Programm der 6. KI-Landeskonferenz am 09. Oktober 2025

Session 1.1 – Podiumsdiskussion KI und Regulatorik

Raum: Hauptbühne

Teilnehmende:

Dirk Schrödter, Chef der Staatskanzlei des Landes Schleswig-Holstein und Minister für Digitalisierung und Medienpolitik 
Mit strategischem Blick und wirtschaftlichem Sachverstand gestaltet Dirk Schrödter seit 2022 maßgeblich die digitalen Schwerpunkte des Landes. Bereits seit dem Jahr 2017 verantwortet er die Entwicklung und Umsetzung der KI Strategie Schleswig-Holstein. Der Diplom-Volkswirt lehrt zu den Themen Volkswirtschaft und Finanzen und prägt zudem als Chef der Staatskanzlei seit 2017 die Regierungsarbeit – engagiert, lösungsorientiert und stets nah an den Menschen. 

Dr. Stefanie Schulz-Große, Kanzlei Redeker-Sellner-Dahs, Berlin
Mit Leidenschaft für Datenschutz und KI‑Recht begleitet Dr. Stefanie Schulz-Große u.a. Unternehmen bei datenschutzrechtlichen Fragen und Gesundheitseinrichtungen zu Regelungen des Sozialdatenschutzes. Als Rechtsanwältin und Lehrbeauftragte an der FernUni Hagen bringt sie juristische Präzision und klare Argumentation in komplexe technologische Debatten ein.

Prof. Dr. Martin Leucker, Geschäftsführer der UniTransferKlinik GmbH, Professor und Leiter Institut für Software Engineering und Programmiersprachen, Universität zu Lübeck
Professor Martin Leucker leitet seit über 15 Jahren das Institut für Software Engineering und Programmiersprachen an der Universität zu Lübeck und ist Geschäftsführer der UniTransferKlinik Lübeck GmbH. Seine wissenschaftliche Arbeit fußt auf Grundlagenforschung in der Informatik und richtet sich zugleich auf konkrete Anwendungen im Gesundheitswesen. Besonders interessiert ihn, wie Künstliche Intelligenz sicher, nachvollziehbar und regulierungskonform eingesetzt werden kann. In zahlreichen Kooperationen mit Forschung und Industrie bringt er technologische Innovation und medizinische Praxis zusammen.

Lars C. Cornels, Rechtsanwalt (Syndikusrechtsanwalt), Drägerwerk AG & Co. KGaA, Lübeck
Lars Cornels ist Teil der Konzernrechtsabteilung von Dräger, einem weltweit führenden Unternehmen der Medizin- und Sicherheitstechnik. In seiner Rolle treibt er federführend aus der rechtlichen Perspektive die globale Transformation und den digitalen Wandel. Dabei liegt der Fokus sowohl auf dem internen Umschwung als auch auf der externen kundenseitigen Entwicklung und dem Business Development. Daneben arbeitet er als Experte für IT-Recht und ist Mitglied von Fachgruppen sowie Expertengremien, darunter dem KI-Expertenrat der Landesregierung Schleswig-Holstein.

Thomas Ballast, Stellvertretender Vorsitzender des Vorstands der Techniker Krankenkasse (TK)
Thomas Ballast ist bei der Techniker Krankenkasse für die Unternehmensbereiche Service und Kanäle, Service und Business Management, Innovtion und ambulante Versorgung sowie Versorgungssteuerung verantwortlich. Seit dem 1. Juli 2012 gehört er dem Vorstand an. Zuvor war der Diplom-Volkswirt Vorstandsvorsitzender des Ersatzkassenverbandes vdek und in verschiedenen Positionen in der gesetzlichen Krankenversicherung tätig. 

