Die KI verwarf eine geeignete Patientin, weil sie eine Herzkatheteruntersuchung nicht von einem intravenösen Zugang unterscheiden konnte

Den ersten Patienten, den wir verloren, verloren wir an ein Wort.

Eine Phase-III-Studie zu einem Antikoagulans, an deren Pilotierung wir mitwirkten, schloss jeden aus, der sich einer "Herzkatheteruntersuchung" unterzogen hatte. Nachvollziehbar – es ist ein Eingriff am Herzen mit Blutungsrisiko, genau die Art von Vorgeschichte, die jemanden für eine Studie zu Blutverdünnern disqualifiziert. Unser Matching-System kennzeichnete eine Kandidatin als ungeeignet und machte weiter. Sauber. Selbstsicher. Falsch.

Die Patientin hatte nie eine Herzkatheteruntersuchung gehabt. Ihre Akte enthielt eine Notiz über eine "Anlage eines zentralen Venenkatheters" – ein intravenöser Zugang, der auf der Intensivstation in eine Vene gelegt wurde, damit sie Medikamente erhalten konnte. Anderer Eingriff. Anderer Körperteil. Ein völlig anderes Risikoprofil. Für eine Pflegekraft sind diese beiden nicht im Entferntesten zu verwechseln. Für die KI, die wir gebaut hatten, ergab "Katheter" plus "venös" plus ein kardiovaskulär klingender Kontext einen Beinahe-Treffer, und eine geeignete Frau fiel still aus dem Trichter heraus.

Ich möchte Ihnen erzählen, wie ich dazu kam, den größten Teil eines Jahres damit zu verbringen, mich über diese eine ausgeschiedene Patientin den Kopf zu zerbrechen, denn sie brachte mir bei, was niemand, der clinical trial recruitment AI verkauft, laut aussprechen möchte: Das Problem beim Patienten-Matching bestand nie darin, genügend Menschen zu finden. Es ist, dass die Maschinen, die das Matching durchführen, Wörter lesen, und die Studieneignung dreht sich um medizinische Konzepte – und das ist nicht dasselbe.

80 % der Studien verfehlen ihre Rekrutierungsfristen. Die Branche behandelt das weiterhin als Angebotsproblem. Es ist ein Präzisionsproblem.

Der Fehler, den ich zuerst machte

Ich stehe von Anfang an dazu, denn hier dreht sich die ganze Geschichte. Als wir anfingen, gehörte ich zum Lager derer, die glaubten, dies sei im Grunde gelöst.

Die Argumentation lief so: Jahrelang basierte das Studien-Matching auf Schlagwortsuche – grob, brüchig, elend. Dann kamen große Sprachmodelle, und plötzlich konnte Software eine unstrukturierte Arztnotiz so lesen wie ein Mensch. Ich sah das und schloss daraus, dass der schwierige Teil hinter uns lag. Wir würden ein starkes Modell nehmen, es mit Eignungskriterien und Patientenakten füttern, die Prompts optimieren, und das Matching würde einfach funktionieren. Ich plädierte dafür. Ich sagte meinem Team, die verbleibende Lücke sei klein, eine Frage von besserem Retrieval und sorgfältigerem Prompting.

Wir bauten dieses System. Es machte in der Demo eine wunderbare Figur. Bei den einfachen Fällen – der Patientin, die eindeutig Brustkrebs im Stadium II hat, dem Kriterium, das eindeutig "keine vorherige Chemotherapie" verlangt – war es wirklich gut. Die Zahlen, die man in Anbieter-Präsentationen sieht, stammen genau aus diesen Fällen. Tempus, das Deep 6 AI Anfang 2025 übernahm und auf über 750 Versorgungsstandorte expandierte, berichtet, dass sein Patient-Query-Agent über eine Reihe evaluierter Anfragen eine Genauigkeit von 94,39 % erreicht. Diese Zahl ist echt. Ich glaube sie. Sie misst aber auch die Fälle, die nie das Problem waren.

