Kernaussagen
- Wir sind der Ansicht, dass KI das Gesundheitswesen eher stärken als disruptiv verändern wird.
- Während sich ein Großteil der Aufmerksamkeit rund um KI im Gesundheitswesen auf die Arzneimittelforschung konzentriert, lag ihr unmittelbarster Einfluss bislang in der Effizienzsteigerung innerhalb des gesamten Gesundheitssystems.
- KI-Anwendungen im Gesundheitswesen haben sich in vier zentralen Bereichen herausgebildet: Prädiktion, Diagnostik, Therapie und Systemeffizienz.
Eine der häufigsten Fragen unter Healthcare-Investoren lautet, wie sich KI auf bestehende Geschäftsmodelle auswirken wird, von der Arzneimittelforschung über die Diagnostik bis hin zur Fertigung. Daneben gibt es jedoch eine weiter gefasste Sorge: KI hat bereits viele Branchen grundlegend verändert. Wird das Gesundheitswesen mit derselben Bedrohung konfrontiert sein?
Die Antwort ist, wie so oft, differenziert. Das Gesundheitswesen ist keine einheitliche Branche, sondern ein Gefüge heterogener Teilsektoren, die jeweils eigene Wachstumstreiber und Chancen aufweisen. KI hat das Potenzial, Arbeitsabläufe und Effizienz im gesamten Healthcare-Ökosystem deutlich zu verbessern. Ich bin jedoch der Auffassung, dass KI, anstatt ganze Teilsektoren zu verdrängen, eher als leistungsfähiges Instrument dienen wird, das Innovation, Produktivität und langfristiges Wachstum fördert.
Warum das Gesundheitswesen KI anders adaptieren könnte
Was die Gesundheitsbranche einzigartig macht, ist der überragende Stellenwert der Sicherheit sowie die grundlegende Komplexität des regulatorischen Umfelds.
Historisch gesehen haben Technologieunternehmen stark regulierte Branchen wie das Gesundheitswesen eher gemieden. Stattdessen entwickelten sie hochwirksame Werkzeuge, etwa E-Commerce, Rechenleistung und in-silico-Simulationen, also computergestützte Experimente, mit denen medizinische Prozesse virtuell modelliert werden, und gingen anschließend Partnerschaften mit Healthcare-Unternehmen ein, die mit den regulatorischen Anforderungen, die für Erfolg in diesem Umfeld notwendig sind, bestens vertraut sind.
Daher halte ich es kurzfristig für den logischsten Weg, dass Healthcare-Unternehmen KI über Partnerschaften und Akquisitionen nutzen.
Zudem haben bislang eher die unspektakuläreren Bereiche des Gesundheitswesens den stärksten Einfluss von KI erfahren, also administrative Aufgaben, Revenue Cycle Management, Abrechnung, Kodierung und Patientenrekrutierung, obwohl der Einsatz von KI zur Identifikation neuer Wirkstofftargets weit mehr Aufmerksamkeit erhält. Gegenwärtig ist KI eher ein Instrument zur Kosteneinsparung als zur Umsatzgenerierung, auch wenn ich erwarte, dass sich dies im Zeitverlauf ändern wird.
Vier zentrale Anwendungsfelder von KI im Gesundheitswesen
Heute lassen sich die erfolgreichsten und am weitesten entwickelten KI-Anwendungen im Gesundheitswesen in vier Kategorien einteilen: Krankheitsprädiktion, Krankheitserkennung und -identifikation, Krankheitsbehandlung sowie Steigerung der Systemeffizienz. In diesen vier Bereichen wird KI unseres Erachtens kurzfristig den größten Einfluss entfalten.
Krankheiten vorhersagen
Die Kategorie Krankheitsprädiktion konzentriert sich auf Konsumententechnologie. Dazu zählen bestehende Wearables wie die Apple Watch und Fitbit sowie neue Geräte wie die Smart Glasses von Meta und EssilorLuxottica, die potenzielle Veränderungen von Biomarkern bereits vor dem Ausbruch einer Erkrankung erfassen können.
Dieses Segment ist weniger stark reguliert, primär auf Konsumenten ausgerichtet, und einige Technologien befinden sich noch in der Entwicklung. Dennoch zeigt es die Richtung, in die sich KI bei der frühen Krankheitsprädiktion bewegt. Diese Technologien können Patientinnen und Patienten auch unmittelbar zugutekommen, indem sie das Bewusstsein für gesundheitsfördernde Verhaltensweisen erhöhen und potenziell Verhaltensänderungen anstoßen.
