In einem fiktiven Fall kommt eine 74-jährige Frau mit Schwäche auf der rechten Körperseite und Sprachschwierigkeiten in die Notaufnahme, die vor anderthalb Stunden begonnen haben. Die native Computertomografie zeigt keine Blutung, und anschließend wird eine CT-Angiografie durchgeführt. Bevor der Radiologe die Bilder öffnet, vibriert das Handy des Teams: Die Software für künstliche Intelligenz (KI) des Krankenhauses hat keinen Verschluss eines großen Gefäßes gefunden. Der diensthabende Neurologe blickt auf die Patientin, die weiterhin keine Gegenstände benennen kann, und auf den stillen Alarm.

Programme, die die CT-Angiografie auslesen und das Team benachrichtigen, wenn sie einen Verschluss eines großen Gefäßes vermuten, gehören in vielen Stroke Units bereits zum Alltag. Sie sollen Minuten gewinnen, und es gibt gute Daten, dass sie das tun. Sie irren sich auch, und der Fehler, der am meisten beunruhigt, ist das Schweigen angesichts eines echten Verschlusses.

Die wichtigsten Punkte

• In einer Metaanalyse zur Genauigkeit hatte die KI eine gepoolte Sensitivität von 87 Prozent und eine Spezifität von 95 Prozent für den Verschluss eines großen Gefäßes in der CT-Angiografie (Susanti et al., 2026).
• Die Leistung sank bei Verschlüssen des M2-Segments der Arteria cerebri media und war in der hinteren Zirkulation schwach, so dieselbe Übersichtsarbeit.
• In einer cluster-randomisierten Studie an vier Zentren verkürzte die Software die Zeit zwischen Ankunft und Punktion der Leiste um 11,2 Minuten (Martinez-Gutierrez et al., 2023).
• Die Wirkung auf die funktionelle Unabhängigkeit nach 90 Tagen war in dieser Studie nicht schlüssig, und eine Metaanalyse von Vorher-nachher-Studien fand ebenfalls keinen Unterschied bei klinischen Endpunkten.
• In einem australischen Zentrum hatten erfahrene menschliche Befunder eine höhere Sensitivität als die Software, und das negative Ergebnis des Programms reichte nicht aus, um den Verschluss auszuschließen (Slater et al., 2024).

• Was die KI in der CT beim Schlaganfall sucht
• Wie oft die KI richtig liegt: was die Metaanalysen sagen
• Wo die KI irrt: das falsch-negative Ergebnis
• KI gegen menschliche Befunder
• Die Wirkung auf die Zeit bis zur Thrombektomie
• Im Krankenhausverbund: Verlegung und Telemedizin
• Wie man den Alarm nutzt, ohne von ihm benutzt zu werden
• Wie NEXO hilft, dieses Denken zu trainieren
• Häufige Fragen
• Take-home messages

Was die KI in der CT beim Schlaganfall sucht

Beim ischämischen Schlaganfall ist ein Verschluss eines großen Gefäßes die Blockade einer proximalen Arterie, etwa der intrakraniellen Arteria carotis interna, des M1-Segments der Arteria cerebri media oder der Arteria basilaris. Bei dieser Art von Schlaganfall hat die mechanische Thrombektomie am meisten zu bieten, und jede Minute Verzögerung wiegt schwer. Deshalb ist die Frage, die das Team angesichts der CT-Angiografie stellt, einfach und dringend: Ist eine große Arterie verschlossen?

Programme zur automatischen Erkennung versuchen, diese Frage zu beantworten, bevor ein Spezialist verfügbar ist. In der Regel erhalten sie die Bilder, sobald sie den Tomografen verlassen, und schicken einen Alarm auf das Handy des Schlaganfallteams. Einige vergleichen die Dichte der Gefäße zwischen den beiden Hemisphären; andere nutzen Deep-Learning-Netzwerke, die mit Tausenden von Untersuchungen trainiert wurden (Ha et al., 2026).

Es gibt auch Algorithmen, die den Verschluss in der nativen Computertomografie suchen, ohne auf die CT-Angiografie zu warten. Die Idee ist nützlich in Krankenhäusern, in denen die CT-Angiografie lange dauert oder nachts nicht verfügbar ist, und wird weiter unten behandelt.

