In einem fiktiven Fall geht ein 52-jähriger Mann, der seit sechs Jahren Typ-2-Diabetes hat, in die Einrichtung der Primärversorgung, um Rezepte zu erneuern. Er sieht gut, hat keine Sehbeschwerden und hat seit drei Jahren keine Fundusuntersuchung gemacht, weil der nächste Augenarzt zwei Stunden Fahrt entfernt ist. Im Raum neben der Praxis steht eine Netzhautkamera. Ein Techniker der Einrichtung selbst fotografiert beide Augen, ein Programm analysiert die Bilder und wenige Minuten später erscheint das Ergebnis in der Patientenakte: mehr als leichte diabetische Retinopathie erkannt, Überweisung an den Spezialisten.

Das Ergebnis lag vor, bevor irgendein Arzt die Fotos ansah. Das nennt man autonome Diagnose durch künstliche Intelligenz (KI): Das System entscheidet selbst, ob die Untersuchung positiv oder negativ ist, und die Person, die die Kamera bedient, muss die Netzhaut nicht interpretieren können. Die Weltgesundheitsorganisation (WHO) führt die Augenuntersuchung zum Screening auf Retinopathie, die Erblindung verursacht, unter den zusätzlichen Versorgungsleistungen auf, die ein Mensch mit Diabetes benötigen kann (WHO, Diabetes).

Dieser Text nimmt die WHO als Leitlinie und geht drei Fragen nach: Wie entstand die erste autonome Diagnose, was bedeuten Sensitivität und Spezifität, wenn das Ziel das Screening ist, und was geschieht mit dem Patienten, nachdem das System eine Überweisung anordnet.

Die wichtigsten Punkte

• Im Jahr 2016 erkannte ein Algorithmus des tiefen Lernens eine überweisungswürdige diabetische Retinopathie auf Fotografien mit einer Sensitivität von 97,5 Prozent und einer Spezifität von 93,4 Prozent bei einem für das Screening gewählten Schwellenwert, in einer retrospektiven Studie (Gulshan et al., 2016).
• Die wegweisende Studie von 2018 in zehn Einrichtungen der Primärversorgung der Vereinigten Staaten zeigte eine Sensitivität von 87,2 Prozent und eine Spezifität von 90,7 Prozent und führte zur Zulassung der ersten autonomen Diagnose durch KI (Abràmoff et al., 2018).
• In einer randomisierten Studie mit Jugendlichen von 8 bis 21 Jahren erhöhte die autonome Untersuchung in der Einrichtung selbst die Durchführung der Augenuntersuchung innerhalb von sechs Monaten von 22 auf 100 Prozent (Wolf et al., 2024).
• Für die WHO erfordert das Screening einen vollständigen Weg mit Überweisung, Bestätigung und Behandlung und nicht nur einen Test (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020).

• Warum auf diabetische Retinopathie screenen
• Was die WHO von einem Screening-Programm erwartet
• Vom Algorithmus zur autonomen Diagnose
• Sensitivität und Spezifität beim Screening
• Leistung außerhalb der ursprünglichen Studie
• Was mit der Überweisung geschieht
• Grenzen und Vorsichtsmaßnahmen
• Wie NEXO hilft, dieses Denken zu trainieren
• Häufige Fragen
• Take-home messages

Warum auf diabetische Retinopathie screenen

Die Zahl der Menschen mit Diabetes stieg von 200 Millionen im Jahr 1990 auf 830 Millionen im Jahr 2022, und der Anstieg war in Ländern mit niedrigem und mittlerem Einkommen schneller (WHO, Diabetes). Im Jahr 2022 lebten 14 Prozent der Erwachsenen ab 18 Jahren mit Diabetes (WHO, Diabetes).

Die diabetische Retinopathie gehört neben Refraktionsfehlern, Katarakt, Glaukom und altersbedingter Makuladegeneration zu den Hauptursachen von Sehbehinderung und Blindheit weltweit (WHO, Blindness and vision impairment). Von der Milliarde Menschen, deren Sehbehinderung hätte vermieden werden können oder noch nicht behandelt ist, schreibt die WHO 3,9 Millionen der diabetischen Retinopathie zu (WHO, Blindness and vision impairment).

