Was Kausal-KI im Gesundheitswesen bräuchte: die fünf Architektur-Bausteine

Die meisten KI-Systeme erkennen Muster: Sie finden heraus, welche Merkmale häufig gemeinsam auftreten. Kausale KI verfolgt einen anderen Anspruch. Sie arbeitet mit ausdrücklich formulierten Annahmen darüber, welcher Faktor auf welchen wirkt, und fragt, was sich verändern würde, wenn man an einer Stelle eingreift. Gerade im Gesundheitswesen weckt das große Erwartungen.

Doch kausale Aussagen sind nur so belastbar wie die Daten und Annahmen, auf denen sie beruhen. Ob ein Modell fachlich stimmt, prüfen Forschende sowie Ärzt*innen in ihren Verfahren. Damit sie das überhaupt können, muss vorher eine Infrastruktur stehen. Die folgende Systemkarte zeigt die fünf Bausteine, die dafür aus Architektur-Sicht nötig wären.

Ein kausales Modell darf nur mit Daten arbeiten, deren Weg bekannt ist: Wer hat wann, wo und mit welcher Methode gemessen, und welche Verarbeitungsschritte folgten? Dieses Konzept heißt Datenherkunft oder Data Lineage.

Technisch bewährt ist der offene W3C-Standard PROV. Er beschreibt Herkunft mit drei Grundbausteinen: Entitäten (etwa ein Datensatz), Aktivitäten (etwa eine Umrechnung oder ein KI-Schritt) und Agenten (Personen, Organisationen oder Software mit Verantwortung). Entscheidend ist, dass jede Station ihre Herkunftsangaben im Moment der Verarbeitung selbst mitschreibt – nicht nachträglich rekonstruiert.

Gesundheitsrelevante Zusammenhänge enden selten an einer Systemgrenze. Bei medieezi beschreibt Soil-to-Human eine Datenkette über mehrere Kontexte: vom Boden über die Pflanze bis zum Menschen. Heute liegen solche Daten meist in getrennten Silos, in unterschiedlichen Formaten und ohne gemeinsame Bedeutung.

Silofreiheit heißt nicht, alles an einem Ort zu sammeln. Es heißt: dauerhafte, eindeutige Kennungen, offene Formate, gemeinsame Vokabulare und dokumentierte Schnittstellen, sodass Daten zusammenarbeiten können, ohne kopiert zu werden. Die FAIR-Prinzipien fassen das als auffindbar, zugänglich, interoperabel und wiederverwendbar zusammen. Im Gesundheitsbereich ist zudem HL7 FHIR als offener Austauschstandard verbreitet, und der Europäische Gesundheitsdatenraum (EHDS, Verordnung (EU) 2025/327) macht Interoperabilität in der EU zur Planungsgrundlage.

Gesundheitsdaten gehören zu den besonderen Kategorien personenbezogener Daten nach Art. 9 DSGVO. Eine Architektur, die alles zentral sammelt, schafft genau die Risiken, die das Recht begrenzen will. Föderiertes Lernen dreht das Prinzip um: Das Modell wandert zu den Daten, nicht die Daten zum Modell. Ausgetauscht werden Modellaktualisierungen; die Rohdaten bleiben dort, wo sie entstanden sind.

Föderiertes Lernen ist kein Freifahrtschein, denn auch Modellaktualisierungen können Rückschlüsse erlauben. Dazu gehören deshalb weitere Schutzschichten: Zweckbindung, Datenminimierung, Zugriffskontrolle, lückenlose Protokollierung und, wo passend, Verfahren wie sichere Aggregation. Datenschutz entsteht so durch Technikgestaltung, nicht erst durch eine Richtlinie.

Ein Vorteil kausaler Modelle ist, dass sich ihre Annahmen explizit darstellen lassen, zum Beispiel als Graph. Die Architektur sollte das nutzen: Modellstruktur, Annahmen, Datenbasis und Modellversion werden gemeinsam versioniert und mit der Herkunftskette verknüpft, Ausgaben tragen Unsicherheitsangaben. So bleiben Annahmen überprüfbar und angreifbar, statt in einer Black Box zu verschwinden.

Die europäische KI-Verordnung (Verordnung (EU) 2024/1689) verlangt für Hochrisiko-KI-Systeme unter anderem Daten-Governance (Art. 10), Transparenz und Informationen für die Betreiber (Art. 13) sowie wirksame menschliche Aufsicht (Art. 14). KI als Teil eines Medizinprodukts fällt typischerweise in diesen Bereich. Eine Infrastruktur, die Herkunft, Versionen und menschliche Entscheidungen protokolliert, ist dafür Voraussetzung. Die Grenze ist klar: Keine KI entscheidet über Diagnosen, Behandlungen oder Versicherungsleistungen – das tun Menschen. (Einordnung aus Technik-Sicht, keine Rechtsberatung.)

Je genauer Modelle individuelle Risiken abschätzen, desto drängender werden Fragen, die keine Architektur beantworten kann. Wie viel Solidarität und wie viel Eigenverantwortung soll gelten? Das Sozialgesetzbuch V beschreibt die gesetzliche Krankenversicherung ausdrücklich als Solidargemeinschaft. Wie bleibt das Recht auf Nichtwissen gewahrt, das etwa das Gendiagnostikgesetz ausdrücklich nennt? Und senkt Prävention die Gesamtkosten? Das ist in der Gesundheitsökonomie eine offene Frage, die je nach Maßnahme unterschiedlich beantwortet wird.

Diese Fragen beantworten wir nicht, und eine KI sollte nicht so tun, als könne sie es. Sie gehören in Wissenschaft, Gesetzgebung und gesellschaftliche Debatte. Die Aufgabe der Architektur ist, sie prüfbar zu machen: mit nachvollziehbaren Daten, offengelegten Annahmen und Systemen, in denen Menschen selbst bestimmen, welche Informationen sie erhalten möchten.

Wir lösen nicht die Medizin – wir bauen die Architektur, mit der Wissenschaft solche Fragen überhaupt stellen und prüfen kann. Als Technologie- und KI-Systemarchitekten entwerfen wir Pipelines mit eingebauter Datenherkunft, Audit-Protokollen und Datenschutz durch Technikgestaltung; medieezi ist dabei die Engine.

RADIUS 0 ist unsere 15-Jahres-Vision für ein Reallabor und einen Live-KI-Hub-Campus, in dem eine solche Infrastruktur gemeinsam mit Partnern erprobt werden könnte. Heute ist RADIUS 0 ein Konzept, kein realer Ort und kein laufendes Sensornetz. Wer an Datenarchitektur, Interoperabilität oder Governance mitdenken möchte: welcome@medieezi.com.