Qualified Health und das UT System identifizieren mit Claude Patienten, die lebensrettende Behandlungen brauchen

Qualified Health ist eine KI-Plattform für das Gesundheitswesen, die Patienten identifiziert, die Anspruch auf lebensrettende Behandlungen und eine verbesserte evidenzbasierte Versorgung haben, ohne ein solches Tool jedoch unentdeckt bleiben würden. Das University of Texas System (UT System) ist eines der größten öffentlichen Universitätssysteme in den Vereinigten Staaten. Seine Gesundheitseinrichtungen versorgen Patienten in ganz Texas.

Das erreichen Qualified Health und das UT-System mit Claude:

• Screening einer Patientenpopulation von 2 Millionen, um Kandidaten für lebensrettende Interventionen zu identifizieren
• Weiterleitung geeigneter Patienten samt unterstützender Dokumentation direkt in die Workflows der Kliniker
• Aktenprüfungen in Minuten, was zuvor umfassende manuelle Abstraktion erforderten
• Identifizierung von Patienten, die von Medikamentenoptimierung, therapeutischer Intervention oder einer weiteren Auseinandersetzung mit ihrem Fall profitieren
• Geplante Ausweitung von der Kardiologie auf Primärversorgung, Gefäßmedizin, Gastroenterologie, Rheumatologie und Neurologie bis Ende 2026

Das Problem

In Texas herrscht in fast jedem County ein kritischer Ärztemangel. Gesundheitsdienstleister wissen, dass eine frühere Erkennung von Krankheiten zu besseren Ergebnissen führt, aber die Informationen zur Identifizierung von Risikopatienten schlummern in fragmentierten klinischen Daten, die kein Mensch in großem Maßstab realistisch prüfen könnte.

„Die Menschen wollen und verdienen ein Maß an Zugang zur Gesundheitsversorgung, das unsere Belegschaft ohne KI-Unterstützung realistisch nicht bieten kann“, sagt Dr. Peter McCaffrey, Chief Digital and AI Officer an der University of Texas Medical Branch (UTMB).

Die Gesundheitssysteme haben Jahre damit verbracht, ihre Aufzeichnungen zu digitalisieren, aber die Digitalisierung hat die Daten nicht nutzbar gemacht. „Das Problem, vor dem wir stehen, ist buchstäblich eines des Suchens, Abrufens und Verständnisses“, sagt McCaffrey. „Es macht 90 % unserer Arbeit aus. Hieran arbeitet sich ein großer Teil unserer Belegschaft regelrecht ab, und hier häufen sich die meisten Versorgungslücken an. Umfang und Ausmaß dieser Daten wachsen stetig, das Ausmaß unserer Verantwortung gegenüber den Patienten wächst, aber unsere Belegschaft hält damit nicht Schritt.“

Die Organisationen standen am Ende vor einem Berg riesiger Mengen unstrukturierter klinischer Notizen, Bildgebungsberichte und Testergebnisse, die über unverbundene Systeme hinweg verstreut waren. Einem Patient kann eine neue Herzinsuffizienz-Diagnose gestellt werden und er wird daraufhin auf eine Therapie eingestellt, aber die Medikamente und Dosierungen stimmen unter Umständen nicht mit den neuesten Richtlinien überein. Gleichzeitig kennt ein Kardiologie-Team – vielleicht sogar im selben Krankenhaus – möglicherweise die neuesten Leitlinien, weiß aber nicht, ob neu diagnostizierte Patienten eine leitliniengerechte Versorgung erhalten, obwohl dies die Sterblichkeitslrate verbessert. In Texas erfüllen geschätzt 4–6 Millionen Patienten jährlich die Anforderungen für eine evidenzbasierte Intervention und werden nie identifiziert – was zu vermeidbaren Todesfällen, vermeidbaren Komplikationen und wachsender Belastung des Gesundheitssystems führt.

Claude ermöglicht die Identifikation von Patienten
auf Populationsebene

Qualified Health hat mit Claude Sonnet 4.5 eine KI-Plattform entwickelt, um den Gesundheitssystemen dabei zu helfen, Patienten zu identifizieren, die für bewährte, evidenzbasierte Interventionen auf Populationsebene infrage kommen. Claude wurde nach einer strukturierten Evaluation mehrerer Modelle ausgewählt, denn es tat sich hervor durch seine Leistung bei der genauen Extraktion klinischer Informationen, der Minimierung von Halluzinationen und der Erzeugung von Ausgaben, die vollständig auf Quelldaten rückverfolgbar sind. Diese Fähigkeiten sind für den sicheren Einsatz in klinischen Umgebungen unabdingbar.

