Endometriose gehört zu den häufigsten gynäkologischen Erkrankungen weltweit — und gleichzeitig zu den am längsten übersehenen. Von ersten Symptomen bis zur gesicherten Diagnose vergehen im Durchschnitt sieben bis zehn Jahre. Diese Lücke ist nicht medizinisch unvermeidlich: Die Erkrankung ist seit dem neunzehnten Jahrhundert beschrieben, ihre Symptome sind bekannt, die Diagnostik ist vorhanden. Die Lücke entsteht, weil Schmerzen bei Frauen systematisch anders bewertet werden als bei Männern — und weil Menstruationsschmerzen zu lange als etwas galten, das man einfach aushalten müsse.
Genau an solchen Stellen gibt es theoretisch einen Ansatzpunkt für KI-gestützte Diagnostik: die Fähigkeit, große Datenmengen auf Muster zu untersuchen, könnte helfen, wiederkehrende Symptomkombinationen früher zu erkennen. Theoretisch. Die Praxis ist komplizierter — und sie beginnt mit der Frage, welche Daten in diese Systeme eingeflossen sind.
Was KI im Gesundheitssystem bereits tut
Künstliche Intelligenz ist im Gesundheitswesen keine Zukunftsvision mehr. Bildgebende KI-Systeme unterstützen die Auswertung von Mammografieaufnahmen und Hautkrebs-Screenings. Klinische Entscheidungsunterstützungssysteme schätzen Risiken für Krankenhauswiedereinweisungen und Sepsis-Entwicklung ab. Symptomchecker ermöglichen erste Einschätzungen vor dem Arztgespräch. In einigen Ländern sind KI-Systeme bereits in klinische Routineprozesse integriert.
In Deutschland befindet sich die Integration von KI in die Regelversorgung noch in frühen Phasen — aus regulatorischen, datenschutzrechtlichen und strukturellen Gründen. Aber die Richtung ist klar: KI wird in den kommenden Jahren zum festen Bestandteil von Diagnose, Prävention und Gesundheitskommunikation werden. Die Frage ist nicht ob — sondern wie.
Die spezifische Chance für Frauengesundheit
Mustererkennung bei unspezifischen Symptomen: Endometriose, polyzystisches Ovarsyndrom (PCOS) und andere chronische Erkrankungen haben oft diffuse Symptombilder, die sich über Jahre langsam verändern. KI-Systeme können theoretisch Muster in Labordaten, Zyklusverläufen und Symptomberichten erkennen, die einzelnen Behandlern im begrenzten Zeitfenster einer Konsultation entgehen.
Perinatale psychische Gesundheit: Depressionen und Angststörungen in Schwangerschaft und Wochenbett sind trotz hoher Prävalenz unterdiagnostiziert. KI-gestützte Screening-Tools, die regelmäßig eingesetzt werden, könnten Risiken früher sichtbar machen — vorausgesetzt, sie werden konsequent mit menschlicher Begleitung verknüpft.
Personalisierte Menopause-Unterstützung: Die Wechseljahre verlaufen individuell sehr unterschiedlich. KI-Systeme könnten auf Basis von Verlaufsdaten individuellere Empfehlungen zu Symptommanagement und Hormontherapie ermöglichen — statt des Einheitsansatzes, der aktuell häufig den Standard bildet.
Geografische Zugangslücken: In ländlichen Regionen ist der Zugang zu Spezialistinnen für Gynäkologie, Endokrinologie oder perinatale Psychiatrie eingeschränkt. KI-gestützte Ersteinschätzungen und Telekonsultationen können Zugangslücken teilweise schließen — als Ergänzung zur menschlichen Fachkraft, nicht als Ersatz.
Das Trainingsdaten-Problem
Hier wird es jedoch grundlegend kompliziert.
Medizinisches Wissen ist historisch aus Studien entstanden, in denen Frauen unterrepräsentiert waren — oder nur in spezifischen reproduktiven Kontexten untersucht wurden. Lange dominierte, was Kritikerinnen als „Bikini-Medizin" bezeichnen: Frauen wurden medizinisch vor allem als Brüste und Gebärmutter erforscht. Alles andere wurde häufig von Erkenntnissen aus männlichen Patientengruppen abgeleitet.
KI-Systeme lernen aus vorhandenen Daten. Wenn diese Daten systematische Lücken und Verzerrungen enthalten, lernen die Systeme diese Lücken mit.
Das ist kein theoretisches Problem. Studien zeigen, dass diagnostische KI-Systeme bei Frauen häufiger falsch liegen als bei Männern — weil ihre Trainingsdaten unausgewogen waren. Ein Algorithmus, der Herzinfarkt-Muster erkennen soll und primär auf männlichen Patientendaten trainiert wurde, kann die häufig atypischen Herzinfarktsymptome bei Frauen systematisch unterschätzen. Für Endometriose, PCOS und viele andere frauenspezifische Erkrankungen gilt dasselbe.
