Der Beschluss des Innovationsausschusses
Erkenntnistransfer vom 22.05.2026
Der Beschluss in Kürze
Der Innovationsausschuss leitet die Projekterkenntnisse im Hinblick auf das erarbeitete Weißbuch zu KI-gestützten Vorhersageverfahren auf Basis von GKV-Routinedaten zur Information an das BMG und an das FDZ Gesundheit beim BfArM weiter. Beschluss und Ergebnisbericht werden auf der Internetseite des Innovationsausschusses veröffentlicht. Die Geschäftsstelle wird mit der Weiterleitung beauftragt.
Zusammenfassung von MVF, KI-gestützt aus dem Beschluss.
Begründung
Das Projekt hat nach Darstellung des Ausschusses erfolgreich untersucht, wie sich GKV-Routinedaten mit Verfahren des maschinellen Lernens analysieren lassen. Dazu wurden KI-gestützte Modelle zur Vorhersage von 30-Tage-Mortalität und ungeplanter Wiederaufnahme mit logistischen Regressionen verglichen. Die ML-Verfahren und die Regressionsverfahren zeigten eine vergleichbare Leistung, die Präzision der Modelle fiel jedoch eher gering aus. Bei der Übertragung auf Folgejahre war die Nutzbarkeit eingeschränkt. Die Technik hat sich schnell weiterentwickelt, und die Datenlandschaft hat sich durch das FDZ Gesundheit verändert. Die Erkenntnisse spiegeln daher nicht mehr gänzlich den aktuellen Stand wider. Wegen des publizierten Weißbuchs mit Anwendungsbeispielen, Programmiercodes und Software-Packages werden die Ergebnisse zur Information weitergeleitet.
„Für die interessierte Fachöffentlichkeit und deren eigene Analysevorhaben steht das Weißbuch mit zahlreichen Beschreibungen praxisnaher Anwendungsbeispiele, Programmiercodes, Software-Packages sowie weiterführenden Quellen zur Verfügung.“ Beschlusstext, S. 2 ↗
Hindernisse laut Beschluss (3)
- bestritten Ergebnis der Wirksamkeitsanalyse: Eher geringe Präzision (AUC-PR) der Modelle für beide Outcomes
Zitat aus dem Beschluss
„Insgesamt zeigten die Ergebnisse jedoch, dass die Präzision (AUC-PR) der Modelle für beide Outcomes eher gering ausfiel.“ Beschlusstext, S. 2 ↗
- belegt Übertragbarkeit: Eingeschränkte Übertragbarkeit der Modelle auf Folgejahre wegen heterogener Prognosegüte
Zitat aus dem Beschluss
„Bei der Überprüfung der Übertragbarkeit der Vorhersagemodelle auf Folgejahre stellte sich jedoch eine eingeschränkte Nutzbarkeit heraus, da die Prognosegüte der Modelle eher heterogen ausfiel.“ Beschlusstext, S. 2 ↗
- belegt Übertragbarkeit: Erkenntnisse durch schnelle technische Weiterentwicklung und veränderte Datenlandschaft (FDZ Gesundheit) nicht mehr ganz aktuell
Zitat aus dem Beschluss
„Eine weitere Limitation der Ergebnisse besteht in der schnellen Weiterentwicklung der Technik und Algorithmen zur prädiktiven Datenanalyse seit Projektdurchführung von 2021 bis 2024. Auch die Gesundheitsdatenlandschaft hat sich durch die Eröffnung des FDZ Gesundheit im Oktober 2025 weiterentwickelt, so dass die Erkenntnisse nicht mehr gänzlich den aktuellen Sachstand widerspiegeln.“ Beschlusstext, S. 2 ↗
Kennzeichen: belegt · nachsehen · bestritten · ungeprüft. Bedeutung →
Was der Beschluss positiv vermerkt (5)
- belegt Erfolgreiche Untersuchung der Analysierbarkeit von GKV-Routinedaten mit ML-Verfahren
Zitat aus dem Beschluss
„Das Projekt hat erfolgreich untersucht, wie sich Routinedaten der gesetzlichen Krankenversicherung (GKV) mit Verfahren der Künstlichen Intelligenz (KI) aus dem Bereich des Maschinellen Lernens (ML) analysieren lassen.“ Beschlusstext, S. 1 ↗
- belegt Vergleichbare Modellperformance von Regressions- und ML-Verfahren
Zitat aus dem Beschluss
