Ethische Herausforderungen durch KI in der Chirurgie

Zusammenfassung

Die Übertragung künstlicher Intelligenz (KI) in die Chirurgie schreitet rasch voran – vielfältige Forschungsprojekte und teils Medizinprodukte versprechen Unterstützung entlang des chirurgischen Behandlungspfades von der präoperativen Entscheidungsunterstützung über intraoperative Assistenzsysteme bis hin zur automatisierten postoperativen Qualitätsbewertung. Künstliche Intelligenz in der Chirurgie verspricht Effizienz, Objektivität und Skalierbarkeit des Zugangs zu chirurgischen Fähigkeiten. Gleichzeitig wirft sie grundlegende ethische Fragen auf: Wie können Chirurg*innen und Patient*innen der KI vertrauen? Wer trägt die ethische und rechtliche Verantwortung für KI-gestützte Entscheidungen? Wie kann sichergestellt werden, dass datengestützte Systeme im Dienst der Patient*innensicherheit stehen? Der vorliegende Beitrag illustriert anhand eines klinischen Szenarios zentrale ethische Spannungsfelder und Lösungsansätze, die am Beispiel der Initiative „Surgical AI Hub Germany“ diskutiert werden.

Rasante Fortschritte im Bereich der künstlichen Intelligenz versprechen für den zukünftigen Einsatz in der Chirurgie Gewinne an Effizienz und Objektivität, werfen aber ethische Fragen auf – zu Vertrauen, Verantwortung und Patient*innensicherheit. Dieser Beitrag illustriert anhand eines klinischen Szenarios zentrale Spannungsfelder und Lösungsansätze, die am Beispiel der Initiative „Surgical AI Hub Germany“ diskutiert werden.

Publication History

Article published online:
02 October 2025

• Literatur

• 1 Schulze A, Haselbeck-Köbler M, Brandenburg JM. et al. Aliado – A design concept of AI for decision support in oncological liver surgery. Eur J Surg Oncol 2025; 51: 108669
• 2 Younis R, Yamlahi A, Bodenstedt S. et al. A surgical activity model of laparoscopic cholecystectomy for co-operation with collaborative robots. Surg Endosc 2024; 38: 4316-4328
• 3 Brandenburg JM, Jenke AC, Stern A. et al. Active learning for extracting surgomic features in robot-assisted minimally invasive esophagectomy: a prospective annotation study. Surg Endosc 2023; 37: 8577-8593
• 4 Wagner M, Brandenburg JM, Bodenstedt S. et al. Surgomics: personalized prediction of morbidity, mortality and long-term outcome in surgery using machine learning on multimodal data. Surg Endosc 2022; 36: 8568-8591
• 5 Truhn D, Reis-Filho JS, Kather JN.. et al. Large language models should be used as scientific reasoning engines, not knowledge databases. Nat Med 2023; 29: 2983-2984
• 6 Birkmeyer JD, Sun Y, Wong SL. et al. Hospital volume and late survival after cancer surgery. Ann Surg 2007; 245: 777-783
• 7 Birkmeyer JD, Finks JF, O’Reilly A. et al. Surgical skill and complication rates after bariatric surgery. N Engl J Med 2013; 369: 1434-1442
• 8 Sánchez R, Rodríguez O, Rosciano J. et al. Robotic surgery training: construct validity of Global Evaluative Assessment of Robotic Skills (GEARS). J Robot Surg 2016; 10: 227-231