Diagnostik der Zukunft - was wäre, wenn Medizin den ganzen Verlauf sehen könnte?

Ein Mensch kann über Jahre oder Jahrzehnte immer wieder medizinisch untersucht werden. Laborwerte werden bestimmt, Bilder angefertigt, Fachärzte hinzugezogen, Diagnosen gestellt, verändert oder wieder verworfen. Jede einzelne Untersuchung kann fachlich sinnvoll sein. Trotzdem kann am Ende eine lange Liste aus Befunden entstehen, ohne dass klar wird, welche davon zusammengehören.

Das gilt besonders für komplexe Krankheitsverläufe, bei denen mehrere Organsysteme beteiligt sein könnten, Beschwerden schwanken oder wichtige Veränderungen zeitlich weit auseinanderliegen. Ein Laborwert wurde vielleicht vor fünf Jahren erhoben, ein anderer erst nach einer Infektion. Ein Medikament kam dazwischen hinzu, ein Symptom verschwand vorübergehend, später folgte ein neuer Befund. Medizinische Informationen entstehen dann wie einzelne Bilder eines Films, dessen Handlung niemand vollständig gesehen hat.

Was wäre, wenn zukünftige Diagnostik diesen Film besser zusammensetzen könnte?

Nicht durch einen magischen Test, der plötzlich jede Krankheit erkennt. Sondern indem unterschiedliche Informationsebenen miteinander verbunden werden: umfangreiche Laborprofile, Genom, Proteine, Metaboliten, Immunparameter, Mikrobiom, Bildgebung, Wearables, Lebensstil, Medikamente, Symptome und vor allem deren Veränderung über die Zeit.

Einige Bausteine dafür existieren bereits. Multi-Omics-Verfahren können DNA, RNA, Proteine und Metaboliten gemeinsam untersuchen. Die technischen Möglichkeiten haben sich in den vergangenen Jahren erheblich weiterentwickelt. Der Weg von solchen Forschungsansätzen in die klinische Routine bleibt jedoch schwierig: Standardisierung, Interpretation, Datenintegration und klinische Validierung gelten weiterhin als zentrale Herausforderungen.[1]

Wenn viele richtige Befunde noch kein Gesamtbild ergeben

Medizin ist aus guten Gründen in Fachgebiete gegliedert. Wer einen komplizierten Knochenbruch hat, braucht keine vollständige Genomanalyse. Wer eine Netzhauterkrankung behandeln lässt, profitiert von hochspezialisierter Augenheilkunde. Spezialisierung ermöglicht eine diagnostische und therapeutische Tiefe, die eine einzelne Person niemals für sämtliche Bereiche der Medizin gleichzeitig erreichen könnte.

Bei komplexen Verläufen entsteht daraus jedoch eine besondere Herausforderung. Ein Patient kann gleichzeitig gastroenterologische, neurologische, immunologische oder metabolische Auffälligkeiten aufweisen. Jeder Bereich wird für sich untersucht. Ob Befunde verschiedener Disziplinen miteinander verbunden sind, lässt sich wesentlich schwerer beurteilen.

Hinzu kommt die Zeit. Viele Erkrankungen entwickeln sich nicht an einem Tag. Veränderungen können Monate oder Jahre auseinanderliegen. Medikamente werden begonnen und beendet. Infektionen treten auf. Ernährung, Bewegung, Schlaf und Körpergewicht verändern sich. Manche Beschwerden kommen in Schüben, andere verschwinden wieder.

Eine elektronische Patientenakte kann all diese Informationen speichern. Das bedeutet noch nicht, dass daraus eine zusammenhängende biologische Entwicklung sichtbar wird.

Die entscheidende Frage unseres Gedankenexperiments lautet deshalb zunächst nicht: Welche neuen Tests brauchen wir?

Sie lautet:

Wie müsste Diagnostik aussehen, wenn sie einen Menschen nicht überwiegend als Folge einzelner Befunde, sondern zusätzlich als biologischen Verlauf betrachten würde?

Was Medizin heute bereits sehen kann

Wer bei „Diagnostik der Zukunft“ zuerst an unbekannte Technologien denkt, übersieht einen wichtigen Punkt: Viele benötigte Bausteine existieren zumindest in Forschung, Spezialdiagnostik oder bereits etablierter Medizin.

Eine aktuelle Perspektive in Nature Genetics beschreibt Multi-Omics als Verbindung verschiedener molekularer Ebenen – darunter DNA, RNA, Proteine und Metaboliten. Die Autoren sehen die Herausforderung auf dem Weg in die klinische Versorgung inzwischen ausdrücklich nicht mehr ausschließlich in der Erzeugung von Daten, sondern zunehmend in deren Standardisierung und Interpretation.[1]

Die einzelnen Ebenen beantworten unterschiedliche Fragen. Das Genom enthält andere Informationen als ein Entzündungsmarker. Ein Proteomprofil zeigt etwas anderes als eine MRT-Aufnahme. Ein Wearable erfasst wiederum keine molekularen Mechanismen, kann dafür physiologische Veränderungen über lange Zeiträume verfolgen.