„In der Modellevaluation konnte eine vergleichbare Performance zwischen den Regressionsverfahren und ML -Verfahren gezeigt werden.“ Beschlusstext, S. 1 ↗
- belegt Mortalität besser vorhersagbar als ungeplante Wiederaufnahmen
Zitat aus dem Beschluss
„Das Outcome ‚Mortalität‘ war besser vorhersagbar als ‚Ungeplante Krankenhauswiederaufnahmen‘.“ Beschlusstext, S. 2 ↗
- belegt Methoden geeignet für den Vergleich von KI-Verfahren und Regressionsmodellen
Zitat aus dem Beschluss
„Die Methoden waren geeignet, um die Vorhersagefähigkeit von KI -gestützten Verfahren mit konventionellen Regressionsmodellen zu vergleichen.“ Beschlusstext, S. 2 ↗
- belegt IT-Konzept erstellt und Weißbuch als Ergebnissynthese publiziert
Zitat aus dem Beschluss
„Im Rahmen der Umsetzung hat das Projekt neben einem umfassenden IT-Konzept zu Hard- und Software -Spezifikationen, als Ergebnissynthese das Weißbuch – Potenziale KI gestützter Vorhersageverfahren auf Basis von GKV -Routinedaten publiziert.“ Beschlusstext, S. 2 ↗
Übertragbarkeit laut Beschluss
Die Übertragbarkeit der Vorhersagemodelle auf Folgejahre war eingeschränkt, weil die Prognosegüte heterogen ausfiel. Wegen der technischen Weiterentwicklung und der Eröffnung des FDZ Gesundheit spiegeln die Erkenntnisse zudem nicht mehr gänzlich den aktuellen Sachstand wider. Das Weißbuch steht der Fachöffentlichkeit für eigene Analysevorhaben zur Verfügung.
Adressaten und Auftrag (2)
- BMG: Information über die Projekterkenntnisse im Hinblick auf das Weißbuch zu KI-gestützten Vorhersageverfahren auf Basis von GKV-Routinedaten
- Forschungsdatenzentrum (FDZ) Gesundheit beim BfArM: Information über die Projekterkenntnisse im Hinblick auf das Weißbuch zu KI-gestützten Vorhersageverfahren auf Basis von GKV-Routinedaten
Wie es ausging
2 Hauptziele, davon 0 signifikant zugunsten der neuen Versorgung. Dazu 8 Nebenziele, 0 davon signifikant zugunsten.
| Rolle | Endpunkt laut Bericht | Befund | p | Seite |
|---|---|---|---|---|
| Hauptziel | Vorhersage- bzw. Modellgüte bei der Vorhersage der Mortalität (30 Tage nach Entlassung) – primäres Vergleichskriterium zwischen ML- und Regressionsverfahren (Datenmodell M2, Testdaten 2018) Familie: Prozess-, Struktur- und Leitlinienqualität nachsehen | ohne Angabe keine statistische Prüfung berichtet | nicht berichtet | 25 |
| Hauptziel | Vorhersage- bzw. Modellgüte bei der Vorhersage der Ungeplanten Wiederaufnahme (30 Tage nach Entlassung) – primäres Vergleichskriterium zwischen ML- und Regressionsverfahren (Datenmodell M2, Testdaten 2018) Familie: Prozess-, Struktur- und Leitlinienqualität nachsehen | ohne Angabe keine statistische Prüfung berichtet | nicht berichtet | 27 |
Alle 8 Nebenziele anzeigen
| Rolle | Endpunkt laut Bericht | Befund | p | Seite |
|---|---|---|---|---|
| Nebenziel | Präzision der Vorhersage der Mortalität (Datenmodell M2, Testdaten 2018) Familie: Mortalität und Überleben nachsehen | ohne Angabe keine statistische Prüfung berichtet | nicht berichtet | 25 |
| Nebenziel | Präzision der Vorhersage der Ungeplanten Wiederaufnahmen (Datenmodell M2, Testdaten 2018) Familie: Stationäre Inanspruchnahme nachsehen | ohne Angabe keine statistische Prüfung berichtet | nicht berichtet | 27 |
| Nebenziel | Übertragbarkeit auf 'zukünftige' Jahre – Prognosegüte Mortalität in den Datenjahren 2019 und 2020 (Modell 2) Familie: Mortalität und Überleben nachsehen | ohne Angabe keine statistische Prüfung berichtet | nicht berichtet | 30 |
