Ein internationales Forschungsteam unter Leitung der Universitat Politècnica de València (UPV) hat die Anwendung Künstlicher Intelligenz (KI) in Neonatologie-Intensivstationen (NICUs) systematisch untersucht. Die Übersichtsarbeit, die in Seminars in Fetal and Neonatal Medicine erschienen ist, wertet 41 Studien der vergangenen zehn Jahre aus und bewertet Chancen, technische Herausforderungen sowie ethische Aspekte.
KI gewinnt in der Versorgung von Frühgeborenen und schwer kranken Neugeborenen zunehmend an Bedeutung. Sie unterstützt vor allem die Früherkennung von Komplikationen, die kontinuierliche Überwachung und die Vorhersage kritischer Ereignisse. Häufige Anwendungen betreffen das kardiovaskuläre, neurologische, respiratorische und infektiöse System. Algorithmen analysieren subtile klinische Signale aus physiologischen Daten, Video- oder Audioaufnahmen, die in der Routineüberwachung oft übersehen werden.
Zu den wichtigsten Fortschritten zählen die frühe Detektion von Sepsis, die Abschätzung der Hirnreifung, die Vorhersage respiratorischer Episoden sowie die Optimierung von Echtzeit-Monitoring-Systemen. NICUs erzeugen enorme Mengen an Echtzeitdaten; KI kann diese interpretieren, Entscheidungsfindung verbessern und Komplikationen vorbeugen – ein entscheidender Vorteil für die vulnerabelsten Patienten.
Trotz des Potenzials identifiziert die Studie erhebliche Hindernisse für eine breite klinische Einführung: Unterschiede zwischen Patienten, unzureichend repräsentative Datensätze, Bias durch nicht-invasive Messmethoden sowie fehlende externe Validierung vieler Modelle. Viele Ansätze seien bisher nicht ausreichend robust und generalisierbar. Die Autoren fordern größere, qualitativ hochwertige Datenbanken, benutzerfreundliche Modelle für das medizinische Personal sowie transparente und erklärbare Algorithmen.
Besonders betont wird die Notwendigkeit interdisziplinärer Zusammenarbeit zwischen Ingenieuren, Klinikern, Datenwissenschaftlern und Ethikexperten. Mit zunehmender Verfügbarkeit von Gesundheitsdaten und fortschreitender Modellkomplexität wächst das Potenzial für prädiktive Diagnostik und individualisierte Therapien. Gleichzeitig müssen Datenschutz, rigorose Validierung und gerechter Zugang zu den Technologien gewährleistet werden.
Die Arbeit sieht in der Integration multimodaler Daten, Echtzeit-Überwachungstools und ethisch verantwortungsvollen, erklärbaren Modellen große Chancen für eine präventivere, genauere und patientenzentrierte Neonatologie. Die Studie wurde im Rahmen des INBIO-Programms der UPV und des Hospital Universitari i Politècnic La Fe sowie durch die RICORS-SAMID-Netzwerk und NextGenerationEU-Mittel gefördert.
Objektive Bewertung
Die systematische Übersichtsarbeit bietet einen umfassenden und aktuellen Überblick über ein dynamisches Feld und hebt realistisch sowohl vielversprechende Anwendungen als auch die erheblichen Implementierungsbarrieren hervor. Die Fokussierung auf klinisch relevante Bereiche wie Sepsis-Früherkennung und Hirnreifung ist praxisnah; die Betonung von Bias, Validierungsmängeln und ethischen Fragen entspricht dem aktuellen Stand der KI-Forschung in der Medizin.
Kritisch anzumerken ist, dass viele der einbezogenen Studien methodisch limitiert sind – oft fehlen externe Validierungen, große Kohorten und prospektive Designs. Die Übersicht selbst ist deskriptiv und enthält keine Meta-Analyse quantitativer Leistungsmetriken. Dennoch liefert sie eine solide Grundlage für Prioritätensetzung und zeigt klar, dass KI in der Neonatologie noch weit von der Routineanwendung entfernt ist. Der interdisziplinäre Ansatz und die Forderung nach erklärbaren Modellen sind zukunftsweisend; der Beitrag unterstreicht die Notwendigkeit, Innovation mit Patientensicherheit und Gerechtigkeit in Einklang zu bringen.
Originalartikel
Antonio Martínez Millana, Álvaro Solaz-García, Andrea García Montaner et al.: A systematic review on the use of artificial intelligence in the neonatal intensive care unit: far beyond the potential impact. Seminars in Fetal and Neonatal Medicine (2026). DOI: https://doi.org/10.1016/j.siny.2025.101684 (bzw. verlinkter Abstract: https://www.sfnmjournal.com/article/S1744-165X(25)00084-8/abstract)
