KI in der augenärztlichen Praxis – Chancen, Grenzen, ethische und rechtliche Aspekte

Kaum eine andere medizinische Disziplin erzeugt so viele standardisierte digitale Bilddaten wie die Augenheilkunde. Fundusfotografie, OCT und OCT-A liefern hochauflösende Befunde, die sich für automatisierte Mustererkennung und quantitative Auswertung besonders eignen. Gleichzeitig treffen ein steigender Versorgungsbedarf und begrenzte personelle Ressourcen auf immer größere Datenmengen.

KI-Systeme sollen daher nicht nur auffällige Befunde erkennen, sondern auch Biomarker vermessen, Krankheitsverläufe abschätzen und wiederkehrende Prozesse unterstützen. Ihr praktischer Wert zeigt sich jedoch erst im klinischen Alltag. Neben der technischen Leistungsfähigkeit rückt zunehmend die Frage in den Vordergrund, wie künstliche Intelligenz sinnvoll in die augenärztliche Versorgung eingebunden werden kann [Gronow 2026; Thun 2026; DOG/BVA 2025].

Wo künstliche Intelligenz heute konkret unterstützen kann

Besonders weit entwickelt ist der Einsatz von KI bei der Auswertung bildgebender Befunde. Sie kann Fundus- oder OCT-Aufnahmen vorsortieren, auffällige Veränderungen markieren und die Befundung unterstützen. Für die augenärztliche Praxis lassen sich derzeit vier zentrale Einsatzfelder identifizieren:

Erkennung und Priorisierung: Auffällige Veränderungen werden markiert und bei der Befundung hervorgehoben [Gronow 2026, Chang 2024].
Quantifizierung und Monitoring: Biomarker wie atrophische Areale, Drusenvolumen oder hyperreflektive Foci werden automatisiert vermessen und im Verlauf verglichen [von der Emde 2024, Chang 2024].
Risikostratifizierung und Prognose: Bildbasierte Modelle können Hinweise auf das individuelle Progressionsrisiko liefern [von der Emde 2024, Chang 2024].
Dokumentation und Prozessunterstützung: Sprachbasierte Systeme strukturieren Befunde und können nachfolgende Schritte wie Arztbericht, Rezeptdruck oder Terminplanung anstoßen [Rudolph 2025].

Wie sich mehrere dieser Funktionen verbinden lassen, zeigt die AMD: Drusenvolumen, hyperreflektive Foci oder atrophische Areale können in OCT-Aufnahmen automatisiert segmentiert und im zeitlichen Verlauf quantifiziert werden. Eine entsprechende manuelle Auswertung wäre im Praxisalltag kaum mit vergleichbarer Geschwindigkeit und Reproduzierbarkeit möglich [von der Emde 2024].

Bei der geographischen Atrophie reichen die untersuchten Einsatzmöglichkeiten von der Flächenbestimmung bis zur Abschätzung der weiteren Progression. Bildbasierte Modelle können strukturelle Veränderungen verständlich darstellen und so die Verlaufsbeurteilung und individualisierte Beratung unterstützen [Chang 2024].

Wie Prozessunterstützung außerhalb der eigentlichen Diagnostik aussehen kann, zeigt eine monozentrische Pilotstudie zur IVOM-Routine mit 50 Patienten zur IVOM-Routine. Ein sprachbasiertes System erfasste Informationen aus dem Arzt-Patienten-Gespräch, strukturierte Befunde und stieß nachfolgende Abläufe an. Die Gesprächsdauer verringerte sich im Mittel nur moderat (4,46 auf 3,9 Minuten), und 70 % der Patienten bemerkten keine Veränderung der Gesprächsqualität. Das Beispiel zeigt das Entlastungspotenzial und zugleich die Notwendigkeit einer realistischen Bewertung der Ergebnisse. Ob tatsächlich eine Arbeitserleichterung entsteht, hängt wesentlich von der Integration in die vorhandene Klinik- bzw. Praxissoftware ab [Rudolph 2025].