| Nebenziel | Übertragbarkeit auf 'zukünftige' Jahre – Prognosegüte Ungeplante Wiederaufnahmen in den Datenjahren 2019 und 2020 (Modell 2) Familie: Stationäre Inanspruchnahme nachsehen | ohne Angabe keine statistische Prüfung berichtet | nicht berichtet | 30 |
| Nebenziel | Prognosegüte in Subgruppen (Fehlklassifikationen) – Alter, Pflegeheimbewohnerstatus, Art des Krankenhausaufenthalts, Geschlecht Familie: Sonstiges belegt | ohne Angabe keine statistische Prüfung berichtet | nicht berichtet | 31 |
| Nebenziel | Modellgüte in Abhängigkeit vom Datenmodell (M1 vs. M2 vs. M3), Outcome Mortalität, Testdaten 2018 Familie: Mortalität und Überleben nachsehen | ohne Angabe keine statistische Prüfung berichtet | nicht berichtet | 25 |
| Nebenziel | Erklärbarkeit der Modellvorhersagen Familie: Sonstiges belegt | ohne Angabe keine statistische Prüfung berichtet | nicht berichtet | 27 |
| Nebenziel | Rechenzeit der Verfahren (Modelltraining und Testung) Familie: Machbarkeit, Akzeptanz und Nutzung belegt | ohne Angabe keine statistische Prüfung berichtet | nicht berichtet | 128 |
Fallzahl
Geplant: – nicht angegeben · ausgewertet: 118.767 Versicherte
- Ausgewertet: „Stichprobengröße (n) 471.025 118.767 118.640 76.850*“ Ergebnisbericht, S. 23 ↗
Das Vorhaben
Beschreibung aus der Projektdatenbank des GBA
Routinedaten der gesetzlichen Krankenversicherung (GKV) bergen großes Potenzial, Krankheits- und Therapieverläufe individuell vorherzusagen. Sie könnten zukünftig helfen, Versorgungsbedarfe von Patientinnen und Patienten früher und besser zu erkennen. In der Gesundheits- und Versorgungsforschung beruhen routinedatengestützte Prognosen bisher meist auf klassischen Analysetechniken, wie konventionellen Regressionsmodellen. Obwohl auch KI-basierte Modelle hierfür prädestiniert erscheinen, fehlen bislang umfassende Darstellungen zum praktischen Einsatz. Hier setzt das Projekt KI-THRUST an und untersucht, welche Aufbereitungen von Daten und KI-Modellen sich prinzipiell für eine datenbasierte Abschätzung von Versorgungsbedarfen eignen. Die Forscherinnen und Forscher erproben am Beispiel des Krankenhausentlassmanagements, ob und wie zuverlässig erklärbare KI-Verfahren bestimmte Erfordernisse und Schwierigkeiten nach Entlassung vorhersagen können. Hierfür nutzt das Projekt GKV-Datensätze von mehr als 2.000.000 Entlassungen aus Krankenhäusern. Die KI-basierten Prognosen und ihre Präzision werden mit den Ergebnissen konventioneller Regressionsmodelle verglichen. Aus den gewonnenen Erkenntnissen wollen die Forschenden praxisorientierte Handlungsempfehlungen ableiten und diese in einem Weißbuch frei zur Verfügung stellen. Das Projekt wird für 42 Monate mit insgesamt ca. 1,3 Millionen Euro gefördert. Im Erfolgsfall leistet das Projekt einen wichtigen Beitrag dazu, die Nutzung von Routinedaten für die Versorgung von Patientinnen und Patienten voranzutreiben. Die Erkenntnisse des Projekts könnten bei der Gestaltung einer prädiktiven und präventiven Patientenversorgung vielfältige Anwendung finden.
Die Berichte im Wortlaut
Die Berichte werden geladen …
Wo Beschluss und Berichte auseinandergehen
Ein Beschluss des Innovationsausschusses ist eine politische Entscheidung, keine Messung: Versorgungsrelevanz, Umsetzbarkeit, Stellungnahmen und Prioritäten gehen mit ein. Was hier steht, ist deshalb meist kein Widerspruch, sondern ein Unterschied zweier Maßstäbe.
wird geladen …
Wo die Berichte sich selbst widersprechen
Beim vollständigen Lesen fällt auf, was beim Lesen eines einzelnen Kapitels nicht auffällt. Das ist kein Vorwurf an das Vorhaben, sondern die Angabe, wie belastbar die Zahlen sind.
wird geladen …