Der Alarm ist eine Triagierung, kein Befund

Der Ausgangspunkt für die Lektüre jeder Studie über diese Programme ist, dass sie als Werkzeug für Triagierung und Kommunikation konzipiert wurden. Ein positiver Alarm dient dazu, das Team zu rufen und die Befundung zu priorisieren. Ein negativer Alarm oder das Ausbleiben eines Alarms sollte viel weniger Gewicht haben, denn keines dieser Programme wurde als Test zum Ausschluss des Verschlusses validiert. Wer das Ausbleiben eines Alarms als normalen Befund behandelt, macht aus einem Werkzeug für Geschwindigkeit eine Quelle der Verzögerung.

Wie sich dieses Thema von den benachbarten Beiträgen unterscheidet

Der Beitrag über Schlaganfall-Imitatoren behandelt das akute Defizit ohne vaskuläre Ursache, etwa epileptischen Anfall, Hypoglykämie oder Migräne mit Aura. Der Text über leichtes Schädel-Hirn-Trauma erörtert, wer nach einem Schlag auf den Kopf eine Computertomografie braucht. Hier ist die Frage eine andere: Der Patient liegt bereits mit Verdacht auf ischämischen Schlaganfall im Tomografen, und ein Programm versucht zu sagen, ob eine große Arterie verschlossen ist.

Wie oft die KI richtig liegt: was die Metaanalysen sagen

Die systematische Übersichtsarbeit und Metaanalyse von Susanti und Kollegen umfasste 11 Artikel mit 10 937 Patienten zur KI in der CT-Angiografie (Susanti et al., 2026). Die gepoolte Sensitivität betrug 0,87 mit einem 95-Prozent-Konfidenzintervall von 0,76 bis 0,93, die Spezifität 0,95 mit einem Intervall von 0,91 bis 0,97 (Susanti et al., 2026). Die Heterogenität zwischen den Studien war bei mehreren Maßen sehr hoch, das heißt, der Durchschnittswert verdeckt unterschiedliche Produkte, Populationen und Definitionen der Okklusion.

Eine Sensitivität von 0,87 bedeutet, dass nach der durchschnittlichen Schätzung von 100 Patienten mit bestätigter Okklusion eines großen Gefäßes etwa 13 von der Software nicht erkannt würden. In einer Abteilung, die monatlich viele Schlaganfälle behandelt, ist das nicht selten. Die Autoren selbst schließen, dass negative KI-Ergebnisse sorgfältig überprüft werden müssen, mit erneuter Durchsicht der Bilder und Beachtung des klinischen Bildes.

Was sich je nach Lage der Okklusion ändert

Dieselbe Übersichtsarbeit trennte die Leistung nach arteriellem Segment. Im Segment M1 der Arteria cerebri media lag die Sensitivität in den Studien, die diese Angabe machten, zwischen 0,87 und 0,93, und die gepoolte Fläche unter der Kurve betrug 0,913 (Susanti et al., 2026). Im weiter distal und dünner gelegenen Segment M2 lag die Sensitivität in vier Studien zwischen 0,30 und 0,86 (Susanti et al., 2026).

Die gepoolte Fläche unter der Kurve für M2 betrug 0,72 mit einem Intervall von 0,38 bis 1,06. Die Autoren bezeichneten dieses Ergebnis als statistisch signifikant, doch das Intervall enthält 0,5, einen Wert, der einem Test ohne Unterscheidungsfähigkeit entspricht, und ihre eigene Sensitivitätsanalyse zeigte, dass die Signifikanz nicht belastbar war: Sie verschwand beim Ausschluss von zwei Studien. In der Praxis ist die Leistung bei M2 unsicher. Die Autoren beschrieben zudem eine schwache Leistung bei Okklusionen der Arteria carotis interna vom Typ I und im hinteren Kreislauf.

Die Nativ-CT als erstes Signal

Zhou und Kollegen erstellten eine Netzwerk-Metaanalyse zu Algorithmen, die Okklusionen großer Gefäße des vorderen Kreislaufs in der Nativ-CT suchen (Zhou et al., 2026). Die zehn eingeschlossenen Studien waren alle retrospektive Validierungen mit 3632 Patienten. Die KI, die nur auf dem Bild basierte, hatte eine Sensitivität von 0,78 mit einem Glaubwürdigkeitsintervall von 0,68 bis 0,86 und eine Spezifität von 0,88.

