KI mit Sinn – effiziente PACS-Workflows

Künstliche Intelligenz ist in der radiologischen Diagnostik angekommen. Wirklich produktiv wird sie aber erst da, wo sich die alte und die neue Welt der Radiologie auf die Sprache der Standards einigen. Das ist die Voraussetzung dafür, künftig den gesamten Untersuchungsworkflow im PACS abzubilden.

Nach rund zwei Jahrzehnten im PACS-Geschäft darf man Mark Rawanschad getrost als alten Hasen bezeichnen. Als ein junges KI-Unternehmen aus Wien ihn fragte, ob er sich den Wechsel von einem Konzern zu einem Start-up vorstellen könne, hatte er die für ihn wichtigste Frage daher gleich parat: „Wie stellt ihr Euch die Integration in ein PACS vor?“ Fünf Jahre später zählt contextflow zu den führenden Anbietern in der KI-Analyse von Thorax-CTs und erhielt 2023 als einziges österreichisches Unternehmen eine Förderung aus dem European Innovation Council Accelerator Programm. Und Mark Rawanschad ist als Business Development Manager für den weiteren Ausbau des Kundenstamms verantwortlich, der derzeit etwas mehr als 40 Einrichtungen umfasst.

Jede fünfte Klinik nutzt KI diagnostisch

Der KI-Markt insgesamt wächst rasant. Den Beginn einer „neuen Phase von der experimentellen Entwicklung zur produktiven Anwendung“ sah eine im Deutschen Ärzteblatt im Sommer veröffentlichte Studie als möglich an. Die Zahlen stützen diese Einschätzung: Im Juli 2025 führte die US-amerikanische Food and Drug Administration (FDA) auf ihrer Website bereits 1.247 zugelassene KI-basierte Medizinprodukte – über 1.000 von ihnen im Bereich der Radiologie. Und laut einer aktuellen Umfrage, die der Digitalverband Bitkom gemeinsam mit dem Hartmannbund unter mehr als 600 Medizinerinnen und Medizinern in Deutschland durchgeführt hat, wird KI zur Unterstützung der Diagnose in fast jeder siebten Praxis und fast jeder fünften Klinik eingesetzt.

Dass ADVANCE Chest CT, die KI-Lösung von contextflow, sehr häufig in Kombination mit unserem JiveX Enterprise PACS zum Einsatz kommt, liegt an der eingangs erwähnten Integrationsfähigkeit der Systeme. Denn als eines der wenigen PACS am Markt kann JiveX die KI-Ergebnisse als DICOM SR-Objekte, die contextflow schickt, in den zu befundenen Bildern einblenden. Die Radiologinnen und Radiologen können die Darstellung an ihre Bedürfnisse anpassen und direkt zu den Auffälligkeiten hin navigieren. „Zudem ist das JiveX PACS in der Lage, uns auch die passende CT-Serie zu schicken – sehr sinnvoll, weil dadurch der ‚Noise‘ bereits auf PACS-Seite gefiltert wird und weniger Datenverkehr entsteht“, erklärt Mark Rawanschad.

Dass es für manches Start-up eine mentale Herausforderung darstellt, sich auf die Welt von DICOM oder IHE einzulassen, weiß Mark Rawanschad auch. „Aber als KI-Anbieter sollten wir nicht vergessen, dass die Radiologie bereits seit Jahrzehnten über digitale Workflows verfügt. Es wäre der falsche Ansatz, das Rad neu zu erfinden.“

Schnelle und nahtlose Integration in JiveX Enterprise PACS

Neben der Analysequalität der KI sind es vor allem drei Kriterien, die aus Sicht der Experten einen optimalen KI-Workflow ausmachen. Da ist zum einen die Geschwindigkeit, wie Mark Rawanschad erläutert: „Würden wir für die Auswertung eines Lungen-CT 20 Minuten benötigen, wären wir nutzlos.“ Zweitens steigt die Akzeptanz der User deutlich, wenn sie die Beurteilung der KI-Ergebnisse in ihrer gewohnten Nutzeroberfläche vornehmen können. Simon Andrzejewski, Produktmanager JiveX Enterprise PACS, betont: „Medienbrüche kosten Zeit und Nerven, und unsere Mission besteht darin, den Workflow für Ärztinnen und Ärzte so nahtlos wie möglich zu gestalten“. Dass in der jüngsten Version von JiveX auch die Validierung der KI in JiveX erfolgt und sichergestellt ist, dass die Radiologin bzw. der Radiologe die Entscheiderrolle behält, ist die konsequente Weiterentwicklung dieses arztzentrierten Ansatzes.