Keine dieser Ebenen beschreibt den gesamten Menschen. Gerade ihre Unterschiede machen eine mögliche Verbindung interessant.

Entscheidend ist dabei die unterschiedliche biologische Entfernung. Ein Gen kann eine Möglichkeit beschreiben. Ein Protein kann Teil eines aktuell ablaufenden Prozesses sein. Ein Metabolit kann dessen chemische Spur darstellen. Ein Symptom liegt noch einmal auf einer anderen Ebene.

Zwischen diesen Ebenen liegen zahlreiche Zwischenschritte. Deshalb darf aus einer genetischen Variante ebenso wenig automatisch auf eine Erkrankung geschlossen werden wie aus einem einzelnen Metaboliten auf eine konkrete Ursache.

Das Genom: relativ stabil, aber nicht abschließend interpretiert

Die Sequenzierung großer Teile oder des gesamten Genoms ist keine Science-Fiction mehr. Wie groß die technisch erreichbaren Datenmengen inzwischen sind, zeigt unter anderem das US-amerikanische Forschungsprogramm All of Us. Im Juni 2026 meldete das National Institutes of Health mehr als 535.000 vollständige Genomsequenzen, von denen ein großer Teil mit elektronischen Gesundheitsdaten verknüpft werden kann.[2]

Das bedeutet nicht, dass sich aus einer Genomsequenz bei jedem Menschen eine vollständige medizinische Erklärung ableiten ließe. Das Gegenteil ist ein wichtiger Teil der Genommedizin: Varianten müssen klassifiziert, populationsbezogen bewertet und mit klinischen Befunden verbunden werden. Für viele genetische Varianten ist ihre Bedeutung unklar oder vom biologischen Kontext abhängig.

Das Keimbahngenom eines Menschen bleibt über das Leben weitgehend gleich. Unser Wissen darüber verändert sich dagegen ständig. Dieser Unterschied wird später für unser Gedankenexperiment entscheidend.

Proteom und Metabolom: näher am aktuellen biologischen Zustand

Während das Genom viele biologische Möglichkeiten beschreibt, verändern sich Proteine und Metaboliten wesentlich dynamischer.

Moderne Plasma-Proteomik kann inzwischen Tausende Proteine gleichzeitig erfassen. Ein 2025 veröffentlichter direkter Vergleich von acht Proteomikplattformen deckte zusammengenommen mehr als 13.000 Proteine ab. Gleichzeitig zeigte die Untersuchung erhebliche Unterschiede zwischen den Verfahren. Reichweite und Messprinzip beeinflussen, welche Proteine erfasst werden und wie Ergebnisse interpretiert werden können.[3]

Genau darin liegt ein wiederkehrendes Muster moderner Diagnostik: Ein technologisch beeindruckender Messumfang ist noch kein klinisch eindeutiger Befund.

Ähnlich verhält es sich mit der Metabolomik. Metaboliten sind kleine Moleküle, die als Ausgangsstoffe, Zwischenprodukte oder Endprodukte biologischer Stoffwechselprozesse auftreten. Dazu gehören beispielsweise Aminosäuren, organische Säuren, Lipide und zahlreiche weitere Stoffwechselprodukte.

Sie sind besonders interessant, weil sie relativ nah am aktuellen physiologischen Zustand liegen können. Ernährung, Medikamente, Leberfunktion, Muskelstoffwechsel, Darmmikrobiom, Hormone und zahlreiche weitere Faktoren beeinflussen das Metabolom.

Diese Nähe zur aktuellen Biologie hat allerdings eine Kehrseite. Metaboliten sind häufig stark kontextabhängig. Präanalytik, Tageszeit, Ernährung, Messmethode und andere Faktoren können Ergebnisse verändern. Eine aktuelle Übersichtsarbeit zur klinischen Übertragung metabolomischer Biomarker warnt deshalb davor, Stoffwechselmarker vorschnell als krankheitsspezifische Signale zu interpretieren.[4]

Mikrobiom: Zusammensetzung ist noch keine Funktion

Auch das Mikrobiom zeigt, warum moderne Diagnostik schnell komplex wird. Sequenzierungsverfahren können heute wesentlich mehr Informationen über mikrobielle Gemeinschaften liefern als frühere Kulturverfahren.