Die Katheter-Patientin war der Moment, in dem meine Version des Systems starb. Ich saß da und ging nach, warum sie ausgeschieden war, und erwartete einen Bug. Es gab keinen Bug. Das System hatte genau das getan, was Vektorähnlichkeit tut – zwei Zeichenketten danach bewertet, wie nahe sie im semantischen Raum beieinanderliegen – und zwei Eingriffe, die sich das Wort "Katheter" teilen, liegen tatsächlich sehr nahe beieinander. Kein noch so großer Aufwand an Prompt-Engineering würde ihm beibringen, dass der eine unter "Eingriff am Herzen" fällt und der andere unter "Katheterisierung einer Vene". Es hatte kein Konzept vom Herzen. Es hatte nur Wörter über das Herz.

Warum verwechseln Sprachmodelle medizinische Begriffe?

Hier ist die Unterscheidung, die neu ordnete, wie ich über dieses ganze Feld denke.

Wenn ein Arzt "Anlage eines zentralen Venenkatheters" liest, verarbeitet er nicht fünf Tokens. Er ruft ein Konzept ab – einen bestimmten Knoten in einer riesigen, strukturierten Hierarchie medizinischen Wissens, mit Eltern und Kindern und Geschwistern, mit einem präzisen Platz, der besagt: dies ist ein Verfahren des vaskulären Zugangs, kein kardiales. Diese Hierarchie existiert tatsächlich, formal, als klinische Ontologie namens SNOMED-CT. Darin ist die Herzkatheteruntersuchung das Konzept mit der ID 41976001, eingeordnet unter Eingriffe am Herzen. Die zentralvenöse Katheterisierung ist 392230005, eingeordnet unter Katheterisierung einer Vene. Zwei verschiedene Äste des Baums. Ein System, das über den Baum schlussfolgert, kann sie nicht verwechseln. Ein System, das über Wortnähe schlussfolgert, verwechselt sie ständig.

Das ist keine Eigenart, auf die ich privat gestoßen bin. Veröffentlichte Evaluierungen haben dokumentiert, dass KI-Modelle genau diesen Fehler machen – "Herzkatheteruntersuchung gleich zentralvenöse Punktion" (Fierce Biotech, 2025). Es steht für eine ganze Klasse von Fehlern – überall dort, wo Eingriffe, Erkrankungen oder Medikamente Vokabular teilen, aber medizinisch auseinandergehen. Koronarangiographie und periphere Angiographie. Sie teilen sich "Angiographie". Das eine ist ein kardialer Eingriff; das andere ein vaskulärer Zugang. Ein Sprachmodell bewertet sie als Cousins. Die Ontologie weiß, dass sie Fremde sind.

Multiplizieren Sie das nun mit den Kriterien eines ganzen Protokolls, über ein Portfolio von Studien hinweg, und Sie haben keinen Randfall. Sie haben ein systematisches Eignungsleck, das im Hintergrund jedes probabilistischen Matchers der Branche leise mitläuft.

Ein Sprachmodell weiß, dass "Katheter" nahe bei "kardial" auftaucht. Es hat keine Ahnung, dass das eine ein Eingriff am Herzen und das andere ein intravenöser Zugang ist. Diese Lücke ist der Ort, an dem geeignete Patienten verschwinden.

Die Ausnahmeklauseln, die alles gleich zweimal zerbrachen

Sobald ich anfing hinzuschauen, stellte sich die Lücke zwischen Wort und Konzept als nur der erste Riss heraus.

Ein weiterer steckt in der Grammatik der Eignung selbst. Echte Protokolle sagen nicht "schließe Bluthochdruck aus". Sie sagen "schließe Patienten mit Bluthochdruck aus, es sei denn er ist seit drei oder mehr Monaten mit stabiler Medikation gut eingestellt". Dieser Satz ist kein Schlagwort – er ist eine Bedingung mit einem darin vergrabenen Zeitfenster. Ich beobachtete, wie unser frühes System diese Klausel auf zwei Arten behandelte, beide falsch. Manchmal sah es "Bluthochdruck" und schloss den Patienten aus, wodurch jemand verloren ging, der tatsächlich qualifiziert war. Manchmal ließ es sie durch und übersprang die Drei-Monats-Prüfung ganz. Nie tat es zuverlässig das, was ein Koordinator ohne nachzudenken tut: die Ausnahme im Kopf behalten und dann die Dauer verifizieren.