Vom guten Algorithmus zum sicheren Einsatz

Hohe Leistungswerte unter Studienbedingungen garantieren noch keinen zuverlässigen Einsatz im Praxisalltag. KI-Systeme lernen aus den Daten, mit denen sie entwickelt wurden. Unterscheiden sich später untersuchte Patienten, Bildqualität oder das verwendete Gerät deutlich vom Trainings- und Validierungsumfeld, kann die Genauigkeit der Auswertung abnehmen. Gerade in der ophthalmologischen Bildgebung spielen Hersteller, Aufnahmeprotokolle und Softwareversionen eine zentrale Rolle. Selbst quantitative Messwerte wie das Drusenvolumen sind nicht ohne Weiteres zwischen unterschiedlichen Geräten und Auswertesystemen vergleichbar [von der Emde 2024].

Hinzu kommt der sogenannte Dataset Shift: Algorithmen werden häufig anhand sorgfältig ausgewählter und qualitativ hochwertiger Datensätze entwickelt, treffen in der Routineversorgung jedoch auf Medienopazitäten, unvollständige Aufnahmen, Begleiterkrankungen oder atypische Befunde. Auch die Zusammensetzung der Trainingsdaten ist entscheidend. Sind bestimmte Altersgruppen, Patientenkollektive oder Versorgungssituationen unterrepräsentiert, können sich Fehlerraten ergeben. Eine externe Validierung unter realistischen Bedingungen ist daher mindestens ebenso wichtig wie gute Analyseergebnisse im Entwicklungsdatensatz. Auch nach der Produkteinführung können Veränderungen an Hardware, Software oder Patientenpopulationen eine erneute Überprüfung erforderlich machen [Thun 2026, Gronow 2026, DOG/BVA 2025].

Für die Praxis zählt nicht nur, ob ein Algorithmus einen Befund korrekt klassifiziert. Entscheidend ist, ob das Ergebnis zum richtigen Zeitpunkt vorliegt, verständlich dargestellt wird und einen definierten nächsten Schritt auslöst. Für unzureichende Bildqualität, technische Ausfälle, widersprüchliche Ergebnisse oder nicht sicher beurteilbare Befunde müssen klare Vorgehensweisen festgelegt sein. Ein für den Augenarzt nachhaltiger klinischer Nutzen entsteht erst durch eine verlässliche Einbettung in den Praxisbetrieb [Gronow 2026].

Zur Qualitätssicherung gehört außerdem die Beobachtung des Systems im laufenden Betrieb. Leistungsabfälle, gehäufte Fehlklassifikationen oder Probleme bei bestimmten Patientengruppen dürfen nicht erst im Schadensfall auffallen. Für die laufende Kontrolle müssen regelmäßige Prüfungen, geeignete Ansprechpartner und Eskalationswege definiert sein [Gronow 2026, DOG/BVA 2025].

Ethische und rechtliche Verantwortung

Je stärker ein KI-Ergebnis Diagnose, Prognose oder Therapie beeinflusst, desto wichtiger bleibt seine ärztliche Einordnung. Eine besondere Gefahr ist der sogenannte Automation Bias: Algorithmisch erzeugten Ergebnissen wird mitunter mehr Vertrauen entgegengebracht als der eigenen klinischen Einschätzung. KI sollte den Entscheidungsprozess jedoch nur unterstützen, nicht aber unbemerkt die Entscheidung übernehmen. Der Augenarzt muss die Aussagegrenzen und typische Fehlerquellen des verwendeten Systems kennen und bei widersprüchlichen Ergebnissen auf der Grundlage des Gesamtbefunds entscheiden. Ein unkritischer Einsatz kann langfristig zu einem Verlust diagnostischer Fähigkeiten führen [DOG/BVA 2025, Metan 2025].

Ein abgestuftes Vorgehen ist auch gegenüber Patienten sinnvoll. Eine automatische Schichtsegmentierung im OCT muss nicht eigens thematisiert werden. Hat die KI-Auswertung jedoch wesentlichen Einfluss auf Diagnose, Prognose oder Therapieentscheidung, sollte ihr Einsatz offengelegt werden. Je größer das mögliche Risiko einer Fehlentscheidung, desto ausführlicher ist zu erläutern, welche Rolle das System im Entscheidungsprozess spielt [DOG/BVA 2025].