Die Umsetzung des dritten Kriteriums steht bei VISUS unmittelbar bevor: die Implementierung einer Feedbackschleife, mit der die Ergebnisse aus dem Validierungsprozess der KI-Ergebnisse standardisiert interoperabel kommuniziert werden können. So können die Hersteller sie dazu nutzen, zu überprüfen, ob sich die Ergebnisqualität entgegen dem zu erwartenden Outcome verändert – ein wichtiger Teil der Anforderungen des EU AI Acts für die Post-Markt Surveillance. Die Einbindung des sogenannten AIRA-Profils in JiveX PACS liefert dafür die Grundlage.

Das Davor und Danach: Auf dem Weg zum „PACS-driven-Workflow“

Zur Wahrheit gehört aber auch: Die Potenziale von KI für den radiologischen Workflow werden erst dann vollständig ausgereizt, wenn auch das Davor und Danach der Untersuchung abgebildet wird. Mark Rawanschad hat dazu eine klare persönliche Meinung: „Für mich gehört der Befund ins PACS – und zwar in strukturierter Form, die KI-Ergebnisse automatisiert integriert.“ Unser Innovationsleiter Dr. Marc Kämmerer geht noch einen Schritt weiter: „Ein ‚PACSdriven-Workflow‘ muss der Ärztin oder dem Arzt idealerweise auch die relevanten Kontextinformationen zu einer Patientin oder einem Patienten zur Verfügung stellen, z. B. aggregiert durch eine KI.“

Der womöglich größte strukturelle Hebel, um die KI in die Fläche zu bringen, betrifft indes die Finanzierungsinstrumente. Eine Alternative sind Abo-Modelle, wie sie etwa der KI-Marktplatz von connectMT bietet, der derzeit rund 30 validierte KI-Lösungen enthält und knappe IT-Ressourcen schont. „Bei Pay-per-Use-Verfahren sollte man in der Menge der übermittelten Bilder aber nicht zu restriktiv vorgehen, damit die KI ihren entscheidenden Vorteil als Sicherungsnetz ausspielen kann“, betont Mark Rawanschad.

KI als Kassenleistung?

Eine noch wenig erprobte Möglichkeit sind Selektivverträge, wie sie aktuell der Healthy Hub erprobt, ein Zusammenschluss von kleineren deutschen Krankenkassen. Hier erhalten teilnehmende Praxen zum Beispiel für die Nutzung des Malignancy Score von contextflow, einem Zusatzfeature, das zeigt, wie wahrscheinlich ein Lungenrundherd gut- oder bösartig ist, 25 Euro je Untersuchung. Im besten Fall ergibt sich so eine Win-Win-Win-Situation: Für die Praxis amortisiert sich die Investition in kurzer Zeit, die Krankenkassen sparen Geld durch optimal angepasste Untersuchungsrhythmen und Patientinnen und Patienten erhalten früher Gewissheit.

Noch besser wäre natürlich die Kostenübernahme im Rahmen einer Kassenleistung. Die jährliche Lungenkrebs-Früherkennung für starke Raucherinnen und Raucher, deren Einführung Deutschland für April 2026 plant, könnte hierfür eine spannende Pionieranwendung werden. Die hohe Kundennachfrage, die man bei contextflow verzeichnet, spricht dafür, dass Deutschlands Radiologinnen und Radiologen von einem Erfolg ausgehen. Denn je mehr Menschen das Angebot nutzen, umso mehr könnten sie Unterstützung gebrauchen – vor allem, wenn sie nahtlos in ihren Untersuchungsprozess eingebunden ist.

Über contextflow

contextflow ist ein Spin-off der Medizinischen Universität Wien, der Technischen Universität Wien und des europäischen Forschungsprojekts Khresmoi. Seit 2016 entwickelt es Algorithmen, die mit Deep-Learning-Modellen die Diagnose und Quantifizierung in radiologischen Bildern unterstützen.