Das wird von Jahr zu Jahr wichtiger, denn Protokolle werden barock. Die mediane Zahl der Eignungskriterien in Onkologieprotokollen wuchs grob von 17 vor einer Generation auf 27 in der jüngeren Kohorte, und die Zahl der Prozeduren pro Protokoll ist seit 2005 um 139 % gestiegen (IQVIA). Jedes "es sei denn" und "außer" und "innerhalb von sechs Monaten" ist eine Stelle, an der ein Wort-Matcher stillschweigend rät. Und wenn Änderungen eintreffen – die durchschnittliche Änderung braucht heute 260 Tage bis zur Umsetzung (Applied Clinical Trials, 2025) –, muss jede Vermutung neu erraten werden.

Der Fehler, der mir jedoch wirklich Angst machte, war ein anderer – er schnitt daran, ob ich überhaupt vor einer Aufsichtsbehörde für diese Arbeit einstehen konnte. Schicken Sie denselben Patienten zweimal durch einen Sprachmodell-Matcher, mit leicht unterschiedlichem umgebendem Kontext, und Sie können zwei verschiedene Antworten erhalten. Für die meiste Software ist ein wenig Nichtdeterminismus tolerierbar. Für eine klinische Studie ist er disqualifizierend. Eine Aufsichtsbehörde will keine Wahrscheinlichkeit, dass ein Patient geeignet war. Sie will den exakten, reproduzierbaren Grund, warum jede Person eingeschlossen oder ausgeschlossen wurde – eine Spur, die sie Zeile für Zeile lesen kann. Ein System, das an einem Dienstag anders entscheiden könnte, kann diese Spur nicht erzeugen.

Was ich beim ersten Mal hätte bauen sollen

Der Neuaufbau war nicht subtil. Wir hörten auf zu versuchen, ein probabilistisches System dazu zu bringen, sich deterministisch zu verhalten, und bauten ein System, das durch seine Konstruktion deterministisch war.

Das Rückgrat davon ist die Ontologie. Wir bilden jeden Begriff in einer Patientenakte und jeden Begriff in den Eignungskriterien auf sein SNOMED-CT-Konzept ab – sodass der Matcher Knoten in einer medizinischen Hierarchie vergleicht, nicht Zeichenketten. Herzkatheteruntersuchung und zentralvenöse Katheterisierung sind keine Nachbarn mehr und werden zu dem, was sie sind: entfernte Verwandte auf getrennten Ästen. Die Katheter-Patientin kommt, durch dieses System geschickt, als geeignet zurück. Korrekt. Jedes Mal.

Über die Ontologie legen wir explizite Logik für die Teile, die Sprachmodelle vermasseln – das "es sei denn", das "außer", das "innerhalb von drei Monaten". Diese Art des Schlussfolgerns sind eigentlich zwei zusammengenähte Disziplinen: deontische Logik, um die Verpflichtungs-und-Ausnahme-Struktur einer "es sei denn"-Klausel zu modellieren, und temporales Intervall-Schlussfolgern, um "innerhalb von drei Monaten" gegen die tatsächlichen Daten in der Akte auszuwerten. Keines ist per Mustererkennung erfassbar; beide müssen explizit modelliert werden. Und weil jede Entscheidung eine Kette expliziter Schritte über benannte Konzepte ist, liefert das System genau das Artefakt, das Aufsichtsbehörden wollen: einen reproduzierbaren Audit-Trail, der präzise zeigt, welches Konzept mit welchem Kriterium übereinstimmte und warum ein Patient dort landete, wo er landete.