Der zentrale Punkt für das Screening ist, dass die Krankheit zu Beginn meist stumm verläuft. Die WHO betont, dass bei Erkrankungen wie der diabetischen Retinopathie die frühe Erkennung und die rechtzeitige Behandlung entscheidend sind, um irreversiblen Sehverlust zu vermeiden (WHO, Blindness and vision impairment). Der europäische Leitfaden der WHO definiert das Ziel des Screenings als Verringerung des Risikos von Sehbehinderung und Blindheit bei Menschen mit Diabetes ohne Sehsymptome, durch die Erkennung und Behandlung der Retinopathie, die das Sehen bedroht (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020).

Die Kontrolle von Blutzucker, Blutdruck und Blutfetten bleibt Teil der Versorgung, und was sich an den allgemeinen Empfehlungen zu Diabetes geändert hat, ist in ADA 2026: was sich beim Diabetes geändert hat zusammengefasst. Hier liegt der Fokus woanders: wer auf die Netzhaut schaut, und wie.

Der Engpass beim Spezialisten

Die traditionelle Untersuchung hängt von jemandem ab, der geschult ist, den Augenhintergrund zu untersuchen oder zu fotografieren und den Befund zu interpretieren. Der Leitfaden der WHO zitiert eine systematische Übersicht, in der die Sensitivität der direkten Ophthalmoskopie durch Hausärzte zwischen 25 und 66 Prozent lag, gegenüber 43 bis 79 Prozent bei Ophthalmologen (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020). Wo die Ressourcen es erlauben, nennt derselbe Leitfaden die digitale Retinafotografie als bevorzugte Methode, da sie Bilder in einer Qualität erzeugt, die gespeichert und auditiert werden können.

Auch die Teilnahme an der Untersuchung ist gering. Leong und Mitarbeiter berichten, dass in den Vereinigten Staaten die Teilnahme an den Empfehlungen zur Augenuntersuchung bei Menschen mit Diabetes in einigen Studien nur 20 Prozent erreicht (Leong et al., 2026).

Was die WHO von einem Screening-Programm erwartet

Der europäische Leitfaden von 2020 wendet auf die diabetische Retinopathie die zehn Screening-Prinzipien von Wilson und Jungner an, die die WHO 1968 veröffentlicht hat (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020).

Der Leitfaden stellt fest, dass ein wirksames Screening einen ganzen Ablauf erfordert und nicht nur einen Test (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020). Dieser Ablauf reicht von der Identifizierung der Bevölkerung über die Einladung, den Test, die Überweisung der positiven Fälle, die diagnostische Bestätigung und die Behandlung bis zur Erfassung der Ergebnisse. Der allgemeine Leitfaden der WHO zu Screening-Programmen wiederholt diese Logik: Die positiven Fälle werden überwiesen, die falsch positiven werden in der Diagnosephase erkannt, und die Ergebnisse werden ausgewertet, um falsch negative zu erkennen (WHO Europa, Leitfaden zu Screening-Programmen, 2020).

Überweisungsschwelle und Intervall

Der Grad der Retinopathie, ab dem der Patient überwiesen wird, heißt Überweisungsschwelle, und er kann von Land zu Land unterschiedlich sein (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020). Eine niedrige Schwelle, etwa die leichte nicht proliferative Retinopathie, kann die Dienste überlasten; eine hohe Schwelle, etwa die schwere nicht proliferative Retinopathie, riskiert, die Erkennung einer fortgeschrittenen Erkrankung zu verzögern.

Was das Intervall betrifft, so kommen die meisten von der WHO zitierten Studien zu dem Schluss, dass das Screening alle ein bis zwei Jahre wiederholt werden sollte (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020).

Abdeckung als Indikator

Das Programm in England hat 2018 und 2019 2.847.149 Menschen mit Diabetes gescreent, mit einer Abdeckung von 83 Prozent, so der Leitfaden (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020). Dasselbe Dokument berichtet, dass die diabetische Retinopathie nach sieben Jahren Screening nicht mehr die häufigste Erblindungsursache in der englischen Bevölkerung im erwerbsfähigen Alter war.

Vom Algorithmus zur autonomen Diagnose

Die Studie von 2016

Die Arbeit von Gulshan und Mitarbeitern, 2016 veröffentlicht, trainierte ein neuronales Netz mit 128.175 Retinafotografien, die von 54 Ophthalmologen und Assistenzärzten im letzten Jahr drei- bis siebenmal beurteilt worden waren (Gulshan et al., 2016). Ziel war die überweisungswürdige diabetische Retinopathie, definiert als moderate oder schwerere Retinopathie, überweisungswürdiges Makulaödem oder beides. Für die Validierung wurden zwei Datensätze verwendet: 9.963 Bilder von 4.997 Patienten aus Screening-Diensten der Vereinigten Staaten und 1.748 Bilder von 874 Patienten aus drei Krankenhäusern in Frankreich.

