KI als Co-Pilot der Teledermatologie

Teledermatologie ist längst mehr als eine digitale Sprechstunde. Im zeitversetzten Bild- und Textversand («store and forward») entstehen strukturierte Bilder, Texte und Verlaufsdaten, die sich besonders gut für den Einsatz moderner künstlicher Intelligenz (KI) eignen. Die zentrale Frage für 2026 lautet daher nicht, ob KI die Teledermatologie ersetzt, sondern an welcher Stelle sie den teledermatologischen Prozess sicherer, schneller und messbarer macht.

Warum gerade Teledermatologie?

Teledermatologie ist für künstliche Intelligenz (KI) nicht nur ein weiterer digitaler Kanal, sondern ein natürlicher Anwendungsraum. Im «Store and forward»-Verfahren entstehen bereits strukturierte Patient:innenangaben, klinische Fotos, Verlaufstexte, Diagnosen, Therapieempfehlungen und Follow-up-Daten. Bild, Text und klinische Entscheidung liegen also in einem zusammenhängenden Datensatz vor. Moderne KI-Systeme sind darauf ausgelegt, genau solche kombinierten Eingaben zu verarbeiten, weshalb sich die Teledermatologie besonders gut als Einsatzfeld eignet.

Die Evidenz zur Teledermatologie zeigt seit Jahren klinische und ökonomische Potenziale, zugleich aber auch heterogene Studiendesigns und Lücken bei Sicherheit, Implementierung und Vergleichbarkeit der Endpunkte.^1–3 Für die Praxis bedeutet das: Bevor KI in einen teledermatologischen Dienst integriert wird, muss der Grundprozess messbar funktionieren. Relevante Kennzahlen sind Bearbeitungszeit, Bildqualität, Vollständigkeit der Anamnese, Anteil konsekutiv notwendiger Präsenzkonsultationen, Patient:innenzufriedenheit und die Quote dringlicher Eskalationen.

Was aktuelle KI-Studien zeigen

Die Forschung hat sich in den letzten Jahren rasant weiterentwickelt (Tab.1). Der Fokus verschiebt sich zunehmend von einer reinen Bildklassifikation hin zu KI-gestützten Entscheidungsprozessen, die gleichzeitig verschiedene Modalitäten verarbeiten. In einer retrospektiven explorativen Studie mit 154 realen Teledermatologiefällen erzielte ein ChatGPT-4-basierter Workflow eine Top-1-Konkordanz (Übereinstimmung der wahrscheinlichsten Modelldiagnose mit der Referenzdiagnose) von 70,8% und eine Top-3-Konkordanz (korrekte Diagnose unter den drei wahrscheinlichsten Vorschlägen) von 87,7%. Die Bildbeschreibung wurde in 84,4% als korrekt bewertet.⁴ Das ist klinisch relevant, weil die Bildbeschreibung eine der unmittelbarsten Assistenzrollen darstellt: Sie kann die Dokumentation standardisieren, eine zweite morphologische Lesart liefern und die Differenzialdiagnose als Checkliste erweitern.

SkinGPT-4 zeigt einen zweiten Trend: Speziell für die Dermatologie entwickelte Modelle können dermatologische Bildmerkmale in Sprache übersetzen und mit klinischer Logik verknüpfen. Das System wurde mit 52929 dermatologischen Bildern samt klinischen Konzepten und ärztlichen Notizen trainiert und in 150 Real-Life-Fällen durch Dermatolog:innen evaluiert. In der Bewertung waren 80,6% der Diagnosen korrekt oder relevant und 85,6% der Therapieantworten nützlich.⁵ Entscheidend ist weniger das Chat-Interface als die dermatologiespezifische Ausrichtung: Nicht jedes bildverarbeitende Sprachmodell ist automatisch ein gutes Dermatologiemodell.