Krankheiten erkennen und identifizieren
KI wird bereits in großem Umfang eingesetzt, um die Diagnostik zu verbessern, insbesondere in der Radiologie und Kardiologie. Dabei wird Mustererkennung in Millionen medizinischer Bilder genutzt, um Auffälligkeiten wie Lungenknoten, Schlaganfälle und Frakturen zu detektieren. Dabei gibt es zwei Hauptansätze: Hardware-Integration („KI im Scanner“) und Software-Integration („KI im Workflow“).
Der Ansatz der Hardware-Integration wird beispielsweise von Herstellern bildgebender Systeme genutzt, die KI in ihre Geräte einbetten, um schnellere, klarere Scans und vereinfachte Bedienung zu ermöglichen. Dadurch können Scanner die Bildqualität automatisch optimieren, Rauschen reduzieren und in manchen Fällen die Scan-Zeiten deutlich verkürzen. KI kann zudem Routineaufgaben wie Positionierung, Bildrekonstruktion und erste Messungen automatisieren. Das erleichtert die Bedienung der Geräte und verringert die Abhängigkeit von hochspezialisierten Fachkräften.
Der Ansatz der Software-Integration wird hingegen von Anbietern von Bildverarbeitungssoftware genutzt, um den Übergang von lokalen Systemen zu cloudbasiertem Imaging zu unterstützen. Dadurch wird das sofortige Streaming großer Bilddateien sowie die nahtlose Integration von KI-Lösungen in die Workflows von Radiologinnen und Radiologen möglich. Krankenhäuser bevorzugen zudem häufig eingebettete KI innerhalb bestehender Plattformen, um nicht mit einer Vielzahl unterschiedlicher Anbieter arbeiten zu müssen.
Krankheiten behandeln
KI kommt auch bei chirurgischen Eingriffen, Krebstherapien und klinischen Entscheidungen in Echtzeit zum Einsatz. Diese Bereiche sind durch einige der höchsten regulatorischen Anforderungen und Markteintrittsbarrieren im Gesundheitswesen geprägt. In solchen Umgebungen ersetzt KI Ärztinnen und Ärzte nicht, sondern verbessert Präzision, optimiert die Planung und ermöglicht konsistentere Behandlungsergebnisse.
Mehrere Branchenführer integrieren KI bereits in ihre prozeduralen Ökosysteme. So nutzt etwa das robotische da-Vinci-System von Intuitive Surgical KI für postoperative Analysen und entwickelt sich in Richtung Echtzeit-Unterstützung im OP weiter, mit 3D-Overlays und teilautomatisierten Aufgaben wie dem Setzen von Nähten.
Darüber hinaus setzt RaySearch Laboratories KI ein, um die komplexe Planung von Strahlentherapien zu automatisieren. Auch einige Dentalunternehmen integrieren KI bereits in digitale Workflows für Kieferorthopädie und dentale Implantate.
Systemeffizienz verbessern
KI bietet im Gesundheitswesen einige der unmittelbarsten Chancen, indem sie hilft, Workflows zu verschlanken, Verschwendung zu reduzieren und Forschung zu beschleunigen. Klinikerinnen und Kliniker verwenden derzeit einen erheblichen Teil ihrer Zeit, oft 25 % bis 40 %, auf Dokumentation1, während sich die administrative Verschwendung im US-Gesundheitswesen auf geschätzte 250 bis 300 Milliarden US-Dollar pro Jahr beläuft2. Auch klinische Studien bleiben langwierig und kostenintensiv, obwohl die jährlichen Ausgaben der Pharmaindustrie für Forschung und Entwicklung (F&E) bei 300 Milliarden US-Dollar liegen3.
Klinikerinnen und Kliniker verwenden derzeit einen erheblichen Teil ihrer Zeit, oft 25% bis 40%, auf Dokumentation.
Und in all diesen Bereichen trägt KI bereits auf konkrete Weise zur Effizienzsteigerung bei. In klinischen Studien unterstützt KI Contract Research Organizations (CROs) und Softwareunternehmen bei schnellerer Patientenrekrutierung, der Vorhersage der Leistungsfähigkeit von Prüfzentren und der automatisierten Datenbereinigung. In Krankenhäusern und Gesundheitssystemen kann KI das Revenue Cycle Management verbessern, indem sie Abrechnung, Kodierung und Claims Processing automatisiert. Gleichzeitig integrieren Unternehmen aus dem Bereich Life-Sciences-Tools KI in ihre Instrumente, um schnellere, sauberere und besser reproduzierbare Ergebnisse zu liefern.