Bei der Übertragung von Bild- oder Gesundheitsdaten an externe Server oder cloudbasierte Dienste sind die Datenwege zu prüfen. Neben der ärztlichen Schweigepflicht gelten Anforderungen an Datenschutz, Datensparsamkeit und Datensicherheit. Patienten sollten nachvollziehen können, zu welchem Zweck ihre Daten verarbeitet werden und ob eine Weiterleitung oder sekundäre Nutzung vorgesehen ist. Besondere Aufmerksamkeit verdienen Netzhaut- und Irisaufnahmen, da sie neben ophthalmologischen Befunden womöglich weitere gesundheitliche oder personenbezogene Informationen erkennen lassen [DOG/BVA 2025].

Den regulatorischen Rahmen bilden insbesondere die europäische Medizinprodukteverordnung, die Datenschutz-Grundverordnung und – abhängig von der jeweiligen Anwendung – die europäische KI-Verordnung (AI Act). Vor dem Einsatz eines KI-Systems ist zu prüfen [Gronow 2026; Thun 2026, DOG/BVA 2025]:

Für welchen Zweck und welche Indikation ist das System vorgesehen?
Für welche Patientengruppen und Bildgebungsverfahren wurde es validiert?
Bestehen Warnhinweise, Anwendungseinschränkungen und bekannte Fehlerquellen?
Welche Softwareversion wird verwendet und wie werden Aktualisierungen dokumentiert?
Wer ist Ansprechpartner bei technischen Problemen oder auffälligen Ergebnissen?

Die Verantwortung lässt sich nicht pauschal allein dem Arzt oder dem Hersteller zuweisen. Der Augenarzt bleibt für die fachgerechte Anwendung, Plausibilitätsprüfung sowie diagnostische oder therapeutische Entscheidungen verantwortlich. Für Konstruktions-, Fabrikations- oder Instruktionsfehler können dagegen Herstellerpflichten greifen. Wichtig sind klare Zuständigkeiten und eine nachvollziehbare Dokumentation des eingesetzten KI-Systems sowie des ärztlichen Umgangs mit den Analyse-Ergebnissen [DOG/BVA 2025].

Fazit: Assistenz statt Autopilot

Für die ophthalmologische Praxis ist nicht das technisch leistungsfähigste System das Beste, sondern jenes, das klar umrissene Aufgaben zuverlässig löst, sich ohne Reibungsverluste in bestehende Abläufe einfügt und medizinische Entscheidungen nachvollziehbar unterstützt. KI wird die augenärztliche Tätigkeit nicht schlagartig, sondern sukzessive verändern. Routineprozesse können stärker automatisiert werden, während die klinische Einordnung und erforderliche Therapien weiterhin in der Verantwortung des Augenarztes liegen.

Häufig gestellte Fragen zum Thema KI in der augenärztlichen Praxis – Chancen, Grenzen, ethische und rechtliche Aspekte

Die folgenden FAQs basieren auf der OphthaCompact-Studienzusammenfassung: „KI in der augenärztlichen Praxis – Chancen, Grenzen, ethische und rechtliche Aspekte”.

Wie kann künstliche Intelligenz Augenärzte im Praxisalltag unterstützen?

KI kann Augenärzte insbesondere bei der Auswertung bildgebender Verfahren wie OCT, OCT-A oder Fundusfotografie unterstützen. Zu den möglichen Einsatzgebieten gehören die Erkennung auffälliger Befunde, die automatisierte Vermessung von Biomarkern, die Verlaufsbeurteilung sowie die Unterstützung administrativer Prozesse. Die endgültige diagnostische und therapeutische Entscheidung bleibt jedoch Aufgabe des Augenarztes.

Für welche Augenerkrankungen wird künstliche Intelligenz bereits eingesetzt?

Der klinische Einsatz von KI ist derzeit vor allem bei Erkrankungen der Netzhaut weit fortgeschritten. Dazu zählen unter anderem die altersabhängige Makuladegeneration (AMD) und die geographische Atrophie. KI-Systeme können beispielsweise Drusen, atrophische Areale oder andere Biomarker automatisch erkennen, quantifizieren und im Verlauf vergleichen.

Welche Grenzen hat künstliche Intelligenz in der Augenheilkunde?