Moderation:

Heike Wachenhausen, 1. Vorsitzende, Life Science Nord e.V. / Rechtsanwältin und Partnerin, Kanzlei Wachenhausen Dienemann
Als Juristin mit dem Schwerpunkt Regulatory Affairs für die Pharma- und Medizintechnikbranche ist Heike Wachenhausen im Norden für ihre leidenschaftliche Arbeit und ihr geradliniges Denken bekannt. Im September 2021 wurde sie zur ersten Vorsitzenden des Vereins Life Science Nord gewählt. In ihrer neuen Funktion will sie vor allem eine starke Stimme sein, wenn es um neue lokale oder nationale Gesetze geht, die für die Gesundheitsbranche relevant sind.

zur Sessionübersicht
nach oben

Session 1.2 – KI im Labor

Raum: MF-50-2

Hauke Heller, bAhead GmbH: bAhead with your lab: Das 2018 gegründete Unternehmen bAhead hat Buddy® entwickelt, eine vollständig flexible kollaborative Robotiklösung zur Vereinfachung von Arbeitsabläufen und Logistik in Labors. Durch den Einsatz von bildverarbeitungsbasierter KI kann sich Buddy flexibel an veränderte Arbeitsumgebungen anpassen und bestehende Geräte unabhängig vom Hersteller integrieren.

Thomas Martinetz, Pattern Recognition Company GmbH / Institut für Neuro- und Bioinformatik, Universität zu Lübeck: Schneller, präziser, objektiver: KI-gestützte Immunfixationsdiagnostik
Die Immunfixationselektrophorese ist wichtig zur Diagnose monoklonaler Gammopathien, wird jedoch bisher manuell beurteilt. Zusammen mit LADR, einem großen Laborverbund aus Geesthacht, wurde ein KI-basiertes Auswerteverfahren entwickelt, das Immunfixationsbilder automatisch klassifiziert und dabei neben Standardbefunden auch seltene Varianten erkennt. Das System ist mittlerweile seit über drei Jahren erfolgreich im Routineeinsatz bei LADR und hat bei der Vorbewertung von über 50.000 Immunfixationsbildern fehlerfrei unterstützt. Neben der Beschleunigung der Laborabläufe ist die Vorbewertung objektiver und entlastet das medizinische Personal signifikant, ohne die ärztliche Entscheidungsverantwortung zu ersetzen.

Johannes Lotz, Fraunhofer MEVIS: Medizinische Foundation Models – Grundlage für KI in der Klinik und Werkzeug zur Erforschung neuer Biomarker
Foundation Models (FM) sind große KI-Basismodelle, die mit umfangreichen und vielfältigen Daten vortrainiert werden und dadurch in vielen Bereichen flexibel einsetzbar sind. In der Medizin könnten sie helfen, Diagnosen zu unterstützen oder wichtige Prognosen zu stellen, z. B. bei Krebs.
Ihr Training ist jedoch oft sehr energieintensiv: Bei herkömmlichen Verfahren werden Millionen von Bildausschnitten über viele tausend Rechenstunden verarbeitet – mit entsprechend hohen Kosten und CO₂-Emissionen. Fraunhofer MEVIS hat hierfür einen effizienteren Ansatz entwickelt, der zusätzlich zu den Bilddaten vorhandene Annotationen nutzt. Damit lassen sich vergleichbare Ergebnisse mit nur einem Bruchteil der Datenmenge, der Rechenzeit und des Energieverbrauchs erzielen. Das schont Ressourcen, senkt Kosten und macht den gezielten Einsatz solcher Modelle in der medizinischen Forschung und Diagnostik praktikabler.

zur Sessionübersicht
nach oben

Session 1.3 – KI und Anonymisierung

Raum: MF-50-3

Esfandiar Mohammadi, Universität zu Lübeck: Unerwartetes Wissen über Einzelpersonen lassen sich aus großen modernen KI-Modellen herauskitzeln. Wie können wir KI Lernverfahren entwerfen, aus denen man keine personenbezogenen Daten extrahieren kann? Die KI-Forschung selbst bietet dazu interessante Ansätze. Wir werden ein paar dieser Ideen diskutieren und kennenlernen.