Doch die Anwesenheit eines Mikroorganismus sagt noch nicht vollständig, welche Stoffwechselwege gerade aktiv sind. Metagenomik, Metatranskriptomik, Metaproteomik und Metabolomik betrachten deshalb unterschiedliche Ebenen derselben mikrobiellen Welt.

Gleichzeitig befindet sich die klinische Nutzung vieler Mikrobiomdaten noch in einer Phase, in der Standardisierung eine erhebliche Herausforderung darstellt. Ein internationaler Delphi-Konsens von 2026 beschreibt weiterhin Lücken bei Metadaten, Probenentnahme, Aufbereitung, Analyse und klinischen Endpunkten. Selbst Lebensstil, Medikamente und weitere klinische Begleitinformationen müssen ausreichend dokumentiert werden, damit Mikrobiomdaten sinnvoll verglichen werden können.[5]

Das ist für unser Thema fast wichtiger als die Anzahl nachweisbarer Bakterien: Biologische Daten erhalten ihre Bedeutung erst durch ihren Kontext.

Wearables: wenn aus Messpunkten Zeitreihen werden

Wearables öffnen ein anderes Fenster. Sie messen häufig keine molekularen Ursachen, können dafür Informationen über Stunden, Tage oder Monate sammeln.

Je nach Gerät und Anwendungsbereich lassen sich beispielsweise Aktivität, Herzfrequenz, Herzrhythmus, Schlafparameter, Bewegung oder Glukoseverläufe erfassen. In einer 2026 veröffentlichten Übersichtsarbeit wurden 1.021 interventionelle klinische Studien identifiziert, die zwischen 2001 und 2025 Wearable-Daten in ihre Protokolle aufgenommen hatten. Gleichzeitig betonen die Autoren, dass formell regulatorisch qualifizierte digitale Messgrößen weiterhin selten sind.[6]

Das verdeutlicht erneut den Unterschied zwischen messbar und klinisch ausreichend validiert.

Trotzdem bringen kontinuierliche Sensoren etwas in die Diagnostik ein, das viele klassische Laboruntersuchungen kaum liefern können: dichte Zeitreihen zwischen einzelnen Arztbesuchen.

Mehr Daten sind noch keine bessere Diagnostik

An dieser Stelle liegt ein verführerischer Schluss nahe: Wenn heute hundert Parameter hilfreich sind, müssten zehntausend Parameter noch hilfreicher sein.

So funktioniert Diagnostik nicht.

Mit jeder zusätzlichen Messgröße entstehen neue Möglichkeiten – und neue Fehlerquellen. Messwerte schwanken biologisch. Proben werden unterschiedlich gewonnen und verarbeitet. Geräte besitzen analytische Unsicherheiten. Manche statistischen Zusammenhänge entstehen zufällig. Andere sind real, aber klinisch bedeutungslos.

Bei sehr vielen gleichzeitig getesteten Variablen wächst zudem die Wahrscheinlichkeit, interessante Muster zu finden, die sich später nicht bestätigen. Multi-Omics-Forschung muss deshalb mit hoher Dimensionalität, Reproduzierbarkeit, Plattformunterschieden und probabilistischer Interpretation umgehen.[1]

Hinzu kommt die biologische Mehrdeutigkeit. Derselbe Messwert kann durch unterschiedliche Prozesse beeinflusst werden. Ein veränderter Metabolit ist nicht automatisch die Signatur einer bestimmten Erkrankung. Ein Protein kann aus verschiedenen Geweben stammen. Eine genetische Variante kann abhängig von weiteren Faktoren sehr unterschiedliche Bedeutung haben.

Am Ende bleibt eine schlichte klinische Frage:

Verändert diese zusätzliche Information überhaupt eine sinnvolle Entscheidung?

Wenn nicht, bleibt sie möglicherweise wissenschaftlich interessant, ohne diagnostisch hilfreich zu sein.

Von der Momentaufnahme zum Film

Ein zweiter möglicher Entwicklungsschritt hat weniger mit neuen Messverfahren zu tun als mit einer anderen Betrachtung vorhandener Daten.

Viele Laborbefunde werden als Momentaufnahme interpretiert. Ein Wert wird gemessen und mit einem Referenzbereich verglichen. Dieses Verfahren ist medizinisch unverzichtbar. Ein populationsbasierter Referenzbereich beantwortet jedoch eine andere Frage als ein individueller Verlauf.

Er fragt vereinfacht: Wo liegt dieser Wert im Verhältnis zu einer geeigneten Referenzpopulation?

Eine zusätzliche Frage könnte lauten: Wie stark unterscheidet sich dieser Wert vom bisherigen Zustand dieses Menschen?

Angenommen, ein Laborparameter liegt bei einem Menschen über viele Jahre in einem vergleichsweise engen Bereich. Später verändert er sich deutlich, bleibt aber weiterhin innerhalb des populationsbasierten Referenzintervalls. Der einzelne Befund kann unauffällig wirken. Der zeitliche Verlauf enthält trotzdem zusätzliche Information.