Der Algorithmus wurde an zwei Schwellenwerten bewertet. Am für hohe Spezifität gewählten Punkt lag die Sensitivität im ersten Datensatz bei 90,3 Prozent und die Spezifität bei 98,1 Prozent (Gulshan et al., 2016). Am für hohe Sensitivität gewählten Punkt stieg die Sensitivität auf 97,5 Prozent und die Spezifität sank auf 93,4 Prozent (Gulshan et al., 2016). Die Autoren erklären, dass sie den zweiten Punkt mit einer Sensitivität von 97 Prozent im Entwicklungsdatensatz wählten, weil eine hohe Sensitivität Voraussetzung für ein Screening-Werkzeug ist (Gulshan et al., 2016).

Die Studie war retrospektiv, und als Referenz diente die Entscheidung der Mehrheit der Ophthalmologen, die die Bilder beurteilt hatten. Die Autoren schließen, dass noch zu klären war, ob der Algorithmus in der klinischen Praxis funktionieren und die Versorgung verbessern würde (Gulshan et al., 2016).

Die pivotalen Studie von 2018

Die prospektive Antwort kam mit der Studie von Abràmoff und Mitarbeitern. Zwischen Januar und Juli 2017 wurden 900 Menschen mit Diabetes und ohne Vorgeschichte einer Retinopathie in zehn Einrichtungen der Primärversorgung in den Vereinigten Staaten eingeschlossen (Abràmoff et al., 2018). Die Kamera wurde vom bereits in den Einrichtungen vorhandenen Team nach einer standardisierten Schulung bedient, und die Referenz war anspruchsvoll: stereoskopische Weitwinkelaufnahmen und optische Kohärenztomografie der Makula, erstellt von zertifizierten Fotografen und bewertet von einem unabhängigen Auswertungszentrum.

Das Ziel war eine mehr als leichte Retinopathie, definiert als Stufe 35 oder höher auf der Skala der ETDRS-Studie, Makulaödem oder beides an mindestens einem Auge (Abràmoff et al., 2018). Von den 900 Teilnehmenden konnten 819 vollständig analysiert werden, und 198 von ihnen, also 23,8 Prozent, hatten diesen Schweregrad der Erkrankung (Abràmoff et al., 2018).

Das System übertraf die drei vor der Studie festgelegten Ziele: Sensitivität von 87,2 Prozent, über dem Ziel von 85 Prozent; Spezifität von 90,7 Prozent, über dem Ziel von 82,5 Prozent; und Anteil auswertbarer Bilder von 96,1 Prozent (Abràmoff et al., 2018). Um zu einem Ergebnis zu kommen, benötigten 23,6 Prozent der Teilnehmenden eine Pupillenerweiterung (Abràmoff et al., 2018). Auf Grundlage dieser Daten genehmigte die US-Regulierungsbehörde die Nutzung des Systems durch Gesundheitsfachkräfte und machte es damit zum ersten autonomen KI-Diagnosesystem, das in irgendeinem Bereich der Medizin zugelassen wurde.

Sensitivität und Spezifität beim Screening

Der Leitfaden der WHO definiert Sensitivität als die Fähigkeit des Tests, die Krankheit zu erkennen, wenn sie vorhanden ist, und Spezifität als die Fähigkeit anzuzeigen, dass nichts falsch ist, wenn die Krankheit fehlt (WHO Europa, Leitfaden zum Screening der diabetischen Retinopathie, 2020).

Beim Screening haben die beiden Fehler unterschiedliche Folgen. Der Leitfaden der WHO für Screeningprogramme erinnert daran, dass sich die Ergebnisse gesunder und kranker Menschen immer überschneiden, sodass einige gesunde Menschen ein positives Ergebnis erhalten, die falsch Positiven, und einige kranke Menschen ein negatives Ergebnis, die falsch Negativen (WHO Europa, Leitfaden für Screeningprogramme, 2020). Der falsch Negative schickt jemanden, der eine Behandlung brauchte, in das Routineintervall zurück; der falsch Positive belegt einen Termin bei der Fachperson und erzeugt Angst.