Ich sage bewusst neuro-symbolic, nicht "wir haben die Sprachmodelle über Bord geworfen". Haben wir nicht. Sie sind hervorragend im chaotischen ersten Schritt – eine weitschweifige klinische Notiz zu lesen und strukturierte Bedeutung aus dem Fließtext zu ziehen. Das lassen wir sie tun. Wir lassen sie nur nicht den Richter über die Eignung sein. Das Lesen ist probabilistisch; das Schlussfolgern ist deterministisch. Diese Arbeitsteilung ist das ganze Design.

Das ist das System, das wir heute für Pharma-Sponsoren, CROs und akademische medizinische Zentren bauen, und darum ist unsere clinical trial recruitment AI-Arbeit organisiert – maßgeschneidertes Matching, das über SNOMED-CT-Ontologiegraphen mit deterministischer Logik schlussfolgert, statt eines weiteren probabilistischen Bewerters.

Warum haben die großen Plattformen das nicht einfach gebaut?

Das ist die Frage, die ich von jedem Sponsor bekomme, und sie ist berechtigt. Tempus, IQVIA, Medidata, ConcertAI, TriNetX – das sind seriöse Unternehmen mit enormen Datenmengen. Warum hat nicht eines von ihnen einfach die ontologie-gestützte Version gebaut?

Ein Teil der Antwort ist, dass sie für etwas anderes optimieren, und das ist etwas Vernünftiges. IQVIA stellte im März 2026 IQVIA.ai vor, eine mit NVIDIA gebaute vereinheitlichte agentische Plattform, die auf mehr als 250 Millionen Patientenakten sitzt. TriNetX betreibt ein föderiertes Netzwerk ähnlicher Größenordnung für Machbarkeits- und Kohortenarbeit. ConcertAI startete im Februar 2026 seine agentische Plattform Accelerated Clinical Trials und beansprucht Zeitverkürzungen von 10 bis 20 Monaten. Medidatas KI Study Build klinkt Matching über Hunderte von Studien hinweg in sein elektronisches Datenerfassungssystem Rave ein. Jede einzelne davon ist real und gut in dem, worauf sie abzielt – Breite, Skalierung, durchgängiger Workflow.

Unter all ihnen liegt außerdem eine leisere Lücke. Selbst wenn eine Plattform gut matcht, landet das Ergebnis meist als eine Liste, die ein Koordinator dann in das führende Studienmanagementsystem neu eingibt – Rave, Veeva Vault, Oracle Clinical One. Das Match und das System, das die Studie durchführt, sprechen nicht wirklich miteinander, sodass eine manuelle Übergabe genau dort bestehen bleibt, wo man die Automatisierung am dichtesten haben möchte.

Doch Breite und ontologische Tiefe ziehen in entgegengesetzte Richtungen. Eine Plattform, die jedes therapeutische Gebiet in der Größenordnung von 250 Millionen Datensätzen bedient, ist darauf gebaut, generisch gut zu sein, und generisch gut ist genau der Ort, an dem die Katheter-Fehlerklasse lebt. Das tiefe, ast-bewusste Schlussfolgern, das ein komplexes onkologisches, seltenes-Krankheits- oder ZNS-Protokoll braucht, ist teuer im Aufbau und teuer im Erhalt – SNOMED aktualisiert zweimal im Jahr, das MedDRA-Wörterbuch für unerwünschte Ereignisse aktualisiert vierteljährlich, und eine Ontologie aktuell zu halten ist dauerhafte Personalstärke, kein einmaliges Projekt. Es ist die Art von unglamouröser, nie fertiger Ingenieurarbeit, die eine auf Breite zurasende Plattform eher aufschiebt.

Die Plattformen liegen nicht falsch. Sie lösen für Skalierung. Ontologische Präzision ist ein anderes Problem, und es ist das, das darüber entscheidet, ob Ihre geeigneten Patienten tatsächlich gefunden werden.