Nikolai Raitschew, Anymize.ai: Wir wissen alle, wie genial Künstliche Intelligenz ist und wie viel produktiver sie uns macht. Aber stellt euch mal vor, dass es viele Menschen und Unternehmen gibt, die nicht von dieser Technologie profitieren können – eben aus Datenschutzgründen. Anwaltskanzleien, die keine Mandantendaten an US-Server senden dürfen. Steuerberater, die mit vertraulichen Finanzinformationen arbeiten. Unternehmen, die keine Kundendaten an KI-Tools schicken dürfen.
Dafür hat anymize.ai eine Lösung gefunden.
Die Web-Applikation ermöglicht die bidirektionale Anonymisierung von vertraulichen Dokumenten. Sensible Informationen werden vor der Verarbeitung automatisch erkannt und pseudonomisiert. Das Dokument kann dann sicher von Large Language Models wie ChatGPT oder Claude bearbeitet werden. Nach der KI-Verarbeitung kann man die Antwort wieder bei Anymize einfügen und die Anonymisierung wird rückgängig gemacht.
anymize.ai baut die Brücke zwischen der Welt der Vorsicht und der Welt der Möglichkeiten.

zur Sessionübersicht
nach oben

Session 1.4 – Erklärbare KI im Gesundheitswesen

Raum: MF-50-4

Ahmad Samer Kadib Alban, Universitätsklinikum Schleswig-Holstein: Der Kompromiss zwischen Komplexität und Erklärbarkeit in der KI: Versuche, die Black Box zu öffnen
Da KI-Modelle im Gesundheitswesen immer komplexer werden, lassen sich ihre Vorhersagen zunehmend schwerer erklären. Einfachere Methoden wie Regression und Entscheidungsbäume liefern transparente Begründungen, während Deep Learning und andere fortschrittliche Modelle Interpretierbarkeit gegen höhere Genauigkeit eintauschen. Dieser Vortrag beleuchtet den Kompromiss zwischen Komplexität und Erklärbarkeit, zeigt auf, warum moderne neuronale Netze oft als Black Boxes gelten, und erläutert, wie Tools wie LIME und SHAP ihre Ergebnisse verständlicher machen. Anhand von Beispielen aus dem Gesundheitswesen wird gezeigt, wie diese Ansätze Vertrauen, Verantwortlichkeit und die Akzeptanz von KI in der klinischen Praxis fördern können.

Heinz Handels, Deutsches Forschungszentrum für Künstliche Intelligenz / Universität zu Lübeck: Erklärbare und vertrauenswürdige KI für die bildbasierte medizinische Diagnostik und Therapie
In dem Vortrag werden Konzepte und Methoden für die Verbesserung der Erklärbarkeit und Erhöhung der Transparenz von KI-Systemen in der bildbasierten medizinischen Anwendung vorgestellt, die die vertrauensvolle Nutzung von KI-Systemen in Diagnostik und Therapie unterstützen. Weiterhin werden Methoden zur Erhöhung des Schutzes von trainierten KI-Modellen vor Angriffen vorgestellt. Hierbei werden die Konzepte und entwickelten Methoden anhand von Beispielen aus verschiedenen aktuellen medizinischen Projekten des DFKI Lübeck anschaulich illustriert.

zur Sessionübersicht
nach oben

Session 1.5 – Prozessoptimierung im Gesundheitswesen und in der Patientenversorgung

Raum: MF-50-5

Nils-David Hirsch, Qyte: Mit RayQ, der gemeinsam mit Praxispartnern entwickelten KI- und Analytics-Plattform, ermöglicht Qyte datengetriebene KI-Analysen im Gesundheitswesen. Hierzu zählen beispielsweise die gezielte Verbesserung der Patientenversorgung, die Rückgewinnung von erschlichenen Leistungen und die Optimierung von Behandlungs- und Abrechnungsprozessen. 
Im Beitrag werden mehrere erfolgreiche Real-World-Projekte vorgestellt, in denen Krankenkassen und Pharmaunternehmen Künstliche Intelligenz bereits nutzbringend einsetzen.
Es wird anhand konkreter Anwendungsfälle gezeigt: Wie erstmals eine kassenübergreifende, KI-gestützte Analyse von Leistungsdaten realisiert wurde und hierdurch Betrug im Gesundheitswesen erkannt werden kann – von der Datenzusammenführung bis zur technischen Umsetzung mit RayQ.
Wie KI dabei hilft, bislang nicht diagnostizierte Hepatitis C Erkrankungen frühzeitig zu erkennen und Defizite in der Behandlung von Hauterkrankungen am Beispiel von Akne inversa aufzudecken.
Wie Pharmaunternehmen von unseren KI-Projekten profitieren und wie Versorgungs- und Leistungsanalysen diesen Unternehmen helfen können.
Und wie RayQ gemeinsam mit der Gesundheitsbranche weiterentwickelt wird.

Marc Aubreville, Hochschule Flensburg: Künstliche Intelligenz (KI) bietet großes Potenzial für die Pathologie – etwa durch effizientere Arbeitsabläufe, genauere Diagnosen und neue Einblicke in Krankheitsprozesse. KI wird bereits für Aufgaben wie Gewebesegmentierung, Mitoseerkennung oder Tumorgrading erprobt. Trotz vielversprechender Ergebnisse bleibt die klinische Anwendung begrenzt. Dieser Vortrag diskutiert: Welche Aufgaben eignen sich wirklich für KI – und welche Hürden stehen einer Umsetzung im Weg? Nicht Routinetätigkeiten, sondern zeitaufwändige und variabel bewertete Aufgaben bieten hier das größte Potenzial. Zudem kann KI Muster erkennen, die menschlichen Beobachtern entgehen – etwa prognostisch relevante Feinstrukturen. Ein zentrales Hindernis bleibt der domain shift: Visuelle Unterschiede zwischen Labors (z. B. Färbung, Scanner) mindern die Übertragbarkeit von Modellen. Oft fehlt es an Transparenz und Validierung, was Reproduzierbarkeit erschwert. Neue Berichtsrichtlinien sollen dem entgegenwirken.

zur Sessionübersicht
nach oben

Session 2.1 – KI und Ethik (ELSA)

Raum: tba

Ludger Tüshaus, Universitätsklinikum Schleswig-Holstein: Kinder und KI: „challenge accepted“.
Wenn KI-gestützte medizintechnologische Lösungsansätze für eine besonders schützenswerte Gruppe unserer Gesellschaft auf die regulatorische Rahmenbedingungen (MDR, KI-VO, Datenschutz) und methodischen Herausforderung für das Machine Learning („small data“, „age related bias“) treffen, hört sich das primär nach einem nicht aufzulösenden Konflikt an.
An konkreten Praxisbeispielen werden für Entwicklung und Anwendung die Problemfelder und Lösungsansätze von medizinischen KI-Hochrisikoanwendungen für Kinder und Jugendliche vorgestellt. Die Betrachtung erfolgt aus der Sicht der beteiligten Stakeholder unter der Berücksichtigung ethischer, legaler und sozialer Implikationen (ELSI).
Da sich durch KI-Lösungen gerade in der Gesundheitsversorgung für Kinder und Jugendliche neue Chancen für Fortschritt und Innovation eröffnen, will der Referent mit seinem Beitrag handlungsorientiert für dies herausfordernde und sehr relevante Thema ermutigen und begeistern.

Robin Preiß, Deniz Sarikaya und Christian Herzog, Universität zu Lübeck: Der Ethical Innovation Hub der Universität zu Lübeck stellt in diesem Beitrag ein praxiserprobtes Workshopkonzept vor, das die strukturierte Auseinandersetzung mit sozioethischen Fragen im Kontext innovativer KI-Entwicklungen ermöglicht. Zentrales Element ist ein modulares Beurteilungstool, das als Hilfe zur Selbsthilfe konzipiert wurde. Es unterstützt Mitgestaltende dabei, Chancen und Risiken von KI-Anwendungen im Entstehungsprozess aus verschiedenen Perspektiven zu reflektieren und fundierte Entscheidungen zu treffen.
Neben der konzeptionellen Ausgestaltung zeigt der Beitrag Pilotprojekt-Erfahrungen mit dem Betriebsrat der Stadtwerke Lübeck. Im Fokus stehen methodische Zugänge, praktische Herausforderungen und Gelingensbedingungen.
Das Konzept ist auf weitere Anwendungsfelder übertragbar – insbesondere solche mit hoher ethischer Sensitivität, etwa im Gesundheitswesen – und bietet Potenzial für eine breitere Implementierung verantwortungsvoller KI-Transformation in verschiedenen Sektoren.

Tim Schrills, humaide: Was bedeutet "Menschliche Aufsicht"?
Die KIVO / Der AIA beschreibt, dass für Hoch-Risiko-Systeme menschliche Aufsicht erforderlich ist.
Was genau bedeutet das und wie kann sie gewährleistet werden? Welche KI-Eigenschaften und welche Monitoring-Systeme benötige ich? Wie unterscheidet sich dies für Diagnose- und Therapie-Systeme? Es wird ein kurzer Einblick in die letzte Entwicklung aus der Standardisierung, der internationalen KI-Forschung und der Anwendung gegeben.

zur Sessionübersicht
nach oben

Session 2.2 – KI in der personalisierten Therapie

Raum: tba

Cyrus Khandaphour, Universitätsklinikum Schleswig-Holstein: Modell für Wahrscheinlichkeits­scores für therapeutisch relevante Genalterationen
Hintergrund: Die turnusmäßige Durchführung umfassender Genomanalysen verzögert bei onkologischen Patient:innen häufig den Therapiebeginn. Ein prädiktives Verfahren, das molekulare Zielstrukturen auf Basis unmittelbar verfügbarer Bild- und Gewebedaten antizipiert, könnte diese Latenz verringern.
Methodik: Es wird ein multimodales Deep-Learning-Modell entwickelt, das CT/MRT-Radiomics, whole-slide Pathomics und klinische Basisparameter fusioniert. Trainings- und Validierungsdatensatz umfassten 1.064 konsekutive Fälle aus unserem Molekularen Tumorboard mit vollständiger NGS-Charakterisierung. Das Modell soll Wahrscheinlichkeits­scores für therapeutisch relevante Genalterationen bestimmen.
Ergebnisse: Die Forschenden erwarten, dass dieser Ansatz die Prädiktion molekular basierter Therapien beschleunigen wird.

Prof. Dr. Philipp Rostalski, Fraunhofer IMTE: KI-Agenten in der Medizin
Künstliche Intelligenz (KI) hat das Potenzial, die medizinische Versorgung grundlegend zu transformieren. KI-Agenten können komplexe medizinische Daten in Echtzeit interpretieren, Entscheidungen unterstützen, Therapiemöglichkeiten simulieren und Handlungsempfehlungen ableiten. Besonders in hochdynamischen Umgebungen wie der Intensivstation oder dem OP bietet der Einsatz KI-gestützter Agenten eine vielversprechende Möglichkeit, medizinisches Personal zu entlasten. Gleichzeitig bedingen die hohen regulatorischen und ethischen Anforderungen die Entwicklung sicherer, transparenter und interaktiver KI-Systeme. Anhand einiger konkreter Use Cases wird diskutiert, wie eine technische Basis für die Entwicklung derartiger Systeme aussehen könnte und wie beispielsweise über das Model Context Protokoll dazu bereits existierende IT-Systeme und Lösungen angebunden werden können.

Jens Lüssem, Fachhochschule Kiel und Katharina Scheel, Fachhochschule Kiel: In dem Beitrag wird von den gemachten Erfahrungen aus dem dreijährigen ROBUST berichtet. In dieser Zeit wurden durchgängig teilhumanoide Roboter (Typ: Pepper) in einigen Pflegeeinrichtungen eingesetzt. Die Applikationen zur kognitiven und physische Aktivierung wurden partizipativ unter Einbindung der Fachkräfte vor Ort entwickelt und evaluiert. Die Ergebnisse geben interessante Hinweise auf die Akzeptanz derartiger teilautonomer Systeme in realweltlichen Kontexten und bieten damit einen Pfad vor für eine zukünftige, nachhaltige Entwicklung intelligenter Systeme im Pflege- und Betreuungskontext.

zur Sessionübersicht
nach oben

Session 2.3 – KI im UKSH

Raum: tba

Claas-Olsen Behn, Universitätsklinikum Schleswig-Holstein: Unter dem Titel "Anspruch und Wirklichkeit, Hürden und Erfolge in der technischen Umsetzung am Beispiel eines CDSS" wird ein ehrlicher Einblick in den aktuellen Stand der Arbeiten gegeben. Das Universitätsklinikum Schleswig-Holstein (UKSH) hat als erstes deutsches Krankenhaus das KI-gestützte Klinische Entscheidungsunterstützungssystem (CDSS) MAIA der Tiplu GmbH umfassend eingeführt. MAIA nutzt ein großes medizinisches Machine-Learning-Netzwerk und integriert Patientendaten aus dem Krankenhausinformationssystem (KIS) über den FHIR R4-Standard. Diese technische Lösung ermöglicht die frühzeitige Erkennung kritischer Risiken (z.B. Nierenversagen, Sepsis, Sturzgefahr) durch datenbasierte Mustererkennung. Vortrag mit Reflektion über dieses KHZG Projekt.

Björn Schreiweis, Christian-Albrechts-Universität Kiel / Universitätsklinikum Schleswig-Holstein: Das Medizinische Datenintegrationszentrum des UKSH widmet sich der Harmonisierung, Annotation und Integration klinischer Versorgungsdaten. Ziel ist es, diese medizinischen Daten auffindbar und nutzbar zu machen. Verschiedene Faktoren erschweren derzeit die Auffindbarkeit medizinischer Daten und erfordern aufwändige manuelle Prozesse. Um diese manuellen Aufwände zu reduzieren und strukturierte Daten, freitextliche Daten sowie Multimediadaten für Forschung und Versorgung integriert nutzbar zu machen, werden KI-Methoden an verschiedenen Stellen der Datenintegration eingesetzt. So kommen beispielsweise Large Language Modelle zur Anonymisierung von freitextlichen Befunden zum Einsatz. Auch bei der Annotation von Körperstrukturen wird vom Einsatz von KI-Methoden profitiert.

Markus Mandrella, UKSH Gesellschaft für IT Services mbH: Das UKSH als Treiber für KI-basierte Innovationen im Gesundheitswesen
In enger Partnerschaft mit dem Universitätsklinikum Schleswig-Holstein (UKSH) gestaltet die UKSH Gesellschaft für IT Services mbH Tag für Tag die digitale Zukunft der Patientenversorgung – mit dem Ziel, Abläufe zu beschleunigen, Arbeitsbelastung zu reduzieren und neue Chancen zu eröffnen. Ein wesentlicher Innovationstreiber ist dabei der Einsatz Künstlicher Intelligenz. Sie unterstützt Ärztinnen, Ärzte und Pflegekräfte genau dort, wo Zeit und Präzision den Unterschied machen: von intelligenten Systemen in der Notaufnahme über smarte Telefonassistenten bis hin zu KI‑gestützten Anwendungen, die Dokumentationsprozesse deutlich vereinfachen. Der Vortrag gibt Einblicke in strategische Ansätze und konkrete Projekte des UKSH, die nicht nur entlasten, sondern auch die Qualität und Effizienz der medizinischen Versorgung nachhaltig steigern.

zur Sessionübersicht
nach oben

Session 2.4 – Interaktion Mensch und KI

Raum: tba

Annina Neumann, Beatrice Podtschaske, Marc Aubreville, Hochschule Flensburg: KI in gesundheitsbetrieblichen Abläufen: Interdisziplinarität als Schlüssel zum Erfolg.
KI-Lösungen werden häufig fokussiert auf die algorithmische Komponente gedacht – welche Genauigkeit, Geschwindigkeit oder Robustheit erreicht wird, bestimmt die Erfolgswahrnehmung einer KI-Lösung. In der Praxis spielen jedoch oft andere Faktoren eine Rolle: Passgenauigkeit in bestehende Arbeitsabläufe, Interaktion mit Nutzenden, die wiederum vielfältige und häufig unterschiedliche Anforderungen haben.
Eine KI-Anwendung kann eine sehr hohe diagnostische Genauigkeit aufweisen – wenn sie jedoch schwer zu bedienen ist, den Workflow unterbricht, zu unangemessenen Mehrkosten führt oder in ihrer Funktionsweise nicht nachvollziehbar erscheint, wird sie kaum Akzeptanz finden.
Es wird diskutiert, wie durch Eigeninitiative und Zusammenarbeit über Fachgrenzen hinweg nachhaltige KI-Lösungen im Gesundheitswesen entstehen und erfolgreich eingesetzt werden können.

Dennis Kundrat, Fraunhofer IMTE: Der Einsatz von Künstlicher Intelligenz (KI) kann zu einem Paradigmenwechsel für die medizinische Aus- und Weiterbildung im Angesicht des demographischen Wandels führen. Der Vortrag soll Visionen, Potenziale und Herausforderungen anhand von Beispielen zur Einbindung von KI in der Lehre, Ausbildung, aber auch z.B. der praktischen chirurgischen Tätigkeit, aufzeigen. Teilnehmende erhalten Einblicke in innovative KI-gestützte Methoden, die die Lernerfahrung und praktische Anwendung im klinischen Umfeld revolutionieren können. In Diskussionen soll erörtert werden, wie z.B. KI-Tools in Curricula integriert werden können, um personalisierte Lernpfade mit nachhaltigen Lernerfolgen zu erzielen und damit die Qualität der Ausbildung zu steigern. 

Gilbert Drzyzga, Technische Hochschule Lübeck: KI-basierte Interfaces verändern die Art und Weise, wie wir mit Systemen interagieren. Neben vielfältigen Chancen bringen sie auch kognitive Herausforderungen mit sich. Diese können beispielsweise durch die Komplexität von KI-Aufgaben im Bereich der natürlichen Sprachverarbeitung entstehen und den Einsatz von KI-Anwendungen beeinflussen. Im Rahmen der Veranstaltung werden praktische Lösungen präsentiert, die aufzeigen, wie sich diese Interfaces umsetzen lassen, um eine intuitivere Interaktion zu ermöglichen. In diesem Zusammenhang wird auch der Einfluss von Automation und Confirmation Bias auf die Interaktion mit KI thematisiert und lädt zur gemeinsamen Diskussion ein.

zur Sessionübersicht
nach oben

Session 2.5 – KI und Diagnostik

Raum: tba

Sylvia Saalfeld, Christian-Albrechts-Universität Kiel: In diesem Vortrag werden aktuelle Forschungsarbeiten vorgestellt, die zeigen, wie mithilfe von Künstlicher Intelligenz (KI) die medizinische Diagnose und Therapie gezielt verbessert werden können. Im Fokus steht dabei der Einsatz von Deep-Learning Techniken, welche für onkologische Erkrankungen, z.B. Leberkrebs, aber auch für zerebovaskuläre Pathologien, z.B. Schlaganfall, geschickt an die medizinische Fragestellung angepasst werden und patientenspezifische Informationen extrahieren können. Darüber hinaus ermöglichen KI-basierte Analyseverfahren auch die Auswertung weiterer Körperstrukturen, wie z.B. Fett- und Muskelgewebe, wodurch individualisierte Diagnose- und Therapieansätze weiter optimiert werden können.

Carsten Richter, Euroimmun Medizinische Labordiagnostika AG: Transfer biomedizinischer Technologien zwischen Forschungsinstituten und DeepTech-Unternehmen im Zeitalter der KI
Voraussetzung für die Entwicklung von KI-basierten Medizinprodukten sind nicht nur erhebliche Investitionen, sondern auch der Zugang zu Expertisen, Daten und Materialien, die nur im Verbund zwischen Unternehmen und Forschungsinstituten verfügbar sind. Anhand von Realbeispielen aus der Labordiagnostik wird diskutiert, wie die technischen, wirtschaftlichen und rechtlichen Voraussetzungen erfüllt werden können, um Forschungsergebnisse gemeinschaftlich generieren und zu marktreifen Produkten weiterentwickeln zu können. 

Clint Hansen, Christian-Albrechts-Universität und Caroline von Dresky, Universität zu Lübeck / KI.SH: Hybride Bewegungsmessung für die klinische Praxis
Die kamerabasierte 3D-Bewegungsanalyse ist die Referenz in der Klinik, aber auf Labore beschränkt. Inertialsensoren (IMUs) bieten hier mobile Alternativen. Unser Projekt zielt darauf ab, beide Systeme zu integrieren, um eine hybride Bewegungserfassung zu ermöglichen. Dies verbindet die Präzision optischer Systeme mit der Mobilität von IMUs, vereinfacht die klinische Anwendung und verbessert die Messqualität.
In einer Machbarkeitsstudie mit der Neurologie des UKSH und dem KI.SH werden erste Ergebnisse gezeigt. Es wird der Nutzen der Datenaugmentation mittels IMU-Daten gezeigt, besonders wenn optische Sensoren blockiert sind. Dieser Ansatz ebnet den Weg für die zukünftige vollständige Bewegungserkennung innerhalb und außerhalb des Labors und erweitert die diagnostischen Möglichkeiten.

zur Sessionübersicht
nach oben

Session 2.6 – KI in der Pflege

Raum: tba

Christina Bober, soventec, Beatrice Podtschaske, Hochschule Flensburg und Britta Blotenberg, Hochschule Flensburg: KI in der Altenpflege in Deutschland und Dänemark
Das Projekt Care-AI adressiert die Herausforderungen des demografischen Wandels in der Altenpflege durch den gezielten Einsatz Künstlicher Intelligenz. In Kooperation zwischen Deutschland und Dänemark entwickelt die soventec GmbH die KI-gestützte Software „Claire“, die Pflegekräfte durch biografiebasierte Informationen unterstützt. Ziel ist eine entlastende, individuelle und qualitativ hochwertige Versorgung. Care-AI fördert zudem ein länderübergreifendes Netzwerk zum Wissensaustausch. Im Zentrum stehen praxisnahe, verantwortungsvolle Lösungen, die Pflegepersonal durch datenbasierte Analysen bei Entscheidungen unterstützen und administrative Aufgaben reduzieren. Ein Workshop mit Fachkräften und Expert:innen bietet Raum zur Diskussion der entwickelten Use Cases hinsichtlich Wünschbarkeit, Machbarkeit und Tragfähigkeit.

Tadeusz Nikitin, Splitbot GmbH: Gemeinsam mit der D&S Unsere Pflege GmbH zeigt Splitbot, wie der Einsatz von KI basierten Chatbots den Arbeitsalltag von Mitarbeitenden in pflegerischen und medizinischen Bereichen erleichtern kann. Beschleunigte Informationssuche, erleichtertes Onboarding, vereinfachte Verwaltung und das alles in natürlicher Sprache – die Einsatzmöglichkeiten sind vielfältig. Splitbot stellt die Ergebnisse des Pilotprojektes vor, zeigt Anwendungsmöglichkeiten auf und spricht offen über Verbesserungspotentiale. 

Julia Rohnke, Diakonie Nord Nord Ost in Holstein gGmbH: Pflege spricht KI – Wie Spracherkennung den Alltag verändert.
Die Diakonie Nord Nord Ost ist an 100 Standorten mit über 3.000 Mitarbeitenden in Holstein und Mecklenburg für Menschen im Einsatz - für Kinder und Jugendliche, Familien, Menschen mit Beeinträchtigungen, Erwachsene in schwierigen Lebenssituationen sowie Seniorinnen und Senioren. Für die Mitarbeitenden nimmt die Dokumentation von Pflegeleistungen einen spürbaren Teil ihrer Arbeitszeit ein. Zur Entlastung wurde bereits seit 2022 eine KI-basierte Spracherkennung eingeführt. Weitere KI-Projekte sind im Unternehmen seither hinzugekommen.

zur Sessionübersicht
nach oben

Schleswig-Holstein setzt mit seiner KI-Landesstrategie neue Maßstäbe im fortschrittlichen Einsatz von Künstlicher Intelligenz, um Innovationen in Wirtschaft, Wissenschaft und öffentlichem Sektor voranzutreiben. Durch gezielte Fördermaßnahmen und den Aufbau eines starken KI-Ökosystems wird das Bundesland zum Vorreiter in der intelligenten Digitalisierung und nachhaltigen Technologieentwicklung.