Fachärztliche und nicht fachärztliche Leser hatten geringere Sensitivitäten von 0,62 und 0,60 bei ähnlicher Spezifität von etwa 0,86. Der Sensitivitätsunterschied zugunsten der KI gegenüber den Fachärzten betrug 0,16 mit einem Glaubwürdigkeitsintervall von 0,03 bis 0,29 (Zhou et al., 2026). Die Autoren stuften die Sicherheit dieser Evidenz als niedrig ein und erklären, dass sie keinen Effekt auf den Behandlungsablauf, die Reperfusion oder das funktionelle Ergebnis belegt. Für sie sollte die von KI gelesene Nativ-CT als Signal dienen, den Facharzt zu rufen oder die CT-Angiografie vorzuziehen, und nicht als Ersatz dafür noch als Test, um eine Okklusion auszuschließen.

Wo die KI irrt: der falsch negative Befund

Der falsch negative Befund ist der gefährlichste Fehler der Screening-Software, weil er still bleibt. Der falsch positive Befund wird von der Person, die die Bilder öffnet, in Minuten korrigiert; der falsch negative Befund kann die CT-Angiografie in der Warteschlange lassen, während der Patient Hirngewebe verliert.

Warum das Programm etwas übersieht

Ha und Kollegen verglichen in einem koreanischen Zentrum zwei kommerzielle Programme bei 176 aufeinanderfolgenden Patienten mit Verdacht auf Schlaganfall, die eine CT-Angiografie und eine Perfusion erhielten (Ha et al., 2026). Die Okklusion eines großen Gefäßes wurde bei 53 Patienten bestätigt, und beide Programme hatten eine Fläche unter der Kurve von 0,93. Die Autoren überprüften die Fehler einzeln.

Die häufigste Ursache für einen falsch positiven Befund war eine schwere intrakranielle Stenose, die eine Okklusion vortäuscht. Die Hauptursache für einen falsch negativen Befund war ein gut ausgebildeter Kollateralkreislauf bei distalen Okklusionen, der den Abbruchpunkt des Gefäßes verdeckt. Als beide Programme auf dieselbe Sensitivität von 83 Prozent eingestellt wurden, hatte eines eine Spezifität von 0,96 und das andere von 0,89 (Ha et al., 2026). Die Wahl des Schwellenwerts verschiebt also das Gleichgewicht zwischen falschen Alarmen und übersehenen Okklusionen.

Was die für M1 zugelassene Software nicht sieht

Catapano und Kollegen analysierten 559 Patienten mit Verdacht auf Schlaganfall, deren Bilder eine Software zur Erkennung durchliefen, in einem Zentrum in den Vereinigten Staaten (Catapano et al., 2023). Laut den Autoren war die automatische Erkennung dieses Programms nur für den Verschluss des M1-Segments zugelassen, und deshalb wurden die anderen Verschlüsse von der Analyse ausgeschlossen. Für M1 lag die Sensitivität bei 71 Prozent und der positive prädiktive Wert bei 49 Prozent (Catapano et al., 2023).

Das Detail der eingeschränkten Zulassung ist in der Praxis sehr wichtig. Wenn das Programm nur für M1 gemacht wurde, sagt das Fehlen eines Alarms nichts über einen Verschluss der Karotis, der M2 oder der Basilaris aus. Die Autoren zeigten außerdem, dass die Ergänzung des Alarms um zwei einfache klinische und bildgebende Zeichen, die Blickabweichung und das Zeichen der hyperdensen Arterie, die Spezifität und den positiven prädiktiven Wert für M1 erhöhte.

Der hintere Kreislauf

Der Verschluss der Arteria basilaris ist selten, schwerwiegend und schwer zu erkennen, weil die Symptome schwankend sein oder wie etwas anderes wirken können. Brito und Kollegen testeten einen Algorithmus des tiefen Lernens, der in der Nativ-Computertomografie nach Verschlüssen im hinteren Kreislauf sucht, bei 184 Patienten aus vier Einrichtungen in den Vereinigten Staaten und in Europa (Brito et al., 2026).

Die Software hatte eine Sensitivität von 55,4 Prozent und eine Spezifität von 80,9 Prozent, gegenüber einer Sensitivität von 27,4 Prozent und einer Spezifität von 91,8 Prozent des Neuroradiologen (Brito et al., 2026). Das Programm fand mehr Verschlüsse, irrte aber häufiger bei den Negativen, und ließ trotzdem fast die Hälfte der Verschlüsse durch. Die Studie war retrospektiv, die positiven Fälle wurden gesammelt, bis ein Ziel erreicht war, und ein Teil der Autoren arbeitet für das Softwareunternehmen, was die Autoren selbst angeben.