Das bedeutet nicht, dass jede Veränderung krankhaft wäre. Alter, Ernährung, Training, Medikamente, Tageszeit und viele andere Faktoren beeinflussen biologische Messgrößen. Der Verlauf kann jedoch eine zusätzliche Ebene liefern, die bei einer einzelnen Messung verloren geht.

Der einzelne Laborzettel ist ein Bild. Mehrere standardisiert erhobene Messungen werden zu einer Sequenz.

Der Mensch als zusätzliche eigene Referenz

Die Idee personalisierter Referenzintervalle wird bereits wissenschaftlich untersucht. Dabei werden frühere Messwerte eines Menschen zusammen mit analytischer und biologischer Variation verwendet, um individuelle Bereiche abzuschätzen. Die Autoren eines Reviews von 2022 sehen darin eine mögliche Ergänzung populationsbasierter Referenzintervalle, betonen aber zugleich, dass weitere Untersuchungen zur klinischen Implementierung erforderlich sind.[7]

Das Konzept ist interessant, weil Menschen bei manchen Laborparametern deutlich unterschiedliche persönliche Ausgangsniveaus besitzen können.

Die Zukunftsfrage wäre also nicht: Sollen populationsbasierte Referenzwerte verschwinden?

Sondern: Könnte der eigene langfristige Verlauf eines Menschen eines Tages systematisch als zusätzliche diagnostische Information genutzt werden?

Longitudinale Multi-Omics gibt es bereits in der Forschung

Auch die Kombination mehrerer Datenebenen über längere Zeiträume wurde bereits praktisch erprobt.

Eine bekannte prospektive Studie aus dem Jahr 2019 begleitete 109 Personen mit einem umfangreichen longitudinalen Profil. Neben klinischen Untersuchungen wurden unter anderem Genom, Immunom, Transkriptom, Proteom, Metabolom, Mikrobiom und Wearable-Daten erfasst. Proben wurden über bis zu acht Jahre gesammelt; die mediane Beobachtungszeit betrug 2,8 Jahre.[8]

Solche Studien zeigen, dass mehrschichtige biologische Langzeitprofile technisch möglich sind. Sie beweisen jedoch nicht, dass sich daraus bereits ein allgemein einsetzbares diagnostisches System ableiten lässt.

Forschungskohorten sind kontrollierter als der medizinische Alltag. Daten müssen harmonisiert, Algorithmen extern validiert und die tatsächlichen Folgen für Diagnosen, Therapien und Patientenergebnisse untersucht werden.

Damit erreichen wir die Grenze zwischen dem, was heute bereits geschieht, und dem Szenario dieses Artikels.

Ein diagnostisches System, das den Verlauf mitliest

Stellen wir uns vor, bestimmte heute aufwendige Analysen würden in Zukunft günstiger, standardisierter und klinisch besser validiert.

Ein Patient hätte dann nicht einfach „sein Blutbild“. Stattdessen gäbe es einen langfristigen medizinisch-biologischen Datensatz, dessen einzelne Teile unterschiedlich oft aktualisiert werden.

Das Keimbahngenom müsste möglicherweise nur einmal sequenziert werden. Klassische Laborparameter könnten je nach medizinischer Notwendigkeit wiederholt bestimmt werden. Proteom- oder Metabolomprofile kämen an ausgewählten Zeitpunkten hinzu. Mikrobiomdaten würden dort erhoben, wo sie eine begründete Fragestellung beantworten. Sensoren könnten bestimmte physiologische Verläufe kontinuierlicher erfassen.

Entscheidend wäre jedoch nicht die bloße Menge der Messwerte. Das System würde ihren zeitlichen Zusammenhang mitlesen.

Es wüsste beispielsweise:

• wann Beschwerden begonnen haben,
• wann Infektionen oder andere relevante Ereignisse auftraten,
• welche Medikamente eingenommen wurden,
• wann sich Ernährung oder körperliche Aktivität verändert haben,
• welche Laborparameter sich gemeinsam verschoben,
• ob Veränderungen vor oder nach einem Ereignis auftraten,
• welche Befunde stabil blieben,
• und welche Veränderungen später wieder verschwanden.

Damit würde aus einer Patientenakte zunehmend eine biologische Zeitachse.

Eine Liste sagt: Patient hat Befund A, B, C und D.

Eine Zeitachse kann zusätzlich zeigen: A veränderte sich zuerst. Drei Monate später folgte B. C trat nur während bestimmter Episoden auf. D blieb dagegen über den gesamten Zeitraum stabil.

Das beweist noch keine Kausalität. Es enthält aber mehr Struktur als eine reine Befundsammlung.

