038/s41591-023-02412-6
  • Haynes AB, Weiser TG, Berry WR, et al. A Surgical Safety Checklist to Reduce Morbidity and Mortality in a Global Population. New England Journal of Medicine 360(5), 491–499 (2009). doi.org/10.1056/NEJMsa0810119
  • Hripcsak G, Duke JD, Shah NH, et al. Observational Health Data Sciences and Informatics (OHDSI): Opportunities for Observational Researchers. Studies in Health Technology and Informatics 216, 574–578 (2015). doi.org/10.3233/978-1-61499-564-7-574
  • Ichim MC. The DNA-Based Authentication of Commercial Herbal Products Reveals Their Globally Widespread Adulteration. Frontiers in Pharmacology 10, 1227 (2019). doi.org/10.3389/fphar.2019.01227
  • Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature 596, 583–589 (2021). doi.org/10.1038/s41586-021-03819-2
  • Kermack WO, McKendrick AG. A contribution to the mathematical theory of epidemics. Proceedings of the Royal Society of London, Series A 115(772), 700–721 (1927). doi.org/10.1098/rspa.1927.0118
  • Komorowski M, Celi LA, Badawi O, Gordon AC, Faisal AA. The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care. Nature Medicine 24, 1716–1720 (2018). doi.org/10.1038/s41591-018-0213-5
  • Larsson S, Lawyer P, Garellick G, Lindahl B, Lundström M. Use of 13 disease registries in 5 countries demonstrates the potential to use outcome data to improve health care's value. Health Affairs 31(1), 220–227 (2012). doi.org/10.1377/hlthaff.2011.0762
  • Lehne M, Sass J, Essenwanger A, Schepers J, Thun S. Why digital medicine depends on interoperability. npj Digital Medicine 2, 79 (2019). doi.org/10.1038/s41746-019-0158-1
  • Liu X, Cruz Rivera S, Moher D, Calvert MJ, Denniston AK; SPIRIT-AI and CONSORT-AI Working Group. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nature Medicine 26, 1364–1374 (2020). doi.org/10.1038/s41591-020-1034-x
  • Mandel JC, Kreda DA, Mandl KD, Kohane IS, Ramoni RB. SMART on FHIR: a standards-based, interoperable apps platform for electronic health records. Journal of the American Medical Informatics Association 23(5), 899–908 (2016). doi.org/10.1093/jamia/ocv189
  • McKinney SM, Sieniek M, Godbole V, et al. International evaluation of an AI system for breast cancer screening. Nature 577, 89–94 (2020). doi.org/10.1038/s41586-019-1799-6
  • Mitchell M, Wu S, Zaldivar A, et al. Model Cards for Model Reporting. Proceedings of the Conference on Fairness, Accountability, and Transparency (FAT* ’19), 220–229 (2019). doi.org/10.1145/3287560.3287596
  • Moreau L. The Foundations for Provenance on the Web. Foundations and Trends in Web Science 2(2–3), 99–241 (2010). doi.org/10.1561/1800000010
  • Muehlematter UJ, Daniore P, Vokinger KN. Approval of artificial intelligence and machine learning-based medical devices in the USA and Europe (2015–20): a comparative analysis. The Lancet Digital Health 3(3), e195–e203 (2021). doi.org/10.1016/S2589-7500(20)30292-2
  • National Cancer Institute. Cancer Screening Overview; Precision Medicine in Cancer Treatment. www.cancer.gov/about-cancer/screening
  • Nørgaard BL, Leipsic J, Gaur S, et al. Diagnostic performance of noninvasive fractional flow reserve derived from coronary computed tomography angiography in suspected coronary artery disease: the NXT trial. Journal of the American College of Cardiology 63(12), 1145–1155 (2014). doi.org/10.1016/j.jacc.2013.11.043
  • Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science 366(6464), 447–453 (2019). doi.org/10.1126/science.aax2342
  • Overhage JM, Ryan PB, Reich CG, Hartzema AG, Stang PE. Validation of a common data model for active safety surveillance research. Journal of the American Medical Informatics Association 19(1), 54–60 (2012). doi.org/10.1136/amiajnl-2011-000376