Eine Pilotstudie zu GPT-4 Vision illustriert zugleich die Grenzen allgemein ausgerichteter Modelle. Bei 54 kuratierten Bildern zu neun häufigen Diagnosen lag die Leistung bei alleiniger Bildanalyse bei 54%, während die reine Textanalyse und die Kombination aus Bild- und Textanalyse jeweils 89% erreichten. Die Therapieempfehlungen wurden als brauchbar, aber nicht auf Expert:innenniveau beurteilt. Daraus folgt nicht, dass der Text grundsätzlich wichtiger wäre als das Bild. Es zeigt vielmehr, dass die gleichzeitige Verarbeitung mehrerer Datentypen allein noch keine klinische Zuverlässigkeit garantiert. Qualität der Eingabedaten, fachspezifische Ausrichtung des Modells, Zielpopulation und klinische Validierung sind entscheidend.⁶

Der klinische Grundprozess

Unabhängig von KI zeigen eigene Real-World-Daten aus einem deutschen universitären Setting, wie ein stabiler teledermatologischer Grundprozess aussehen kann. In der retrospektiven LMU-Analyse wurden 629 Online-Konsultationen über 18 Monate ausgewertet. Die Patient:innen waren im Mittel 38,4 Jahre alt, 54,3% waren weiblich, und pro Anfrage wurden durchschnittlich 3,6 Fotos übermittelt. Die mediane Beantwortungszeit lag bei 21,4 Stunden. In 65,3% der Fälle wurde online ein Rezept ausgestellt. Die Zufriedenheit war hoch: 76,9% bewerteten den Service mit mehr als 7 von 10 Punkten, und nach drei Wochen erhielten 75,6% eine vollständige oder teilweise Lösung des Anliegens. Das Diagnosespektrum entsprach breiter Routinedermatologie. Entzündliche Dermatosen stellten mit 42,7% die grösste Kategorie, gefolgt von infektiösen Dermatosen, akneiformen/follikulären Erkrankungen sowie Pigment- und Präkanzerosen. 39,1% der Fälle wurden zunächst durch Assistenzärzt:innen vorbereitet und anschliessend durch Fachärzt:innen validiert. Gerade dieser supervidierte, strukturierte Ablauf ist für KI wichtig. Nur ein Prozess, der Inputqualität, Bearbeitungszeit, klinisches Outcome und Eskalation systematisch erfasst, kann KI sinnvoll und sicher integrieren.⁷

Wie viel Diagnose steckt im Text?

Die zweite eigene Arbeit aus der Schweiz adressiert eine bewusst strenge Frage: Was kann ein lokal betriebenes Sprachmodell leisten, wenn es keine Bilder, sondern nur Patient:innentext und strukturierte Angaben erhält? Analysiert wurden 1322 Fälle aus einer teledermatologischen Kohorte des Universitätsspitals Basel von 2019 bis 2024.⁸ IBM Granite 3.3 mit 8 Milliarden Parametern wurde lokal gehostet und generierte drei Differenzialdiagnosen, die mit der teledermatologischen Referenzdiagnose verglichen wurden.

Die Top-1-Konkordanz betrug 20,3%, die Top-3-Konkordanz 40,1%. Die Reproduzierbarkeit des erstgereihten Outputs war mit 93,3% kompletter Übereinstimmung über drei Durchläufe hoch. Gleichzeitig zeigte sich eine signifikante positive Assoziation zwischen Länge der freien Patient:innenbeschreibung und diagnostischer Übereinstimmung (Spearman rho=0,078; p=0,004). Besonders bei entzündlichen Dermatosen war die Top-1-Konkordanz mit 43,5% höher, während benigne Neoplasien eine hohe Abweichungsrate von 80,5% aufwiesen.⁸

Die Interpretation ist klar: Ein textbasiertes Sprachmodell ohne Bildzugang ist kein Ersatz für ärztliche Diagnostik. Es kann jedoch diagnostisch relevante Hinweise enthalten, die für strukturierte Voranamnese, Triage, Plausibilitätsprüfung und Qualitätssicherung genutzt werden können. Der Befund ist auch praktisch bedeutsam, weil schlechte Bildqualität, intime Lokalisationen oder fehlende Fotofreigabe in der Teledermatologie häufige Hürden sind. Gleichzeitig bleibt die Tumordiagnostik visuell, dermatoskopisch und klinisch geprägt. Hier darf ein rein textbasiertes Modell keine trügerische Sicherheit erzeugen.