Ein Genom, das immer wieder neu gelesen wird

Eine der interessantesten Eigenschaften genetischer Daten zeigt bereits heute, wie sich Diagnostik verändern könnte: Die Messung muss nicht neu sein, damit eine neue Information entsteht.

Das gespeicherte Genom verändert sich nicht jedes Mal, wenn eine neue Gen-Krankheits-Beziehung entdeckt wird. Die Interpretation verändert sich.

Wie relevant das sein kann, zeigte 2026 eine Arbeit zur automatisierten Reanalyse genomischer Daten bei seltenen Erkrankungen. Das System wurde anschließend auf 4.735 bislang ungelöste Fälle angewendet und identifizierte 241 zusätzliche Diagnosen, entsprechend 5,1 Prozent. Neue Gen-Krankheits-Beziehungen, neue Evidenz zu einzelnen Varianten und verbesserte Analysemethoden trugen zu diesen Ergebnissen bei.[9]

Das bestätigt nicht unser gesamtes Gedankenexperiment. Es zeigt aber einen bemerkenswerten Grundsatz:

Eine alte Messung kann durch neues Wissen eine neue Bedeutung bekommen.

Übertragen auf andere Bereiche wäre denkbar, dass auch gespeicherte Daten zukünftig erneut betrachtet werden, sobald bessere Referenzen, neue Krankheitsmodelle oder validere Algorithmen verfügbar sind.

Diagnostik würde damit teilweise von einem einmaligen Ereignis zu einem lernenden Prozess.

Welche Rolle könnte KI dabei spielen?

Spätestens an diesem Punkt entsteht ein praktisches Problem. Ein System aus jahrelangen Laborwerten, genetischen Daten, Omics-Profilen, Medikamenten, Bildgebung, Sensorwerten und wissenschaftlicher Literatur würde eine Informationsmenge erzeugen, die ein einzelner Mensch kaum gleichzeitig überblicken kann.

Hier wäre künstliche Intelligenz interessant – allerdings in einer wesentlich nüchterneren Rolle als die oft diskutierte Vorstellung vom „KI-Arzt“.

KI könnte zunächst dabei helfen, Komplexität zu verwalten. Aktuelle Forschung beschäftigt sich bereits mit der Verknüpfung genomischer Informationen und longitudinaler elektronischer Gesundheitsdaten. Eine 2026 veröffentlichte Übersichtsarbeit beschreibt dabei Methoden, mit denen maschinelles Lernen und KI hochdimensionale, verrauschte und zeitlich unregelmäßige Daten gemeinsam analysieren können.[10]

In unserem hypothetischen System könnte daraus eine Art wissenschaftlicher Assistent entstehen.

Er würde beispielsweise prüfen:

• Welche Messgrößen verändern sich wiederholt gemeinsam?
• Welche Veränderungen gehen einem Symptom zeitlich voraus?
• Welche Befunde bleiben trotz einer Verschlechterung stabil?
• Welche bekannte biologische Verbindung könnte ein beobachtetes Muster erklären?
• Welche Studien unterstützen diese Erklärung?
• Welche Studien sprechen dagegen?
• Welche alternative Erklärung passt ebenfalls?
• Welche Information würde helfen, konkurrierende Hypothesen voneinander zu unterscheiden?

Das wäre ein anderer Anspruch als die Ausgabe einer vermeintlich eindeutigen Diagnose.

Die KI wäre weniger Orakel als Mustererkenner, Literaturabgleicher und Hypothesengenerator.

Die vielleicht wichtigste Fähigkeit: Unsicherheit zeigen

Ein solches System wäre nur dann vertrauenswürdig, wenn es mit Unsicherheit umgehen kann.

Das klingt selbstverständlich, ist technisch jedoch anspruchsvoll. Auch aktuelle medizinische KI-Forschung beschäftigt sich damit, wie zuverlässig ein Modell erkennen kann, wann seine eigene Antwort unsicher ist. Eine 2026 in Nature Medicine veröffentlichte Arbeit zu medizinischen KI-Agenten nennt verlässliche Unsicherheitsschätzung ausdrücklich als eine bislang zentrale Voraussetzung für eine sichere klinische Nutzung.[11]

Für unser Zukunftssystem wäre deshalb eine Ausgabe wie diese interessanter als ein selbstbewusstes Etikett:

Eine gute medizinische KI müsste also nicht möglichst häufig sicher klingen. Ihre Stärke könnte gerade darin liegen, Grenzen sichtbar zu machen:

Wo endet belastbares Wissen, wo beginnt Interpretation – und welche Beobachtung würde eine Hypothese widerlegen?

Ein fiktiver komplexer Krankheitsverlauf

Wie könnte das praktisch aussehen? Stellen wir uns einen vollständig erfundenen Patienten vor.