Derselbe Algorithmus, zwei Schwellenwerte

Die Studie von 2016 zeigt, dass Sensitivität und Spezifität keine festen Eigenschaften des Algorithmus sind. Durch Ändern des Schwellenwerts wechselte dasselbe Modell von 90,3 Prozent Sensitivität bei 98,1 Prozent Spezifität zu 97,5 Prozent Sensitivität bei 93,4 Prozent Spezifität (Gulshan et al., 2016). Wer das System einführt, entscheidet, wo er bei diesem Tausch stehen will, und das Screening bevorzugt meist die Sensitivität.

Prävalenz und prädiktiver Wert

Die Prävalenz verändert die Lesart des Ergebnisses. Bei etwa 8 Prozent überweisungsbedürftiger Retinopathie auf den Bildern hatte der Algorithmus von Gulshan einen negativen prädiktiven Wert von 99,8 Prozent im amerikanischen Datensatz (Gulshan et al., 2016). Die Logik ist dieselbe wie bei jedem Screeningtest, bei dem das Ergebnis im Licht der Vortestwahrscheinlichkeit gelesen werden muss, wie im Text über AUDIT, CAGE und ASSIST als Vortestwahrscheinlichkeit.

Eine illustrative Rechnung hilft. Wendet man die Sensitivität von 87,2 Prozent und die Spezifität von 90,7 Prozent der pivotalen Studie auf die darin beobachtete Prävalenz von 23,8 Prozent an (Abràmoff et al., 2018), hätten von je tausend gescreenten Personen etwa 238 die Krankheit: ungefähr 208 würden erkannt und 30 erhielten ein negatives Ergebnis. Von den 762 ohne die Krankheit würden etwa 71 unnötig überwiesen.

Bilder, die das System nicht lesen kann

Es gibt ein drittes Ergebnis neben positiv und negativ: das Bild ohne ausreichende Qualität. In der pivotalen Studie hatten unter den 33 Teilnehmenden, deren Bilder das System als unzureichend einstufte, 30 Prozent eine mehr als leichte Retinopathie, ein Anteil vergleichbar mit dem der übrigen Stichprobe (Abràmoff et al., 2018). Diese Gruppe kann nicht einfach mit der Anweisung nach Hause geschickt werden, die Untersuchung in einem Jahr zu wiederholen.

Gulshan und Mitarbeiter untersuchten den Effekt, ein nicht graduierbares Bild als Überweisungsgrund zu zählen. In diesem Szenario lag die Sensitivität am Punkt hoher Sensitivität bei 96,7 Prozent und die Spezifität fiel auf 84,0 Prozent (Gulshan et al., 2016). In der von Leong und Mitarbeitern beschriebenen Praxis erfolgte die Überweisung sowohl nach einem positiven Ergebnis als auch nach einem nicht diagnostischen Ergebnis (Leong et al., 2026).

Vergleich der wichtigsten Leistungsstudien

Studie	Design und Ort	Ziel	Hauptergebnis
Gulshan 2016	Retrospektiv; Bilder aus den Vereinigten Staaten und Frankreich	Überweisungswürdige Retinopathie	Sensitivität von 97,5 und Spezifität von 93,4 Prozent am Screening-Punkt
Abràmoff 2018	Prospektiv; 10 Einrichtungen der Primärversorgung in den Vereinigten Staaten	Retinopathie stärker als leicht	Sensitivität von 87,2 und Spezifität von 90,7 Prozent; auswertbare Bilder bei 96,1 Prozent
Ipp 2021	Prospektiv; 15 Zentren in den Vereinigten Staaten, pro Auge	Retinopathie stärker als leicht	Sensitivität von 95,5 und Spezifität von 85,0 Prozent ohne Weitstellung
Lee 2021	Retrospektiv; sieben Algorithmen an Bildern von Veteranen	Überweisungswürdige Retinopathie	Sensitivitäten von 50,98 bis 85,90 Prozent zwischen den Algorithmen

Die Zahlen der Tabelle stammen aus Gulshan et al., 2016, Abràmoff et al., 2018, Ipp et al., 2021 und Lee et al., 2021. Die Referenzen, die Populationen und die Analyseeinheiten unterscheiden sich, deshalb dient die Tabelle der Orientierung, erlaubt aber nicht, Systeme zu addieren oder zu rangieren.