Wir sind der Auffassung, dass Effizienzsteigerungen und Einsparungen bei administrativen Kosten das Einfallstor für die KI-Adaption im Gesundheitswesen sind. Gleichwohl setzt dies weiterhin voraus, dass Krankenhäuser, Gesundheitssysteme und CROs diese Technologien angesichts der hohen regulatorischen Belastung des Sektors auch tatsächlich implementieren. Daher sehen wir KI weiterhin als ein produktivitätssteigerndes Werkzeug und nicht als ein Instrument, das ganze Branchen ersetzt.
Verkürzung der Studiendauer durch KI-gestützte Standortauswahl
KI kann dazu beitragen, die Rekrutierungsdauer in Phase 3 zu verkürzen
Rekrutierungsdauer in Phase 3 mit KI
Chance statt Verdrängung
Wir sind der Auffassung, dass die Begeisterung rund um KI in der Wirkstoffforschung berechtigt ist. Es bleibt jedoch eine wesentliche Hürde: KI ist nur so gut wie die zugrunde liegenden Modelle, auf denen sie basiert.
Und genau darin liegt die Herausforderung: Der Mensch versteht bislang nur etwa 10 % bis 15 % der menschlichen Biologie. Der menschliche Körper ist hochkomplex, und Interaktionen auf molekularer Ebene erscheinen angesichts der genetischen und umweltbedingten Faktoren, die die individuelle Lebensrealität und DNA jedes Menschen prägen, oft nahezu zufällig. Solange das biologische Verständnis des Menschen begrenzt bleibt, dürfte auch die Rolle von KI in der Wirkstoffforschung und -entwicklung begrenzt sein.
Gleichwohl investieren Biopharma-Unternehmen bereits seit Jahren in KI-Kompetenzen, und erste Anzeichen substanzieller Produktivitätsgewinne werden zunehmend sichtbar. Ein Beispiel dafür ist die Entwicklung sogenannter „Lab-in-the-Loop“-Systeme, bei denen in-silico-Modelle Nasslaborexperimente steuern und deren Ergebnisse die Modelle fortlaufend weiter verfeinern. Dieser Feedback-Loop hat das Potenzial, die Forschung zu beschleunigen, indem er es ermöglicht, in kürzerer Zeit mehr Targets zu generieren.
Auch wenn sich diese Entwicklungen noch im Reifestadium befinden, könnten sie letztlich die Entwicklungszeiten verkürzen und die Kosten senken. Dadurch könnten Biopharma-Unternehmen ihre Margen ausweiten und zusätzliche Mittel in Forschung und Entwicklung reinvestieren. Große Pharmaunternehmen dürften hier besonders gut positioniert sein, da sie über Skalenvorteile, proprietäre Datensätze und tiefgehende wissenschaftliche Expertise verfügen.
KI ist nur so gut wie die zugrunde liegenden Modelle, auf denen sie basiert.
Gleichzeitig dürfte es sowohl für Regulierungsbehörden als auch für Unternehmen schwierig sein, ein Arzneimittel ohne abgeschlossene Studien am Menschen zur Marktreife zu bringen, da damit erhebliche Sicherheitsrisiken verbunden sind. Daher bin ich der Auffassung, dass weiterhin hohe Markteintrittsbarrieren bestehen, die verhindern, dass KI Pharmaunternehmen vollständig ersetzt.
Bis dahin wird KI aus meiner Sicht weiterhin tiefgreifende Auswirkungen auf die Effizienz des Gesundheitssystems haben, auf schnellere Diagnosen sowie auf eine bessere Vorhersage und Behandlung von Krankheiten.
Vor diesem Hintergrund haben wir im Global-Equity-Team unser Portfolio so positioniert, dass es von jenen Healthcare-Unternehmen profitieren kann, die das Potenzial haben, KI rasch in ihre Workflows sowie in ihre Forschungs- und Entwicklungsprozesse zu integrieren und dadurch greifbare Vorteile sowohl für ihre Patientinnen und Patienten als auch für ihre Ertragslage zu schaffen.
Matt Sykes ist Research Analyst im Global-Equity-Team von William Blair.
Justin Lin, CFA, ist Research Analyst im Global-Equity-Team von William Blair.
Möchten Sie mehr Einblicke in die Wirtschaft und die Investitionslandschaft? Abonnieren Sie hier den William Blair Investment Management Blog
Weitere beliebte Meldungen:
1 Quelle: National Institutes of Health.
2 Quelle: McKinsey.
3 Quelle: DeciBio.