• Mit 34 Jahren beginnt eine Phase ausgeprägter Erschöpfung.
• Einige Monate zuvor gab es eine Infektion. Das Routinelabor zeigt keine eindeutige Erklärung.
• Zwei Jahre später treten Verdauungsbeschwerden hinzu. Eine gastroenterologische Untersuchung ergibt mehrere Befunde, von denen keiner das gesamte Beschwerdebild erklärt.
• Mit 38 Jahren kommen neurologische Symptome hinzu. Eine Untersuchung bleibt weitgehend unauffällig, eine andere zeigt eine leichte Abweichung.
• Zwischenzeitlich bessert sich der Zustand für einige Monate.
• Nach einem weiteren Ereignis folgt erneut eine Verschlechterung.
• Nach zehn Jahren besteht eine umfangreiche Akte.

Die klassische Aktenperspektive

Darin befinden sich Laborberichte, Arztbriefe, Bildgebung, Medikamente und mehrere Diagnosen oder Verdachtsdiagnosen. Jeder Eintrag besitzt einen Zeitstempel. Die meisten Informationen wurden jedoch ursprünglich für eine konkrete Fragestellung erhoben.

Die hypothetische Verlaufsperspektive

Unser Zukunftssystem würde dieselben Daten zunächst auf einer gemeinsamen Zeitachse darstellen.

Nun fällt beispielsweise auf, dass sich vier Parameter bei drei voneinander getrennten Verschlechterungsphasen in einer ähnlichen Reihenfolge verändert haben. Ein fünfter Marker bleibt dagegen konstant. Ein bestimmtes Symptom tritt stets einige Tage später auf. Während zweier stabiler Phasen normalisiert sich ein Teil des Musters.

Zusätzliche Omics-Daten zeigen möglicherweise weitere Veränderungen. Die KI findet mehrere biologische Erklärungsmodelle und durchsucht aktuelle Forschung nach unterstützenden und widersprechenden Befunden.

Am Ende lautet die Ausgabe trotzdem nicht: „Die Ursache wurde gefunden.“

Sondern beispielsweise: „Drei Modelle sind mit dem beobachteten Verlauf vereinbar. Für keines besteht derzeit ausreichende Evidenz. Eine gezielte zusätzliche Untersuchung könnte zwei Modelle voneinander unterscheiden. Die dritte Hypothese bleibt derzeit nicht ausreichend prüfbar.“

Das klingt weniger spektakulär als eine KI, die auf Knopfdruck Krankheiten benennt. Medizinisch könnte es gerade deshalb wertvoller sein.

Was, wenn die entscheidende Information längst vorhanden ist?

Der fiktive Fall führt zu einer weiteren Möglichkeit: Nicht jeder ungeklärte Verlauf muss auf einen bislang unbekannten Biomarker warten.

Ein relevanter Hinweis könnte bereits vor Jahren erhoben worden sein – zu einem Zeitpunkt, an dem seine spätere Bedeutung noch nicht erkennbar war.

Ein Laborwert lag formal im Referenzbereich, hatte sich gegenüber früher aber deutlich verschoben. Ein Befund befand sich im Arztbrief einer anderen Fachrichtung. Eine genetische Variante galt zunächst als unklar und wurde Jahre später neu bewertet. Eine einzelne Veränderung wirkte belanglos, bis sie wiederholt gemeinsam mit anderen Auffälligkeiten auftrat.

Dann stellt sich eine überraschend einfache Frage:

Was, wenn der entscheidende Befund längst in der Patientenakte steht – aber niemand wissen konnte, dass er entscheidend ist?

Die automatisierte genetische Reanalyse zeigt bereits heute ein begrenztes Beispiel für dieses Prinzip: Neues Wissen kann vorhandene Daten diagnostisch neu bewerten.[9]

Ob sich ein solcher Ansatz eines Tages auf komplexe multimodale Krankheitsverläufe übertragen lässt, ist offen. Genau hier bleibt unser Szenario hypothetisch.

Und wenn es die eine Ursache gar nicht gibt?

Ebenso wichtig ist die Gegenfrage. Die Suche nach einem übersehenen Zusammenhang darf nicht in die Vorstellung kippen, hinter jeder komplexen Erkrankung müsse eine einzelne verborgene „Root Cause“ stehen.

Biologische Systeme können mehrere Ursachen, Rückkopplungen und Schwellenwerte besitzen. Genetische Prädisposition, Infektionen, Medikamente, Stoffwechsel, Immunsystem und Umweltfaktoren können sich gegenseitig beeinflussen. Manche Veränderungen treiben einen Prozess an, andere entstehen als Folge, wieder andere laufen lediglich parallel.

Auch ein nahezu vollständiger Datensatz müsste deshalb nicht zwangsläufig zu einer einfachen Erklärung führen.

Fortschritt könnte in manchen Fällen bedeuten, eine bislang übersehene Ursache zu finden. In anderen bestünde er darin, eine zu einfache Erklärung verwerfen zu können.

Die andere Seite: Was können wir von SuperAgern lernen?

Bis hierhin haben wir überwiegend gefragt, wie sich Krankheit besser untersuchen ließe. Doch dasselbe diagnostische Prinzip kann umgedreht werden.

Warum bleiben manche Menschen trotz hohen Alters erstaunlich leistungsfähig?

Die Forschung an sogenannten SuperAgern ist dafür ein gutes Beispiel. Beim Northwestern University SuperAging Program werden Menschen ab 80 Jahren untersucht, deren Gedächtnisleistung mit deutlich jüngeren Erwachsenen vergleichbar ist. Nach 25 Jahren Forschung beschreiben die Wissenschaftler sowohl Formen biologischer Resistenz gegen bestimmte altersbezogene Veränderungen als auch Resilienz trotz vorhandener neuropathologischer Veränderungen.[12]

2026 untersuchte eine Nature-Arbeit menschliche Hippocampusproben mittels Single-Nucleus-RNA-Sequenzierung und Chromatinanalysen. Dabei fanden die Forschenden bei SuperAgern ein charakteristisches multiomisches Profil der Neurogenese, das sie als mögliche Signatur kognitiver Resilienz diskutieren.[13]

Solche Ergebnisse erklären noch nicht, warum ein einzelner Mensch zum SuperAger wird. Sie zeigen jedoch eine interessante Umkehr der üblichen Forschungsfrage:

Medizin kann nicht nur untersuchen, warum Systeme versagen. Sie kann ebenso fragen, warum sie außergewöhnlich stabil bleiben.

Übertragen auf unser Gedankenexperiment würde dasselbe System, das nach biologischer Destabilisierung sucht, auch Muster von Widerstandsfähigkeit erfassen.

Warum kehrt ein Organismus nach einer Belastung relativ schnell in seinen Ausgangszustand zurück? Warum bleibt ein anderer langfristig verändert? Welche Rolle spielen Genetik, Stoffwechsel, Immunsystem, Lebensstil, soziale Faktoren und biologischer Zufall?

Diagnostik könnte sich damit teilweise auch zu einer Wissenschaft der Resilienz entwickeln.

Lebensstil verschwindet durch Hightech nicht

Ein Artikel über Genomik, Metabolomik und künstliche Intelligenz kann leicht einen falschen Eindruck erzeugen: als ließe sich Gesundheit irgendwann vollständig auf molekulare Daten reduzieren.

Dafür gibt es keinen guten Grund.

Schlaf, Bewegung, Ernährung, Rauchen, Alkohol, soziale Beziehungen, psychische Belastungen und andere Lebensbedingungen beeinflussen zahlreiche gesundheitliche Endpunkte. Ein komplexeres diagnostisches System würde diese Faktoren nicht verdrängen.

Es könnte ihren Einfluss in manchen Zusammenhängen sogar deutlicher sichtbar machen.

Wenn sich physiologische und metabolische Parameter parallel mit Schlaf, Aktivität oder Ernährung verändern, wäre das kein Gegenargument zu moderner Diagnostik. Es wäre genau die Art von Zusammenhang, die ein longitudinales System erfassen sollte.

Und eine aufwendige Suche könnte am Ende zu einer erstaunlich unspektakulären Erkenntnis führen.

Nicht jede Erklärung muss molekular exotisch sein, nur weil die Messverfahren es sind.

Wo eine solche Diagnostik gefährlich werden könnte

Bis hierhin klingt das Gedankenexperiment verlockend. Ein nahezu vollständiges biologisches Langzeitprofil hätte jedoch erhebliche Schattenseiten.

Überdiagnostik

Je mehr gemessen wird, desto mehr Auffälligkeiten werden gefunden. Einige davon sind relevant. Andere sind harmlose Varianten, vorübergehende Schwankungen oder statistische Zufälle.

Ein System, das ständig neue Signale produziert, könnte aus gesunden Menschen dauerhaft zu beobachtende Patienten machen.

Scheinkorrelationen

Millionen Datenpunkte bieten enorme Möglichkeiten, Muster zu entdecken. Sie bieten ebenso enorme Möglichkeiten, zufällige Muster für biologisch bedeutsam zu halten.

Besonders gefährlich wäre eine KI, die nachträglich zu jeder Korrelation eine überzeugend klingende biologische Geschichte erzeugt.