Die Plattform integriert fragmentierte klinische Daten wie Notizen, Laborergebnisse, Bildgebung und Verfahrensaufzeichnungen und wendet präzise, leitlinienbasierte klinische Kriterien an, um die Patienteneignung über ein breites Spektrum kardiologischer Verfahren zu bestimmen. 

Patienten, die diese Kriterien erfüllen, werden zur Überprüfung direkt in die bestehenden Workflows der Kliniker eingebracht, mit unterstützender Dokumentation, die jeden Befund auf die Quelldaten zurückverfolgbar macht. Dieser Ansatz verkürzt den Weg von der Identifikation zur Behandlung und hält zugleich die klinische Aufsicht aufrecht, was es den Gesundheitssystemen ermöglicht, evidenzbasierte Versorgung konsistenter und in einem bisher nicht realisierbaren Umfang zu leisten.

Von reaktiver Versorgung hin zu einer proaktiven Intervention

Justin Norden, MD, Arzt und Informatiker, gründete Qualified Health, um den Gesundheitssystemen dabei zu helfen, KI sicher und skalierbar in klinischen und administrativen Abläufen einzusetzen, damit Kliniker solche Patienten finden und behandeln können, die sonst durchs Raster fallen würden. Sein vorheriges Unternehmen konzentrierte sich auf Algorithmus-Sicherheit und Vertrauen in Hochrisiko-Umgebungen, bevor es für Anwendungen im Bereich autonomer Fahrzeuge übernommen wurde. Dieser Hintergrund prägte den Ansatz von Qualified Health: den Aufbau der Infrastruktur, die zur Überwachung, Validierung und Steuerung der KI-Leistung in Hochrisiko-Gesundheitsumgebungen erforderlich ist.

„Wenn wir Patienten früher erkennen und behandeln würden, wäre das für alle besser. Das ist allgemein bekannt“, sagt Norden. „Was noch nicht allgemein bekannt ist: Heute haben wir das Potenzial, genau das zu tun.“

Die Partnerschaft mit dem UT-System begann, als Dr. McCaffrey seine KI-Führungsrolle am UTMB ausbaute. Die Institution brauchte einen Partner, der sie schnell voranbringen konnte, und sie wollte echten Mehrwert demonstrieren, nicht nur interessante Experimente durchführen. „Uns interessiert nicht so sehr ein ‚Oh, ihr habt etwas Cooles gemacht, wass in der Präsentation toll ankommt‘“, erklärt Dr. McCaffrey. „In dieser Phase brauchen wir echte Beispiele, in denen KI in der Praxis eingesetzt wird und für die medizinische Versorgung Mehrwert generiert, denn das ist unser Auftrag.“

Für die Kardiologen am Sealy Heart and Vascular Institute des UTMB ist der Workflow unkompliziert. Sie melden sich auf der Plattform von Qualified Health an und erhalten eine Übersicht mit Patienten, die von der KI vorab gescreent wurden und bei denen es Möglichkeiten für eine optimierte Behandlung in Bereichen wie Herzinsuffizienz und Herzklappenerkrankungen gibt. Das System gibt dann relevante medizinische und historische Kontextinformationen zusammen mit evidenzbasierten Angemessenheitskriterien aus, um diejenigen hervorzuheben, die sonst unbemerkt bleiben würden, aber von einer verbesserten Behandlung profitieren könnten. Die Claude-gestützte KI-Plattform extrahiert und synthetisiert relevante Details aus der Akte eines jeden Patienten – Informationen, die manuell über eine ganze Patientenpopulation hinweg unmöglich zusammengestellt werden könnten.

„Ich könnte Stunden damit verbringen, Akten durchzusehen und besorgniserregende Dinge zu finden“, sagte Norden. „Aber man kann das nicht bei 10.000 Patienten machen.“ Das System ersetzt nicht das klinische Urteilsvermögen, fügte er hinzu. Es verstärkt es und ermöglicht es den Klinikern, ihre Expertise in einem Umfang einzusetzen, der zuvor unmöglich war.

Entscheidend für die Wahl von Claude
war die klinische Genauigkeit

Qualified Health evaluiert kontinuierlich mehrere große Sprachmodelle durch einen rigorosen internen Benchmarking-Prozess, der automatisierte Tests mit strukturierter Überprüfung durch praktizierende Ärzte kombiniert. Die Modelle werden anhand ihrer Fähigkeit bewertet, strukturierte klinische Informationen aus komplexen Quelldaten präzise zu extrahieren, Fehlermodi wie Halluzinationen zu minimieren und rückverfolgbare Quellenangaben zu den zugrunde liegenden Aufzeichnungen zu liefern.