Leistung außerhalb der Originalstudie

Die zweite pivotal Studie eines autonomen Systems, veröffentlicht von Ipp und Mitarbeitern, umfasste 942 Erwachsene mit Diabetes in 15 Zentren der Vereinigten Staaten zwischen April 2017 und Mai 2018 (Ipp et al., 2021). Die Zentren waren sechs der Primärversorgung, sechs der allgemeinen Augenheilkunde und drei der Netzhaut. Die Analyse erfolgte pro Auge und nicht pro Person, was einen direkten Vergleich der Zahlen mit denen der Studie von 2018 verhindert.

Bei nicht weitgestellten Pupillen lag die Sensitivität für Retinopathie stärker als leicht bei 95,5 Prozent und die Spezifität bei 85,0 Prozent; für visusbedrohende Retinopathie bei 95,1 und 89,0 Prozent (Ipp et al., 2021). Das System konnte 87,4 Prozent der Augen ohne Weitstellung graduieren und 97,4 Prozent, wenn Augen mit unzureichenden Bildern weitgestellt wurden (Ipp et al., 2021).

Sieben Algorithmen, dieselben Patienten

Eine Studie von Lee und Mitarbeitern testete sieben Algorithmen von fünf Unternehmen, einer davon mit Zulassung der amerikanischen Behörde, an 311.604 Bildern von 23.724 Veteranen, die zwischen 2006 und 2018 in zwei Gesundheitssystemen der Vereinigten Staaten gescreent wurden (Lee et al., 2021).

Die negativen Vorhersagewerte waren hoch, von 82,72 bis 93,69 Prozent, aber die Sensitivitäten schwankten stark, von 50,98 bis 85,90 Prozent (Lee et al., 2021). Die meisten Algorithmen übertrafen die menschlichen Befunder nicht, und einer von ihnen hatte eine Sensitivität von 74,42 Prozent für die proliferative Retinopathie, weniger als die Befunder des Dienstes (Lee et al., 2021). Die Autoren schließen, dass jeder Algorithmus vor dem Eintritt in die klinische Praxis strengen Tests mit Daten aus der realen Welt unterzogen werden sollte.

Was die Einrichtungen berichten, die sie eingeführt haben

Die Übersichtsarbeit von Teng und Mitarbeitern führte die Literatur und Interviews mit Ophthalmologen zusammen, die die Einführung in akademischen Gesundheitssystemen leiteten (Teng et al., 2026). Die Einrichtungen, die die Systeme eingeführt haben, berichteten graduierbare Bilder ohne Weitstellung bei 49 bis 75 Prozent der Untersuchungen, Sensitivität von 87 bis 100 Prozent und Spezifität von 60 bis 91 Prozent (Teng et al., 2026).

Die Streuung ist zu erwarten, wenn die Kamera ein kontrolliertes Protokoll verlässt und in eine Einrichtung mit anderem Team und anderer Population gelangt, ein Problem, das auch in KI in der Nephrologie und in KI im Ultraschall diskutiert wird.

Was mit der Überweisung geschieht

Ein positives Ergebnis schützt das Sehen nur, wenn der Patient zum Spezialisten gelangt und behandelt wird. Der Leitfaden der WHO verlangt, dass mit den Berufsverbänden festgelegte Überweisungswege bestehen, dass positive Fälle zügig beurteilt werden und dass die Zeit zwischen Überweisung und Behandlung vereinbart und überwacht wird (WHO Europa, Leitfaden zum Screening der diabetischen Retinopathie, 2020).

Die Studie mit jungen Menschen

Die ACCESS-Studie von Wolf und Mitarbeitenden randomisierte junge Menschen im Alter von 8 bis 21 Jahren mit Typ-1- oder Typ-2-Diabetes in einem akademischen Zentrum für pädiatrische Diabetes (Wolf et al., 2024). Die Interventionsgruppe erhielt die autonome KI-Untersuchung direkt im eigenen Termin; die Kontrollgruppe erhielt eine standardisierte Beratung und eine Überweisung an eine Fachkraft für Augenpflege.

Der primäre Endpunkt war die Durchführung der Augenuntersuchung innerhalb von sechs Monaten: 100 Prozent in der Interventionsgruppe mit 81 Teilnehmenden gegenüber 22 Prozent in der Kontrollgruppe mit 83 (Wolf et al., 2024). In der Interventionsgruppe hatten 25 Teilnehmende ein auffälliges Ergebnis, und 16 von ihnen, also 64 Prozent, gingen innerhalb von sechs Monaten zu einer Fachkraft für Augenpflege (Wolf et al., 2024). In der Kontrollgruppe gingen 18 Teilnehmende zu dieser Fachkraft, 22 Prozent der Gruppe, und bei keinem lag eine diabetische Augenerkrankung vor (Wolf et al., 2024).