  • Porter ME. What Is Value in Health Care? New England Journal of Medicine 363(26), 2477–2481 (2010). doi.org/10.1056/NEJMp1011024
  • Preskill J. Quantum Computing in the NISQ era and beyond. Quantum 2, 79 (2018). doi.org/10.22331/q-2018-08-06-79
  • Raab R, Küderle A, Zakreuskaya A, et al. Federated electronic health records for the European Health Data Space. The Lancet Digital Health 5(11), e840–e847 (2023). doi.org/10.1016/S2589-7500(23)00156-5
  • Rajkomar A, Oren E, Chen K, et al. Scalable and accurate deep learning with electronic health records. npj Digital Medicine 1, 18 (2018). doi.org/10.1038/s41746-018-0029-1
  • Reinecke I, Zoch M, Reich C, Sedlmayr M, Bathelt F. The Usage of OHDSI OMOP – A Scoping Review. Studies in Health Technology and Informatics 283, 95–103 (2021). doi.org/10.3233/SHTI210546
  • Rieke N, Hancox J, Li W, et al. The future of digital health with federated learning. npj Digital Medicine 3, 119 (2020). doi.org/10.1038/s41746-020-00323-1
  • Rocher L, Hendrickx JM, de Montjoye YA. Estimating the success of re-identifications in incomplete datasets using generative models. Nature Communications 10, 3069 (2019). doi.org/10.1038/s41467-019-10933-3
  • SCORE2 working group and ESC Cardiovascular risk collaboration. SCORE2 risk prediction algorithms: new models to estimate 10-year risk of cardiovascular disease in Europe. European Heart Journal 42(25), 2439–2454 (2021). doi.org/10.1093/eurheartj/ehab309
  • Sendak MP, Gao M, Brajer N, Balu S. Presenting machine learning model information to clinical end users with model facts labels. npj Digital Medicine 3, 41 (2020). doi.org/10.1038/s41746-020-0253-3
  • Sgamma T, Lockie-Williams C, Kreuzer M, et al. DNA Barcoding for Industrial Quality Assurance. Planta Medica 83(14–15), 1117–1129 (2017). doi.org/10.1055/s-0043-113448
  • Sheller MJ, Edwards B, Reina GA, et al. Federated learning in medicine: facilitating multi-institutional collaborations without sharing patient data. Scientific Reports 10, 12598 (2020). doi.org/10.1038/s41598-020-69250-1
  • Shrank WH, Rogstad TL, Parekh N. Waste in the US Health Care System: Estimated Costs and Potential for Savings. JAMA 322(15), 1501–1509 (2019). doi.org/10.1001/jama.2019.13978
  • Sinaci AA, Núñez-Benjumea FJ, Gencturk M, et al. From Raw Data to FAIR Data: The FAIRification Workflow for Health Research. Methods of Information in Medicine 59(S 01), e21–e32 (2020). doi.org/10.1055/s-0040-1713684
  • Stephens ZD, Lee SY, Faghri F, et al. Big Data: Astronomical or Genomical? PLOS Biology 13(7), e1002195 (2015). doi.org/10.1371/journal.pbio.1002195
  • Tempus AI, Inc. Unternehmensangaben zu KI-gestützter Präzisionsmedizin. www.tempus.com
  • Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine 25, 44–56 (2019). doi.org/10.1038/s41591-018-0300-7
  • Wilkinson MD, Dumontier M, Aalbersberg IJ, et al. The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data 3, 160018 (2016). doi.org/10.1038/sdata.2016.18
  • Wu E, Wu K, Daneshjou R, Ouyang D, Ho DE, Zou J. How medical AI devices are evaluated: limitations and recommendations from an analysis of FDA approvals. Nature Medicine 27, 582–584 (2021). doi.org/10.1038/s41591-021-01312-x
  • Zhang J, Cunningham JJ, Brown JS, Gatenby RA. Integrating evolutionary dynamics into treatment of metastatic castrate-resistant prostate cancer. Nature Communications 8, 1816 (2017). doi.org/10.1038/s41467-017-01968-5
THE SOLAEVUM SHIFT – kostenloses eBook: Medizin jenseits der Zeit · medieezi