Wo KI in den Workflow gehört

Der Nutzen von KI liegt derzeit vor und neben der ärztlichen Entscheidung, nicht an deren Stelle (Tab.2). In der digitalen Eingangstür kann KI prüfen, ob Angaben fehlen, ob Fotos unscharf sind oder ob Übersicht, Nahaufnahme und Grössenreferenz benötigt werden. Sie kann Patient:innen gezielt nach Dauer, Dynamik, Symptomen, Vorbehandlungen, Schwangerschaft, Immunsuppression, Medikamenten und Red Flags fragen. Im Schritt der Mitbefundung kann sie morphologische Beschreibungen, Differenzialdiagnosen, Risikohinweise und Dokumentationsentwürfe vorbereiten. Die finale Bewertung, Therapieentscheidung und Eskalation bleiben ärztlich.

Besonders attraktiv sind Anwendungsszenarien mit niedrigem unmittelbarem Risiko wie Bildqualitätskontrolle, Anamnesevollständigkeit, semantische Strukturierung, Generierung einer morphologischen Beschreibung, Zusammenfassung für die Akte und eine transparente Differenzialdiagnosen-Checkliste. Riskanter sind Anwendungen, bei denen Patient:innen ohne ärztliche Validierung eine Diagnose, Entwarnung oder Therapieanweisung erhalten. Der Grundsatz sollte lauten: KI darf die Aufmerksamkeit erweitern, aber nicht die Verantwortlichkeit verschieben.

Governance statt Gadget

Für 2026 wird nicht der beeindruckendste Chatbot entscheidend sein, sondern der am besten kontrollierte Workflow. Sobald ein KI-System diagnostische oder therapeutische Entscheidungen beeinflusst, stellen sich Fragen nach Zweckbestimmung, regulatorischer Einstufung, Datenschutz, Dokumentation, Aktualisierung und Haftung.⁹Lokal betriebene oder institutionell kontrollierte Sprachmodelle sind deshalb mehr als eine Datenschutzpräferenz. Sie ermöglichen Datenhoheit, Versionierung, Audit-Trails und reproduzierbare Auswertungen. Das heisst aber nicht, dass ein lokal betriebenes Modell automatisch klinisch sicher ist. Auch lokale Modelle brauchen eine definierte Zweckbestimmung, prospektive Validierung, Fehlermanagement und klare Grenzen. Praktisch sollte jede Implementierung mindestens dokumentieren, welches Modell in welcher Version eingesetzt wurde, welche Eingaben erlaubt sind, welche Outputs erzeugt werden, wer sie prüft, welche Fälle eskaliert werden und welche Performance-Kennzahlen fortlaufend überwacht werden.

Praktisches Fazit für Klinik und Praxis

Ein sinnvoller Implementierungspfad beginnt klein: zuerst Eingangserfassung und Überprüfung von Bildqualität, dann Dokumentationsassistenz, danach Differenzialdiagnosen-Checkliste und triagerelevante Hinweise. Vor dem Patient:innenkontakt kann eine Beobachtungsphase hilfreich sein, in der KI-Ausgaben protokolliert, aber nicht für Entscheidungen verwendet werden. Erst wenn vordefinierte Qualitäts- und Sicherheitskennzahlen erfüllt sind, sollte der Workflow schrittweise in die Versorgung gehen.

Teledermatologie wird damit zur Infrastruktur für sichere KI. Sie liefert strukturierte Eingaben, messbare Prozesse und einen klaren Ort für ärztliche Supervision. Das grosse Potenzial besteht nicht darin, Dermatolog:innen zu ersetzen, sondern die digitale Eingangstür intelligenter zu machen.

Literatur: