Implementierung Künstlicher Intelligenz in der Transfusionsmedizin: Bewältigung der Herausforderungen bei der klinischen Einführung

Künstliche Intelligenz (KI) und maschinelles Lernen (ML) werden zunehmend zur Verbesserung der Transfusion und des Patientenblutmanagements gefördert, doch eine Umsetzung in der Praxis ist selten. Wir überprüften aktuelle exemplarische Studien, die eine prospektive Einführung mit Workflow-Integration berichteten, um translatorische Merkmale, Barrieren und Förderfaktoren der KI/ML-Integration zu untersuchen. Am 18. Juni 2025 suchten wir PubMed und Web of Science nach Artikeln ab Januar 2022. Von 1243 gescreenten Datensätzen und 31 vollständig geprüften Texten erfüllten 3 Studien die Einschlusskriterien. Die Beispiele umfassten: (1) ein im Labor eingebettetes Werkzeug zur Vorhersage niedriger Ferritinwerte bei anämischen Erwachsenen, das während einer 21-tägigen Einführung zusätzliche für die prätransfusionelle Optimierung relevante Eisenmangelzustände identifizierte; (2) eine patientenorientierte Smartphone-Anwendung, die den Hämoglobinwert anhand von Fingernagelbildern schätzt, national von über 200.000 Nutzern angenommen mit potenziellen Implikationen für Anämie-Screenings; und (3) ein klinikerorientiertes Smartphone-Entscheidungsunterstützungs-Tool zur Vorhersage des Reanimationsbedarfs bei Traumafällen, pilothaft an 5 Zentren mit akzeptabler Machbarkeit und Nutzerzufriedenheit in einer transfusionsintensiven Umgebung eingesetzt. Häufige Förderfaktoren waren die Ausrichtung auf klinische Bedürfnisse, die Nutzung bestehender Dateninfrastrukturen, interpretierbare baumbasierte Modelle und frühzeitige Einbindung von Stakeholdern. Anhaltende Barrieren waren Datenqualität und -governance, begrenzte Generalisierbarkeit sowie das Fehlen einer ökonomischen Bewertung. Wichtig ist, dass keine Studie eine Verbesserung klinischer Ergebnisse oder Kosten nachweisen konnte. Für die klinische Einführung müssen KI-Tools in Routinen integriert sein mit klaren Sicherheits-, Überwachungs- und Regulierungsplänen. Zukünftige Forschung sollte Implementierungsrahmenwerke von Anfang an anwenden, Auswirkungen auf transfusionspraktische Abläufe und Ergebnisse evaluieren und skalierbare Ansätze wie laborintegrierte Analytik, interoperable Entscheidungsunterstützung und patientenzentrierte digitale Tools priorisieren.