KI gegen menschliche Befunder

Der Vergleich mit dem Radiologen hängt davon ab, wer der Befunder ist, welcher Verschluss gesucht wird und welche Art von Untersuchung vorliegt. In der Nativ-Computertomografie, wie oben gezeigt, war die KI sensitiver als Fachleute; in der CT-Angiografie kann sich das Bild umkehren.

In einem australischen Zentrum waren die Befunder besser

Slater und Kollegen verglichen eine kommerzielle Software mit acht Befundern in einem Schlaganfallzentrum in Australien bei 500 Patienten mit Verdacht auf ischämischen Schlaganfall (Slater et al., 2024). Die Befunder waren ein Radiologe, fünf Neurologen und zwei Radiologieassistenten in Weiterbildung, und der Referenzstandard war die Diagnose eines Gremiums aus vier interventionellen Neuroradiologen.

Für den Verschluss eines großen Gefäßes lag die Sensitivität der Software bei 0,62 und die der Befunder zwischen 0,65 und 0,96. Als die Frage auch Verschlüsse mittlerer Gefäße einschloss, sank die Sensitivität der Software auf 0,39, während die der Befunder zwischen 0,62 und 0,94 lag (Slater et al., 2024). Alle Befunder hatten eine höhere Sensitivität als die Software. Das negative Likelihood-Verhältnis des Programms für den Verschluss eines großen Gefäßes lag bei 0,41, und die Autoren schlossen, dass es nicht ausreichte, um den Verschluss auszuschließen.

Was das für Sie bedeutet

Diese Vergleiche lehren, die Software als einen weiteren Test zu betrachten, mit eigener Sensitivität, Spezifität und eigenen Likelihood-Verhältnissen. Dieselbe Logik des Beitrags über die Wahrscheinlichkeit vor dem Test gilt hier: Bei einem Patienten mit Aphasie, dichter Hemiparese und Blickabweichung ist die Wahrscheinlichkeit eines Verschlusses eines großen Gefäßes schon vor jeder Bildgebung hoch. Ein negatives Ergebnis der Software mit einem negativen Likelihood-Verhältnis von 0,41 senkt diese Wahrscheinlichkeit, kann sie aber hoch genug lassen, um eine sofortige Befundung der Bilder zu verlangen.

Bei einem leichten und schwankenden Defizit ist die Grundrate von Verschlüssen niedriger, und ein positiver Alarm hat eine größere Chance, falsch zu sein.

Die Wirkung auf die Zeit bis zur Thrombektomie

Wenn die Software nicht besser ist als ein guter Befunder, ist der Grund für ihren Einsatz die Zeit: Der Alarm erreicht das Mobiltelefon des gesamten Teams gleichzeitig, während der Radiologe noch bei einer anderen Untersuchung sein kann und der Neurointerventionist außerhalb des Krankenhauses.

Die randomisierte Studie aus Houston

Martinez-Gutierrez und Kollegen führten eine randomisierte, clusterweise gestufte klinische Studie an vier umfassenden Schlaganfallzentren in der Region Houston in den Vereinigten Staaten durch (Martinez-Gutierrez et al., 2023). Bei diesem Design treten die Krankenhäuser zu ausgelosten Terminen in den Zeitraum mit der Software ein, und jedes Zentrum trägt Patienten vor und nach diesem Zeitpunkt bei. Die Software verband die automatische Auswertung der Angio-CT mit sicheren Gruppennachrichten über das Mobiltelefon.

Eingeschlossen wurden 243 mit Thrombektomie behandelte Patienten, die über die Notaufnahme kamen; aus anderen Krankenhäusern überwiesene Patienten blieben außen vor. Die mediane Zeit zwischen Ankunft und Leistenpunktion betrug vor der Software 100 Minuten. Mit der Software sank diese Zeit um 11,2 Minuten, mit einem 95-Prozent-Konfidenzintervall von 18,22 bis 4,2 Minuten Reduktion (Martinez-Gutierrez et al., 2023). Die Zeit zwischen Beginn der Tomographie und Beginn der Thrombektomie sank um 9,8 Minuten.

Und das Ergebnis für die Patienten?