Das Ergebnis zeigt beide Seiten der Überweisung. Die KI schloss die Lücke bei der Untersuchung, aber einer von drei jungen Menschen mit auffälligem Ergebnis erreichte die Fachperson noch nicht innerhalb des Studienzeitraums (Wolf et al., 2024).

Wer die Fachperson erreicht

Leong und Mitarbeitende prüften die Krankenakten von 3.745 Erwachsenen mit Diabetes, die zwischen August 2020 und September 2022 aus der Primärversorgung eines Gesundheitssystems in Baltimore an ein augenärztliches Zentrum der Tertiärversorgung überwiesen wurden (Leong et al., 2026). 3.352 Patientinnen und Patienten kamen über die übliche Überweisung und 393 über den KI-Pfad, bei dem die Überweisung nach einem positiven Ergebnis erfolgte, definiert als Stufe 35 oder höher auf der ETDRS-Skala oder Makulaödem, oder nach einem nicht diagnostischen Ergebnis.

Nach Gewichtung nach Propensity-Score und Adjustierung für soziale und klinische Faktoren hatten die Patientinnen und Patienten im KI-Pfad eine höhere Wahrscheinlichkeit, afroamerikanisch zu sein, mit einer Odds Ratio von 1,15 und einem 95-Prozent-Konfidenzintervall zwischen 1,02 und 1,29 (Leong et al., 2026). Bei der Deckung durch das öffentliche Versicherungsprogramm Medicaid gab es keinen signifikanten Unterschied. Die Autoren stufen die Analyse als explorativ ein und erklären, dass sie keine kausale Schlussfolgerung zulässt.

Überweisen ist nicht das Ende

Die folgenden Punkte fassen zusammen, was die Quellen nach einem positiven Ergebnis als notwendig beschreiben:

• Einen mit den Fachpersonen abgestimmten Überweisungsweg und eine überwachte Frist zwischen Überweisung und Behandlung haben (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020).
• Ein nicht diagnostisches Ergebnis als Grund für eine Überweisung oder einen neuen Versuch behandeln und nicht als normale Untersuchung (Leong et al., 2026).
• Das Werkzeug am Ablauf der Praxis ausrichten, den Kontakt mit den Patientinnen und Patienten und die Überweisungen erleichtern und das Team fortlaufend schulen (Teng et al., 2026).
• Auch das negative Ergebnis der Patientin oder dem Patienten und der Ärztin oder dem Arzt mitteilen und die Kontrolle von Blutzucker, Blutdruck und Lipiden überprüfen, wenn eine leichte Retinopathie unterhalb der Schwelle vorliegt (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020).

Wenn das Ziel nicht erreicht wird und das Vorgehen gleich bleibt, ist nicht mehr der Test das Problem, sondern das System, ein Thema, das unter klinische Trägheit diskutiert wird.

Grenzen und Vorsicht

Die Artikel selbst benennen, was die autonome Diagnose noch nicht löst. Der Algorithmus wurde für Retinopathie und Makulaödem trainiert, kann andere Erkrankungen der Netzhaut übersehen und ersetzt nicht die vollständige augenärztliche Untersuchung (Gulshan et al., 2016). In der pivotalen Studie von 2018 hatten alle Teilnehmenden keine frühere Retinopathie, deshalb gilt das Ergebnis für das Screening und nicht für die Verlaufskontrolle von Menschen, die die Erkrankung bereits haben (Abràmoff et al., 2018).

Die pivotalen Studien wurden von den Herstellern finanziert oder unter deren Beteiligung durchgeführt, eine von den Autoren angegebene Information (Abràmoff et al., 2018; Ipp et al., 2021). Die Studie von Lee zeigt, dass die Leistung zwischen den Produkten variiert (Lee et al., 2021), und die von Teng, dass die Rate auswertbarer Bilder ohne Weitstellung deutlich unter der in den Validierungsstudien beobachteten liegen kann (Teng et al., 2026).

Wo die WHO die Technologie sieht

Der europäische Leitfaden der WHO behandelt KI als eine aufkommende Technologie, die die Erfassung und Auswertung von Bildern verbessern kann (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020). Das Dokument beschreibt konkrete Erfahrungen: In Schottland liest ein automatisches System seit 2012 alle Bilder und stuft etwa 40 Prozent der Patienten als geringes Risiko ein, die ohne zusätzliche Auswertung zum Routineintervall zurückkehren (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020). In Armenien beschreibt der Leitfaden Netzhautkameras mit KI, die von technischem Personal bedient werden, ohne dass vor Ort ein Augenarzt nötig ist.