„Unser Fokus liegt auf Präzision und Zuverlässigkeit“, sagt Norden. „Wir brauchen Modelle, die konsistent die richtigen klinischen Signale identifizieren, keine Fehler einführen und jede Ausgabe vollständig auf die Quelldaten referenzierbar machen. In unseren Evaluierungen für diese Arbeit hat Claude die stärkste Leistung in all diesen Dimensionen gezeigt.“

„Sicherheit ist im Gesundheitswesen nicht verhandelbar“, fügt Norden hinzu. „Anthropic war ein Vorreiter beim Aufbau von Modellen mit starken Sicherheitsgrundlagen. Das war ein wichtiger Faktor bei unserer Entscheidung.“

Der Validierungsprozess spiegelt die Wurzeln von Qualified Health in algorithmischer Sicherheit und klinischer Rigorosität wider. Jede Implementierung folgt einem stufenweisen Ansatz, der vor einer breiter angelegten Nutzung mit unseren Partnern retrospektives Backtesting mit historischen Daten, automatisierte Evaluierungen, strukturierte ärztliche Überprüfung und kontrollierte Einführungen umfasst.

„Es werden keine vollständig automatisierten klinischen Entscheidungen getroffen“, betont Norden. „Jede Ausgabe wird von Klinikern überprüft, mit direkter Validierung anhand der Quelldaten. Menschliche Aufsicht ist systemimmanent eingebaut.“

Das Ergebnis

Im ersten Monat der Implementierung zeigte die Plattform, dass bei bis zu einem Drittel der Patienten mit Herzinsuffizienz Verbesserungsmöglichkeiten zur Optimierung der leitliniengerechten medikamentösen Therapie bestehen. In der ersten Überprüfungswelle ergab das Dutzende von Patienten mit Möglichkeiten zur evidenzbasierten Verbesserung des Medikamentenmanagements, welche die Kardiologen dann validieren und an die Behandlungsteams weiterleiten konnten. „Das ist ein großartiges Beispiel dafür, wie KI die klinische Belegschaft aktiv unterstützt“, sagt McCaffrey. „Es ist allgemein bekannt, dass viele Patienten mit Herzinsuffizienz von einem verbesserten pharmakologischen Management profitieren können, aber die Überprüfung dieser Adhärenz und Medikationspraxis über eine gesamte Population hinweg ist einfach nicht machbar: Dafür haben wir nicht die klinische Kapazität.“

Der Ansatz geht über die Kardiologie hinaus. „Wir haben in der Kardiologie begonnen, aber das ist nicht nur ein Kardiologie-Tool“, bemerkt McCaffrey. „Es besteht überall dasselbe Problem: Es gibt einen Patienten in der Gastroenterologie mit früher Zirrhose, jemanden in der Gefäßmedizin mit einem Aneurysma, das nie gemeldet wurde. Die Informationen sind vorhanden. Wir hatten nur keine skalierbare Möglichkeit, sie sichtbar zu machen. Der Bedarf besteht nicht darin, dass KI medizinische Entscheidungen trifft, vielmehr besteht der Bedarf darin, verborgene Probleme in den Vordergrund zu rücken, damit die Kliniker medizinische Entscheidungen treffen können.“

Kardiologie war ein bewusster Ausgangspunkt als Fachgebiet mit gut etablierten diagnostischen Kriterien, klaren klinischen Leitlinien und der Verfügbarkeit bewährter Interventionen mit lebensrettendem Potenzial.

Aufbauend auf dem Erfolg des UTMB wird die Initiative jetzt auf das gesamte Systemausgeweitet. Bis Ende 2026 werden neue Implementierungen Gesundheitssystemen in ganz Texas dabei helfen, solche Patienten zu identifizieren, die für evidenzbasierte Behandlungen in der Primärversorgung, Gefäßmedizin, Gastroenterologie, Rheumatologie und Neurologie in Frage kommen. Dr. McCaffrey leitet die KI-Arbeit über alle Gesundheitseinrichtungen des UT-Systems hinweg, und das System sieht sich als verantwortlich für alle Texaner in der außergewöhnlichen geografischen, medizinischen und sozioökonomischen Vielfalt dieses US-Bundesstaats.

Dr. McCaffrey fügt hinzu: „Die Fähigkeit, diese Intelligenz, dieses klinische Reasoning, auf alle, überall zu skalieren, ist ein wirklich inhärentes soziales Gut.“ 

‍