In der explorativen Analyse lag der Anteil funktionell unabhängiger Patienten nach 90 Tagen vor der Software bei 32 Prozent und danach bei 42 Prozent (Martinez-Gutierrez et al., 2023). Nach Adjustierung betrug die Odds Ratio 1,3, mit einem Intervall von 0,42 bis 4,0. Da das Intervall die 1 einschließt, ist das Ergebnis nicht schlüssig: Die Studie war nicht groß genug, um zu beantworten, ob die gewonnenen Minuten das Leben der Patienten verändert haben.

Die Autoren erinnern an weitere Grenzen. Die vier Krankenhäuser gehörten zum selben Gesundheitssystem, mit derselben Patientenakte und denselben Protokollen, und einige Ärzte arbeiteten in mehr als einem Zentrum. In Einrichtungen mit Ausgangszeiten, die stark von 100 Minuten abweichen, kann der Effekt anders ausfallen.

Die Software hängt von denen ab, die sie nutzen

Eine spätere Analyse derselben Studie mit 101 Patienten maß, wie stark die Teams mit der Anwendung interagierten (Ebirim et al., 2026). Bei jedem Anstieg um eine Einheit im Verhältnis von Kommentaren zu Patienten sank die Zeit zwischen Ankunft und Punktion um 2,6 Minuten, mit einem Intervall von 0,13 bis 5,09 Minuten Reduktion. Die Zahl der aktiven Nutzer pro Patient hatte dagegen einen nicht schlüssigen Zusammenhang, mit einem Intervall, das die Null einschloss.

Der Gewinn hängt also davon ab, dass das Team innerhalb der Anwendung miteinander spricht, und nicht nur davon, sie zu installieren.

Was die Vorher-nachher-Studien sagen

Sarhan und Kollegen fassten in einer Meta-Analyse 12 Studien mit 15 595 Patienten zusammen, die Zeiträume vor und nach der Einführung derselben Erkennungssoftware verglichen (Sarhan et al., 2025). Die Zeit zwischen Ankunft und Punktion nahm ab, mit einer standardisierten mittleren Differenz von −0,50, und die Zeit zwischen Tomographie und Thrombektomie ebenfalls, mit −0,71. Bei klinischen Endpunkten wie Blutung, Sterblichkeit und funktioneller Unabhängigkeit nach 90 Tagen fanden die Autoren keinen statistisch signifikanten Unterschied.

Vorher-nachher-Studien haben ein bekanntes Problem: Zwischen einem Zeitraum und dem anderen ändert sich im Krankenhaus viel, von Protokollen bis zu Teams. Ein Teil der Verbesserung kann von diesen Veränderungen stammen und nicht von der Software. Deshalb wiegt die randomisierte Studie aus Houston schwerer, auch wenn sie kleiner ist.

Im Krankenhausverbund: Verlegung und Telemedizin

Viele Patienten kommen zuerst in ein Krankenhaus ohne Thrombektomie, wo die Zeit zählt, die bis zur Entscheidung über eine Verlegung vergeht.

Eine prospektive Studie mit Telemedizin

Olive-Gadea und Kollegen führten eine prospektive, multizentrische, quasi-experimentelle Studie an zwei Schlaganfallzentren mit Telemedizin durch, die Patienten an ein Zentrum mit Thrombektomie überweisen (Olive-Gadea et al., 2026). Sie verglichen 129 Patienten, die vor der Einführung eines Algorithmus verlegt wurden, der die native CT und die Angio-CT auswertet, mit 136 Patienten danach. Die endgültige Entscheidung über die Verlegung blieb beim entfernten Gefäßneurologen.

Der primäre Endpunkt, die Zeit zwischen Ankunft im lokalen Krankenhaus und dem Verlegungsauftrag, änderte sich nicht schlüssig: mediane Differenz von −2,40 Minuten, mit einem Intervall von −6,16 bis 4,48 (Olive-Gadea et al., 2026). Die Zeit zwischen Bildgebung und Auftrag sank um 7,16 Minuten, und die Zeit zwischen Ankunft und Punktion sank um 31,28 Minuten.

Die Erklärung der Autoren für den größeren Gewinn ist nicht der Alarm selbst. Der Anteil der Patienten, bei denen bereits im lokalen Krankenhaus eine CT-Angiografie durchgeführt wurde, stieg von 28 auf 81 Prozent, und die Wiederholung von Untersuchungen im Zielzentrum sank von 79 auf 42 Prozent (Olive-Gadea et al., 2026). Weniger wiederholte Untersuchungen bedeuteten eine schnellere Reperfusion.