Die Leistungsfähigkeit von KI hängt maßgeblich von den Daten ab, mit denen das System entwickelt und validiert wurde. Unterschiede bei Patientenkollektiven, Bildqualität oder eingesetzten Geräten können die Genauigkeit beeinflussen. Deshalb sollten KI-Ergebnisse stets im klinischen Kontext überprüft und nicht ungeprüft übernommen werden.

Welche rechtlichen und ethischen Anforderungen gelten beim Einsatz von KI in der Augenarztpraxis?

Beim Einsatz von KI müssen unter anderem die Medizinprodukteverordnung (MDR), die Datenschutz-Grundverordnung (DSGVO) sowie – je nach Anwendung – die europäische KI-Verordnung (AI Act) berücksichtigt werden. Zudem sollten Datenschutz, Transparenz gegenüber Patienten, eine nachvollziehbare Dokumentation sowie klar definierte Verantwortlichkeiten gewährleistet sein.

Ersetzt künstliche Intelligenz künftig den Augenarzt?

Nein. KI ist als Assistenzsystem konzipiert und soll die augenärztliche Diagnostik und Praxisorganisation unterstützen, nicht ersetzen. Sie kann Routineaufgaben beschleunigen und zusätzliche Informationen liefern, die ärztliche Beurteilung, die Einordnung komplexer Befunde sowie Diagnose- und Therapieentscheidungen bleiben jedoch in der Verantwortung des behandelnden Augenarztes.

¹ EMA. Biosimilars in der EU – Leitfaden für medizinische Fachkräfte. 2023.
² Markus R et al. Developing the Totality of Evidence for Biosimilars. BioDrugs 2017; 31(3):175–87.
³ Sunaga T et al. Anti-VEGF Biosimilars for Neovascular AMD. Cochrane Database Syst Rev 2024.
⁴ Sharma A et al. Aflibercept 2 mg biosimilars. Eye 2025; 39(6):1026–27.

Quellen

Chang, Petrus, Leon von der Emde, Maximilian Pfau, u. a. 2024. „Einsatz von künstlicher Intelligenz bei der geographischen Atrophie bei der altersabhängigen Makuladegeneration“. Die Ophthalmologie 121 (8): 616–22.
https://doi.org/10.1007/s00347-024-02080-y.

DOG, und BVA. 2025. „Ethische Aspekte bei der Entwicklung, Zulassung und Implementierung von Anwendungen in der Augenheilkunde, die auf künstlicher Intelligenz basieren: Stellungnahme von DOG und BVA, erarbeitet von der DOG-AG Ethik in der Augenheilkunde“. Die Ophthalmologie 122 (5): 365–73.
https://doi.org/10.1007/s00347-025-02189-8.

Emde, Leon von der, Sandrine H. Künzel, Maximilian Pfau, u. a. 2024. „Einsatz von künstlicher Intelligenz zur Erkennung von Biomarkern bei der intermediären altersabhängigen Makuladegeneration“. Die Ophthalmologie 121 (8): 609–15.
https://doi.org/10.1007/s00347-024-02078-6.

Gronow, Thilo. 2026. „Mehr als nur Technik: autonome KI in ophthalmologischer Versorgung“. Die Ophthalmologie.
https://doi.org/10.1007/s00347-026-02466-0.

Metan, Saskia, und Florian Bruns. 2025. „Künstliche Intelligenz in der Medizin – Chancen und Risiken aus ethischer Sicht“. Die Ophthalmologie 122 (4): 278–85.
https://doi.org/10.1007/s00347-025-02224-8.

Rudolph, Clemens N., Philip Wakili, Annekatrin Rickmann, u. a. 2025. „Implementierung und Evaluation einer Lösung zur automatisierten Dokumentation des Arzt-Patienten-Dialoges (ADAPI) in der Ophthalmologie am Beispiel der IVOM-Routine“. Die Ophthalmologie, 122, 210-217.
https://doi.org/10.1007/s00347-024-02165-8.

Thun, Sylvia. 2026. „Künstliche Intelligenz in der Medizin: Grundlagen, Potenziale, strukturelle Grenzen und aktuelle Entwicklungen“. Die Innere Medizin 67 (6): 599–608.
https://doi.org/10.1007/s00108-026-02119-z.