Die andere ehrliche Antwort lautet Datengravitation. Mehrere dieser Plattformen matchen am besten innerhalb ihres eigenen Netzwerks – ihre Daten, ihre Standorte. Wenn Ihre Patienten in Ihrer eigenen elektronischen Gesundheitsakte hinter Ihrer eigenen Firewall leben, ist das eine ganz andere Bereitstellung. Und viele Sponsoren und Krankenhäuser werden aus sehr guten HIPAA-Gründen keine Patientenakten in die Cloud eines anderen schicken, um sie matchen zu lassen.

Die Kosten, die niemand auf die Folie schreibt

Lassen Sie mich die Einsätze konkret machen, denn die menschliche und die finanzielle Seite davon lassen sich leicht abstrahieren.

Finanziell: Ein Tag Verzögerung in einer Studie kostet geschätzt 800.000 $ an entgangenen Verschreibungsumsätzen (Tufts CSDD), und in manchen therapeutischen Gebieten ist es weit schlimmer – kardiovaskuläre Verzögerungen belaufen sich auf etwa 1,4 Millionen $ pro Tag. Jeder Screening-Fehlschlag kostet im Schnitt etwa 1.200 $, und die Screening-Fehlerraten liegen je nach Indikation irgendwo zwischen 20 % und 80 % und erreichen bei Alzheimer-Studien bis zu 88 %. Die Katheter-Patientin – die geeignete, die wir ausschieden – ist in dieser Rechnung reine Verschwendung: ein Mensch, der hätte vorankommen sollen, es nicht tat, und jemand wurde dafür bezahlt, sie in ein "Nein" hineinzuscreenen.

Aber die Kosten, die ich erst begriff, als ich mit dem Personal an den Standorten zusammensaß, sind menschlich, und sie summieren sich auf. Koordinatoren jonglieren fünf oder sechs Studien gleichzeitig und verbringen 40 bis 60 % ihrer Zeit mit Vorabscreening. Wenn ein Matching-Tool falsch-positive Ergebnisse über etwa 30 % ausspuckt, hören sie auf, ihm zu vertrauen – und sie geben es auf, oft innerhalb von drei Monaten. Ich sah, wie uns das vor dem Neuaufbau passierte. Eine Koordinatorin an einem Pilotstandort hatte schlicht aufgehört, unsere Kennzeichnungen zu öffnen. Nicht aus Boshaftigkeit – aus Triage. Das Tool hatte so oft falschen Alarm geschlagen, dass es nachzuprüfen langsamer war als ihre eigene Aktendurchsicht. Ein Matcher, der das Vertrauen der einen Person untergräbt, die auf ihn reagieren muss, ist kein Produktivitätswerkzeug. Er ist ein weiterer Browser-Tab, den sie zu ignorieren gelernt hat.

Das ist der wahre Grund, warum Präzision Reichweite schlägt. Es sind nicht nur die geeigneten Patienten, die man durch falsch-negative Ergebnisse verliert. Es ist, dass jedes falsch-positive Ergebnis die knappste Ressource im gesamten Unternehmen verbraucht – die Aufmerksamkeit eines ausgebrannten Koordinators – und sobald die weg ist, endet das beste Datennetzwerk der Welt trotzdem in einer Sackgasse bei einem Koordinator, der aufgehört hat hinzuschauen.

"Ist das nicht genau, wofür FHIR und die Epic-Integration da sind?"

Man fragt mich das oft, also lassen Sie mich die Einwände frontal angehen.

Beginnen wir mit dem Einwand zu den Datenstandards: FHIR und Epic lösen doch sicher das Matching-Problem? Sie lösen das Rohrleitungs-Problem, das notwendig, aber nicht hinreichend ist. FHIR- und Epic-Integration bringen saubere, strukturierte Daten zum Fließen – aber die Daten zu bekommen ist der Teil vor dem schwierigen Teil. Man muss immer noch darüber schlussfolgern, was die Daten bedeuten, und genau dort verrichtet die Ontologie ihre Arbeit. Und die Rohrleitung ist auch nicht trivial: Epics App-Orchard-Zertifizierung ist eine sechs- bis zwölfmonatige Sicherheitsprüfung, bevor man eine einzige Akte anfasst. Jeder, der schnelles, tiefes EHR-Matching verspricht, hat diese Kosten entweder bereits bezahlt oder ihnen noch nicht ins Auge gesehen.