Eine Datenbank mit Tausenden von Alarmen

Devlin und Kollegen analysierten retrospektiv 14 116 Schlaganfall-Alarme, die per Telemedizin in 166 Krankenhäusern in 17 Bundesstaaten der Vereinigten Staaten bearbeitet wurden, und verglichen Krankenhäuser mit und ohne eine KI-Plattform (Devlin et al., 2024). Die mediane Zeit zwischen Ankunft und Benachrichtigung des Neurointerventionisten betrug 50,0 Minuten in den Krankenhäusern mit KI und 89,5 Minuten in den Krankenhäusern ohne sie.

Dieselbe Studie fand einen Effekt in entgegengesetzter Richtung. In den Krankenhäusern ohne lokale Thrombektomie war das Vorhandensein der KI mit einer niedrigeren Rate der Annahme des Patienten zur Thrombektomie durch den Neurointerventionisten verbunden, mit einer absoluten Reduktion von 10,79 Prozentpunkten (Devlin et al., 2024). Die Autoren konnten weder die Bildgebungszeiten noch die Ergebnisse der Patienten messen, und das beobachtende Design erlaubt es nicht, den Effekt der Software von Unterschieden zwischen den Krankenhäusern zu trennen.

Wie man den Alarm nutzt, ohne von ihm benutzt zu werden

Die Software zur Erkennung von Verschlüssen ist ein gutes Beispiel für ein Werkzeug, das hilft, wenn es als Hinweis dient, und stört, wenn es als Urteil behandelt wird. Der Beitrag über Automatisierungsbias beschreibt den Mechanismus: Angesichts eines Systems, das meist richtig liegt, neigen Menschen dazu, die Ausgabe der Maschine zu akzeptieren und selbst weniger Informationen zu suchen.

Fünf praktische Vorgehensweisen

• Lesen Sie die CT-Angiografie, oder stellen Sie sicher, dass jemand sie liest, bei jedem Patienten mit Verdacht auf ischämischen Schlaganfall, mit oder ohne Alarm.
• Wissen Sie, für welche Arterien die Software Ihres Krankenhauses validiert und zugelassen wurde. Ein fehlender Alarm für M2 oder Basilaris kann nichts bedeuten.
• Gewichten Sie die neurologische Untersuchung. Aphasie, Neglect, Blickabweichung und dichte Hemiparese erhöhen die Wahrscheinlichkeit eines Verschlusses, wie die klinischen Zeichen zusammen mit der Software in der Studie von Catapano zeigten.
• Misstrauen Sie dem negativen Alarm stärker in den Szenarien, in denen die Software häufiger irrt: distale Verschlüsse, reiche Kollateralzirkulation und Symptome der hinteren Zirkulation.
• Nutzen Sie den Nachrichtenkanal. Der Zeitgewinn der Houston-Studie hing vom Gespräch des Teams innerhalb der Anwendung ab.

Das Vertrauen kalibrieren

Das Vertrauen in die Maschine zu kalibrieren ist ähnlich wie die Kalibrierung des Vertrauens in die eigene Diagnose: im richtigen Maß für jede Situation vertrauen. Der positive Alarm verdient genug Vertrauen, um das Team zu alarmieren; der negative wenig genug, um die menschliche Befundung beizubehalten. Wenn Bild und klinisches Bild nicht zusammenpassen, lohnt es sich, den Zweifel zu benennen und die Information zu suchen, die ihn auflöst, wie im Beitrag über diagnostische Unsicherheit. Beim akuten Schlaganfall ist diese Information meist die sofortige Befundung der CT-Angiografie durch eine geschulte Person.

Was andere KI-Anwendungen lehren

Die automatische Bildbefundung erscheint auch bei der Thorax-Röntgenaufnahme auf der Suche nach Tuberkulose und beim autonomen Screening auf diabetische Retinopathie. Beim Schlaganfall ist der Unterschied die Uhr: Das falsch negative Ergebnis kostet Minuten an Gehirn, nicht Monate, was die menschliche Befundung parallel noch wichtiger macht.