Wer sich mit dem Thema befasst, sollte diese Art von KI, die Bilder mit einem festgelegten Ziel klassifiziert und gegen eine Referenz validiert wurde, von den Sprachmodellen unterscheiden, die als Unterstützung bei der Diagnose eingesetzt werden und unter künstliche Intelligenz im klinischen Denken erörtert werden. Einen Test auszuwählen und zu entscheiden, was mit dem Ergebnis geschieht, folgt der Logik, die unter klinische Entscheidungsfindung beschrieben ist.

Zurück zum Fall

Der Mann vom Anfang erhielt ein positives Ergebnis für mehr als leichte Retinopathie. In den Daten der Zulassungsstudie erkennt ein System mit dieser Leistung die meisten positiven Fälle richtig, aber ein Teil davon wird falsch positiv sein, und die Bestätigung obliegt dem Spezialisten (Abràmoff et al., 2018). Der Wert der Untersuchung hängt nun davon ab, was die Einrichtung tut: den Termin vereinbaren, verfolgen, ob er stattgefunden hat, und die bestätigte Diagnose erfassen.

Wäre das Ergebnis negativ, würde er zum Screeningintervall des Programms zurückkehren, das in den meisten von der WHO zitierten Studien ein bis zwei Jahre beträgt (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020).

Wie NEXO hilft, dieses Denken zu trainieren

Bei NEXO ist der Fall des Tages fiktiv, mit realer klinischer Präsentation und bis zu sechs aufeinander aufbauenden Hinweisen, und Sie stellen die Diagnose, indem Sie den ICD-10-Code suchen. Ein Screeningergebnis zu lesen erfordert dieselbe Übung: die Wahrscheinlichkeit vor dem Test berücksichtigen, abwägen, was jeder neue Befund hinzufügt, und die Hypothese überprüfen, wie beim Training der Differenzialdiagnose mit Hinweisen.

Die Grenzen der Nutzung des Spiels sind auf der Seite Wirtschaft von NEXO beschrieben. Wenn Sie die Vermittlung klinischen Denkens erforschen, erklärt die Seite für Researcher, wie Sie Kontakt aufnehmen. Fachleute, die Fälle schreiben oder überprüfen, finden Informationen unter Curator und unter Creators, und Institutionen können das Angebot auf der Seite für Partnerschaften kennenlernen. Die Suche nach dem richtigen ICD-10-Code vervollständigt dieses Training.

Häufige Fragen

Was bedeutet autonome Diagnose durch KI?

Es bedeutet, dass das System das Ergebnis liefert, ohne dass ein Arzt die Bilder liest. In der Zulassungsstudie wurde die Kamera vom Team der Primärversorgung bedient, und das Ergebnis gab an, ob eine mehr als leichte Retinopathie vorlag, die eine Beurteilung durch eine Fachkraft für Augenpflege erforderte (Abràmoff et al., 2018).

Ersetzt das System den Augenarzt?

Es ersetzt die Auswertung des Screeningbildes, nicht die vollständige augenärztliche Untersuchung und nicht die Behandlung. Die Autoren der Studie von 2016 stellen fest, dass der Algorithmus keine Läsionen erkennt, für die er nicht trainiert wurde, und die vollständige Untersuchung nicht ersetzt (Gulshan et al., 2016).

Warum ist die Sensitivität beim Screening wichtiger?

Weil ein falsch negatives Ergebnis eine Person in die Routine zurückführt, die eine Behandlung brauchte. Gulshan und Mitarbeiter wählten gerade deshalb einen Grenzwert hoher Sensitivität, weil sie diese als Voraussetzung eines Screeninginstruments betrachteten (Gulshan et al., 2016).

Erhöht KI die Chance, dass der Patient zum Spezialisten gelangt?

In einer Studie mit Jugendlichen gingen 64 Prozent derjenigen mit auffälligem Ergebnis innerhalb von sechs Monaten zu einer Fachkraft für Augenpflege (Wolf et al., 2024). Bei Erwachsenen war die Analyse von Leong und Mitarbeitern explorativ und erlaubt keine kausale Schlussfolgerung (Leong et al., 2026).