Orientierung versus Information
Es gibt eine zweite, oft unterschätzte Dimension: Gesundheitliche KI-Systeme geben Informationen. Was sie nicht geben können, ist Einordnung.
Ein algorithmischer Risikohinweis — „Ihr Wert liegt im erhöhten Bereich" — ist technisch präzise. Er ist emotional eine andere Frage. Für Menschen mit sensiblen Nervensystemen, für Frauen in belastenden Lebensphasen, für Menschen, die bereits gesundheitliche Erschöpfung kennen, kann eine solche Mitteilung tiefe Unsicherheit auslösen — unabhängig davon, wie real das Risiko statistisch ist.
§ 25b SGB V, der Krankenkassen die Nutzung von Gesundheitsdaten für präventive Risikohinweise erlaubt, berührt genau diese Frage. Wenn algorithmische Systeme Risikomuster erkennen und kommunizieren, ohne dass strukturierte Begleitung dieser Kommunikation folgt, entsteht ein spezifisches Belastungspotenzial — besonders für Gruppen, die bereits vulnerabel sind.
Was internationale Entwicklungen zeigen
Mehrere Länder sind beim Einsatz von KI im Gesundheitswesen bereits weiter als Deutschland und bieten Orientierungsrahmen.
Großbritannien hat im Rahmen des NHS AI Lab gezielt Programme entwickelt, die Gender Equity in medizinischen KI-Systemen explizit adressieren. Es gibt Anforderungen, Trainingsdaten auf demografische Repräsentativität zu prüfen — ein Schritt, der in deutschen Regulierungsdebatten bisher kaum explizit gemacht wird.
Die EU hat mit dem AI Act einen Regulierungsrahmen geschaffen, der medizinische KI-Systeme als Hochrisiko-Anwendungen einstuft und entsprechende Transparenz- und Sicherheitsanforderungen stellt. Die praktische Umsetzung dieser Anforderungen — insbesondere für frauenspezifische Gesundheits-Apps — ist noch nicht vollständig definiert.
Israel hat systematisch in KI-gestützte Maternal Health Programme investiert — mit dem Ziel, Risiken in Schwangerschaft und Wochenbett früher zu erkennen. Die Programme sind evaluiert und zeigen messbare Verbesserungen in der Früherkennung.
Der internationale FemTech-Markt wird bis 2030 auf über fünfzig Milliarden US-Dollar geschätzt. Ein erheblicher Teil davon basiert auf KI-Komponenten. Das Wachstum ist beeindruckend. Die Regulierung hinkt nach.
Risiken, die nicht unterschätzt werden sollten
KI-Systeme produzieren Fehler. In der Gesundheitskommunikation können diese Fehler erhebliche Folgen haben — von unnötiger Angst bis zu verspäteter Behandlung. Wer ein KI-System nutzt, braucht die Gesundheitskompetenz, um KI-generierte Informationen einzuordnen — ein Zirkelschluss, der nicht alle Gruppen gleich gut erreicht.
Der Zugang zu gesundheitlichen KI-Tools ist ungleich. Wer ein aktuelles Smartphone hat, digitale Sprachkenntnisse besitzt und sich solche Tools leisten kann, hat Vorteile. Wer das nicht hat, bleibt außen vor. Bestehende Gesundheitsungleichheiten können dadurch verstärkt werden.
KI kann menschliche Konsultation ersetzen — oder ergänzen. Der Unterschied ist entscheidend. Wo KI dazu beiträgt, dass Menschen seltener ärztliche Einschätzungen suchen, weil sie das Gefühl haben, die KI habe ihre Frage beantwortet, entsteht eine Versorgungslücke anderer Art.
Wessen Erfahrungen werden eingeschrieben?
Die Frage ist nicht, ob KI Frauengesundheit verändern wird. Das wird sie. Die Frage ist, wessen Erfahrungen dabei in die Systeme eingeschrieben werden.
Wenn KI-Systeme auf historisch verzerrten Daten trainiert werden, reproduzieren sie die Lücken einer Medizin, die Frauen jahrzehntelang weniger ernst genommen hat als Männer. Wenn sie dagegen mit der Intention entwickelt werden, diese Lücken zu schließen — mit repräsentativen Daten, mit Transparenz über Grenzen, mit strukturierter Begleitung der Kommunikation — können sie tatsächlich etwas verändern.
Welche dieser beiden Entwicklungen sich durchsetzt, entscheiden nicht Algorithmen. Das entscheiden die Menschen, die Systeme designen, die Institutionen, die sie finanzieren, und die Regulierungsbehörden, die sie prüfen. Praxis Liebenswert beobachtet diese Entwicklung — weil sie die Frauengesundheit der kommenden Jahrzehnte mitprägen wird.