Quelle und Design	Wer untersucht wurde	Endpunkt	Ergebnis wie berichtet	Bewertung
Susanti 2026, Übersicht und Metaanalyse der Genauigkeit	11 Artikel, 10 937 Patienten, CT-Angiografie	Sensitivität und Spezifität	0,87 (95 %-KI: 0,76 bis 0,93) und 0,95 (95 %-KI: 0,91 bis 0,97)	Guter Durchschnitt, hohe Heterogenität
Susanti 2026, Analyse nach Segment	Studien mit M2-Daten	Sensitivität bei M2	0,30 bis 0,86	Variable und nicht schlüssige Leistung
Zhou 2026, Netzwerk-Metaanalyse	10 retrospektive Studien, 3632 Patienten, native Computertomografie	Sensitivität der KI und von Fachleuten	0,78 gegen 0,62	KI sensitiver, geringe Sicherheit
Slater 2024, diagnostische Studie an einem Zentrum	500 Patienten in Australien	Sensitivität für große Gefäße	Software 0,62; Befunder 0,65 bis 0,96	Befunder besser
Martinez-Gutierrez 2023, randomisierte Cluster-Studie	243 Patienten an vier Zentren	Ankunft bis Punktion	Reduktion um 11,2 min (95 %-KI: 4,2 bis 18,22)	Zeitgewinn
Martinez-Gutierrez 2023, explorative Analyse	Dieselbe Stichprobe	Unabhängigkeit nach 90 Tagen	OR von 1,3 (95 %-KI: 0,42 bis 4,0)	Nicht schlüssig
Olive-Gadea 2026, quasi-experimentelle Studie	265 transferierte Patienten	Ankunft bis Verlegungsanfrage	−2,40 min (95 %-KI: −6,16 bis 4,48)	Nicht schlüssig

Quellen: Susanti et al., 2026; Zhou et al., 2026; Slater et al., 2024; Martinez-Gutierrez et al., 2023; Olive-Gadea et al., 2026. 95%-KI: 95-Prozent-Konfidenzintervall bzw. Kredibilitätsintervall in der Studie von Zhou (Zhou et al., 2026); OR: Odds Ratio; min: Minuten.

Zurück zum Fall

Die Patientin des fiktiven Falls hatte eine Aphasie und eine rechtsseitige Hemiparese, ein Bild mit hoher Wahrscheinlichkeit eines Verschlusses eines großen Gefäßes, noch vor jeder Bildgebung. Der Neurologe wartete nicht auf die Warnung: Er öffnete die CT-Angiografie auf seinem eigenen Handy und rief den Radiologen, damit er mitlas. Beide sahen eine Kontrastmittelunterbrechung in einem M2-Ast der linken Arteria cerebri media, mit guter Kollateralzirkulation, genau die Situation, in der Studien die meisten falsch negativen Befunde zeigen.

Das Neurointerventions-Team wurde alarmiert und diskutierte die Indikation zur Thrombektomie. In jener Nacht war die Stille der Software der Hinweis, der die größte Aufmerksamkeit verlangte.

Wie NEXO hilft, dieses Denken zu trainieren

Bei NEXO ist der Fall des Tages fiktiv, mit realer klinischer Präsentation und bis zu sechs fortschreitenden Hinweisen, und Sie stellen den Diagnosevorschlag, indem Sie den ICD-10-Code suchen. Einem Ergebnis zu misstrauen, das nicht zum klinischen Bild passt, ist dieselbe Übung, jede Information als Hinweis zu behandeln und die Hypothese zu überprüfen, wie im 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

Liest die KI die CT-Angiografie besser als der Radiologe?

Das hängt vom Leser und vom Verschluss ab. In einem australischen Zentrum hatten alle menschlichen Leser, einschließlich Neurologen und Assistenzärzten, eine höhere Sensitivität als die Software für den Verschluss eines großen Gefäßes (Slater et al., 2024). In der Nativ-CT, bei der die Aufgabe für Menschen schwieriger ist, war die KI in einer Meta-Analyse retrospektiver Studien sensitiver als Fachleute, mit geringer Sicherheit.

Wenn die Software keine Warnung gegeben hat, kann ich auf den Befund warten?

Bei einem Patienten mit klinischem Verdacht auf einen Verschluss eines großen Gefäßes ist Warten riskant. Die Programme wurden für das Screening entwickelt, die in einem Zentrum gemessene negative Likelihood-Ratio reichte nicht aus, um den Verschluss auszuschließen, und distale Verschlüsse und solche der hinteren Zirkulation werden am häufigsten übersehen. Sorgen Sie so früh wie möglich für die menschliche Befundung der Bilder.