Dann gibt es die regulatorische Sorge: Zählt ein deterministisches, regellastiges System nicht als reguliertes Medizinprodukt, mit all der Bürde, die das mit sich bringt? Hier hilft eine aktuelle Leitlinie tatsächlich. Die aktualisierte Leitlinie der FDA zur klinischen Entscheidungsunterstützung, herausgegeben im Januar 2026, stellte klar, welche CDS-Funktionen außerhalb der Medizinprodukt-Definition fallen – und der Abgleich von Patientenakten mit Studieneignungskriterien kann als Nicht-Medizinprodukt-CDS qualifizieren. Das Rahmenwerk derselben Behörde vom Januar 2025 legte eine siebenstufige Glaubwürdigkeitsbewertung für KI in der Arzneimittelentwicklung dar. Ein System, dessen Schlussfolgern transparent und reproduzierbar ist, lässt sich weitaus leichter durch dieses Rahmenwerk führen als eines, dessen Logik eine Wahrscheinlichkeitsverteilung ist.

Und die plumpste Version: Ist irgendetwas davon schneller, als einfach mehr Menschen einzustellen? Die Leistungsdaten sagen mit Nachdruck ja – wenn das Matching vertrauenswürdig ist. Berichtetes KI-Screening hat in einer Bereitstellung die Screening-Fehlerraten um 73 % gesenkt, von 54 % auf 14 % (Trially), und die Stunden für die manuelle Aktendurchsicht um rund 90 % reduziert. Der Haken ist, dass sich diese Gewinne nur einstellen, wenn Koordinatoren dem Ergebnis genug glauben, um darauf zu reagieren. Auf falsch-positiven Ergebnissen aufgebaute Geschwindigkeit ist keine Geschwindigkeit. Sie ist ein schnellerer Weg, den Raum zu verlieren.

Was mich die ausgeschiedene Patientin tatsächlich lehrte

Ich komme immer wieder auf sie zurück, die Frau mit dem intravenösen Zugang, den ein Algorithmus für einen Eingriff am Herzen hielt. Sie war die ganze Zeit geeignet. Die Studie brauchte sie. Sie saß direkt dort in den Daten. Und wir verloren sie nicht, weil die Technologie schwach war, sondern weil sie auf das falsche Problem gerichtet war – die Oberfläche der Sprache zu lesen, während die Aufgabe darin bestand, über die Medizin darunter zu schlussfolgern.

Das ganze Feld verbrachte fünf Jahre damit, die Schlagwortsuche durch Sprachmodelle zu ersetzen, und erklärte das Matching-Problem für erledigt. War es nicht. Es war neu positioniert. Wir tauschten grobes Wort-Matching gegen ausgefeiltes Wort-Matching, und die Fälle, die darüber entscheiden, ob eine Studie rechtzeitig rekrutiert – die Ausnahmeklauseln, die Eingriffe mit geteiltem Vokabular, die Kriterien, bei denen eine Aufsichtsbehörde lesen können muss, warum –, drehten sich nie um Wörter überhaupt.

Wenn Sie Studien durchführen und Rekrutierungs-KI evaluieren, wäre die Frage, die ich einem Anbieter stellen würde, nicht seine plakative Genauigkeitszahl, denn diese Zahl wird an den Fällen gemessen, die ohnehin nie verpasst worden wären. Bitten Sie ihn, eine Herzkatheteruntersuchung und einen zentralvenösen Zugang durch seinen Matcher zu schicken und Ihnen konzeptweise zu zeigen, warum das eine ausschließt und das andere nicht. Die Antwort auf diese eine Frage sagt Ihnen, ob Sie ein System gekauft haben, das liest, oder eines, das tatsächlich versteht. Wir entschieden uns, die zweite Art zu bauen – die clinical trial recruitment AI, die über die Ontologie schlussfolgert –, weil die erste Art uns bereits eine Patientin kostete, deren Verlust wir uns nicht leisten konnten.