Take-home messages

• Bedenken Sie, dass die WHO das Screening auf Retinopathie als einen Weg mit Überweisung, Bestätigung und Behandlung betrachtet und nicht als isolierten Test (WHO Europa, Leitfaden zum Screening auf diabetische Retinopathie, 2020).
• Lesen Sie Sensitivität und Spezifität zusammen mit dem Grenzwert und der Prävalenz: Derselbe Algorithmus wechselte von 90,3 auf 97,5 Prozent Sensitivität, als der Grenzwert geändert wurde (Gulshan et al., 2016).
• Berücksichtigen Sie, dass das erste autonome System bei Personen ohne Vorgeschichte einer Retinopathie in der Primärversorgung gegen eine unabhängige Referenz validiert wurde (Abràmoff et al., 2018).
• Behandeln Sie ein unzureichendes Bild als ein Ergebnis, das Handeln erfordert, mit Dilatation, einem neuen Versuch oder einer Überweisung (Leong et al., 2026).
• Verfolgen Sie die Überweisung: Selbst mit KI in der Versorgung erreichte ein Teil der Jugendlichen mit auffälligem Ergebnis innerhalb von sechs Monaten keinen Spezialisten (Wolf et al., 2024).
• Verlangen Sie Daten aus der realen Welt, bevor Sie ein System einführen, denn die Leistung unterscheidet sich zwischen den Produkten (Lee et al., 2021).

Literaturverzeichnis

1. World Health Organization. Diabetes. Nota descritiva. [Volltext](https://www.who.int/news-room/fact-sheets/detail/diabetes).
2. World Health Organization. Blindness and vision impairment. Nota descritiva. [Volltext](https://www.who.int/news-room/fact-sheets/detail/blindness-and-visual-impairment).
3. WHO Regional Office for Europe. Diabetic retinopathy screening: a short guide. Increase effectiveness, maximize benefits and minimize harm. Copenhagen: WHO Regional Office for Europe; 2020. [Volltext](https://iris.who.int/handle/10665/336660).
4. WHO Regional Office for Europe. Screening programmes: a short guide. Increase effectiveness, maximize benefits and minimize harm. Copenhagen: WHO Regional Office for Europe; 2020. [Volltext](https://iris.who.int/handle/10665/330829).
5. Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402-10. [PMID 27898976](https://pubmed.ncbi.nlm.nih.gov/27898976/). DOI 10.1001/jama.2016.17216.
6. Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;1:39. [PMID 31304320](https://pubmed.ncbi.nlm.nih.gov/31304320/). DOI 10.1038/s41746-018-0040-6.
7. Ipp E, Liljenquist D, Bode B, et al. Pivotal evaluation of an artificial intelligence system for autonomous detection of referrable and vision-threatening diabetic retinopathy. JAMA Netw Open. 2021;4(11):e2134254. [PMID 34779843](https://pubmed.ncbi.nlm.nih.gov/34779843/). DOI 10.1001/jamanetworkopen.2021.34254.
8. Lee AY, Yanagihara RT, Lee CS, et al. Multicenter, head-to-head, real-world validation study of seven automated artificial intelligence diabetic retinopathy screening systems. Diabetes Care. 2021;44(5):1168-75. [PMID 33402366](https://pubmed.ncbi.nlm.nih.gov/33402366/). DOI 10.2337/dc20-1877.
9. Teng CW, Patel SD, Barkmeier AJ, et al. Autonomous artificial intelligence in diabetic retinopathy testing: lessons learned on successful health system adoption. Ophthalmol Sci. 2026;6(1):100935. [PMID 41140908](https://pubmed.ncbi.nlm.nih.gov/41140908/). DOI 10.1016/j.xops.2025.100935.
10. Wolf RM, Channa R, Liu TYA, et al. Autonomous artificial intelligence increases screening and follow-up for diabetic retinopathy in youth: the ACCESS randomized control trial. Nat Commun. 2024;15(1):421. [PMID 38212308](https://pubmed.ncbi.nlm.nih.gov/38212308/). DOI 10.1038/s41467-023-44676-z.
11. Leong A, Wolf RM, Channa R, et al. Autonomous AI-assisted diabetic retinopathy screening at primary care is associated with increased presentation to eye care by at risk patients. NPJ Digit Med. 2026;9(1):310. [PMID 41781569](https://pubmed.ncbi.nlm.nih.gov/41781569/). DOI 10.1038/s41746-026-02460-5.