Verbessert die Software das Outcome der Patienten?

Die Daten zeigen einen Zeitgewinn, aber der Effekt auf das Outcome ist nicht schlüssig. In der randomisierten Studie aus Houston hatte die Odds Ratio für funktionelle Unabhängigkeit nach 90 Tagen ein Intervall von 0,42 bis 4,0 (Martinez-Gutierrez et al., 2023). Auch die Meta-Analyse von Vorher-nachher-Studien fand keinen Unterschied bei klinischen Outcomes.

Take-home messages

• Die Software zur Erkennung des Verschlusses eines großen Gefäßes ist ein Werkzeug für Screening und Kommunikation, kein Befund.
• Die mittlere Genauigkeit ist bei der CT-Angiografie gut, fällt aber bei M2-Verschlüssen ab und ist bei der hinteren Zirkulation schwach.
• Der falsch negative Befund ist stumm: Bei hohem klinischem Verdacht entbindet das Ausbleiben einer Warnung nicht von der sofortigen menschlichen Befundung.
• Eine randomisierte Studie zeigte etwa 11 Minuten weniger bis zur Punktion, und der Gewinn hing vom aktiven Einsatz des Teams ab.
• Der Effekt auf die funktionelle Unabhängigkeit der Patienten bleibt nicht schlüssig.

Literatur

1. Martinez-Gutierrez JC, Kim Y, Salazar-Marioni S, et al. Automated large vessel occlusion detection software and thrombectomy treatment times: a cluster randomized clinical trial. JAMA Neurol. 2023;80(11):1182-1190. [PubMed](https://pubmed.ncbi.nlm.nih.gov/37721738/).
2. Ebirim EC, Le NM, Samaha JN, et al. Workflow improvements from automated large vessel occlusion detection algorithms are dependent on care team engagement. J Neurointerv Surg. 2026;18(2):385-389. [PubMed](https://pubmed.ncbi.nlm.nih.gov/39870518/).
3. Susanti L, Cuandra KN, Tristan CD, et al. Diagnostic test accuracy of artificial intelligence in large vessel occlusion: a systematic review and meta-analysis. Neurol Res Int. 2026;2026:5709868. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42028301/).
4. Zhou H, Liu L, Fu B, et al. AI decision support for emergency triage of large vessel occlusion using noncontrast computed tomography: systematic review and Bayesian diagnostic test accuracy network meta-analysis. J Med Internet Res. 2026;28:e105068. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42785737/).
5. Sarhan K, Azzam AY, Moawad MHED, et al. Automated emergent large vessel occlusion detection using Viz.ai software and its impact on stroke workflow metrics and patient outcomes in stroke centers: a systematic review and meta-analysis. Transl Stroke Res. 2025;16(6):2258-2271. [PubMed](https://pubmed.ncbi.nlm.nih.gov/40335883/).
6. Ha HJ, Ryu WS, Kim BJ, et al. RAPID CTA versus JLK LVO for large vessel occlusion detection: a pragmatic comparison of performance and common pitfalls. Neuroradiology. 2026;68(4):877-886. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41805858/).
7. Slater LA, Ravintharan N, Goergen S, et al. RapidAI compared with human readers of acute stroke imaging for detection of intracranial vessel occlusion. Stroke Vasc Interv Neurol. 2024;4(2):e001145. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41583584/).
8. Catapano JS, Lee KE, Desai SM, et al. Number needing review: a novel metric to assess triage efficiency of large vessel occlusion detection systems. Stroke Vasc Interv Neurol. 2023;3(4):e000527. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41583669/).
9. Brito A, Cendrero J, Tanzi L, et al. Initial experience with a deep learning algorithm for detecting posterior circulation large vessel occlusion on noncontrast computed tomography. Stroke Vasc Interv Neurol. 2026;6(4):e002250. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42404827/).
10. Olive-Gadea M, Rizzo F, Cocho D, et al. CATalyze-AI: accelerating referral for thrombectomy in acute stroke patients using an AI-based software. A prospective, multicentre, quasi-experimental cohort study. Eur Stroke J. 2026;11(7). [PubMed](https://pubmed.ncbi.nlm.nih.gov/42497289/).
11. Devlin T, Gao L, Collins O, et al. VALIDATE: [...] the Viz.ai mobile stroke care coordination platform to limit delays in LVO stroke diagnosis and endovascular treatment. Front Stroke. 2024;3:1381930. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41542251/).