Bias

Ein Algorithmus kann nur aus den Daten lernen, die ihm zur Verfügung stehen. Sind bestimmte Bevölkerungsgruppen in Trainings- oder Referenzdatensätzen unzureichend vertreten, können Modelle bei ihnen schlechter funktionieren. Genetische und klinische Daten müssen deshalb populationsbezogen bewertet werden.[10]

Datenschutz

Ein umfassender Gesundheitsdatensatz wäre außerordentlich sensibel. Genomdaten besitzen zusätzlich eine Besonderheit: Sie enthalten Informationen, die teilweise auch biologische Verwandte betreffen. Forschung zur genomischen Privatsphäre diskutiert deshalb seit Jahren Fragen der Re-Identifizierbarkeit, Datennutzung und Auswirkungen auf Familienangehörige.[14]

Der Mensch als Datensatz

Ein weiteres Risiko ist weniger technisch.

• Was passiert mit unserem Verständnis von Gesundheit, wenn jeder Mensch ständig Tausende Abweichungen vor Augen hat?
• Wann ist jemand gesund, wenn ausreichend genaues Messen immer irgendeine Besonderheit findet?

Medizin benötigt Daten. Sie benötigt ebenso Kontext, Priorisierung und die Fähigkeit, irrelevante Auffälligkeiten bewusst nicht aufzuwerten.

Braucht eine solche Medizin andere ärztliche Kompetenzen?

Wenn Diagnostik tatsächlich stärker mit Multi-Omics, kontinuierlichen Daten und künstlicher Intelligenz arbeiten sollte, stellt sich irgendwann eine sehr menschliche Frage:

Wer beurteilt das alles?

Die Antwort kann kaum lauten, dass zukünftige Ärzte jede genetische Variante, jedes Protein und jeden neuen Algorithmus auswendig kennen müssen. Wahrscheinlicher wäre eine Verschiebung bestimmter Kompetenzen.

Neben klassischer medizinischer Ausbildung könnten Themen wichtiger werden wie:

• Systembiologie
• Genomik und andere Omics-Verfahren
• Biostatistik
• Kausalität und Confounding
• Datenqualität
• künstliche Intelligenz
• kritische Bewertung algorithmischer Ergebnisse
• Kommunikation wissenschaftlicher Unsicherheit

Diese Diskussion hat bereits begonnen. Eine 2026 veröffentlichte Scoping Review untersuchte vorgeschlagene KI-Kompetenzen für das Medizinstudium. Aus 54 Arbeiten aus 22 Ländern wurden unter anderem Kompetenzfelder zu Ethik, Regulierung, klinischen Anwendungen, Grundlagen von KI und vor allem zur kritischen Bewertung von KI-Ausgaben herausgearbeitet. Gleichzeitig beschreiben die Autoren die gegenwärtigen Empfehlungen noch als fragmentiert.[15]

Für unser Gedankenexperiment würde das bedeuten: Der Arzt der Zukunft müsste möglicherweise weniger einzelne Informationen selbst speichern. Dafür müsste er umso besser beurteilen können, welcher Information er vertrauen darf, welche Unsicherheit relevant ist und wann ein Modell mehr behauptet, als seine Daten tragen.

Fachärzte würden dadurch nicht überflüssig. Komplexe Diagnostik könnte im Gegenteil noch stärker auf ihre Expertise angewiesen sein.

Neu wäre möglicherweise eine verbindende Ebene zwischen den Disziplinen: Menschen, die biologische Systeme, Datenmodelle und klinische Realität gemeinsam betrachten können.

Fazit: Vielleicht fehlt nicht immer der nächste Test

Die Diagnostik der Zukunft könnte erheblich mehr biologische Informationen erfassen als heute. Einige Voraussetzungen dafür entstehen bereits: große genomische Datenbanken, Hochdurchsatz-Proteomik, Metabolomik, Mikrobiomsequenzierung, Wearables, elektronische Langzeitdaten und künstliche Intelligenz.

Der entscheidende Fortschritt müsste jedoch nicht darin bestehen, möglichst viele dieser Technologien gleichzeitig einzusetzen.

Interessanter wäre ihre Fähigkeit, ausgewählte Informationen zu einer belastbaren biologischen Geschichte zu verbinden.

Nicht bloß: Welche Werte sind heute auffällig?

Sondern zusätzlich: Was hat sich verändert? Was geschah vorher? Welche Veränderungen treten gemeinsam auf? Welche Erklärung passt zu den Beobachtungen – und welche Beobachtung spricht dagegen?

Bei komplexen Krankheitsverläufen eröffnet diese Perspektive mehrere Möglichkeiten. Manchmal fehlt tatsächlich ein bislang unbekannter Test. Manchmal greifen mehrere Prozesse ineinander. Und manche Verläufe lassen sich vermutlich gar nicht auf eine einzelne Ursache reduzieren.

In anderen Fällen könnte sich zeigen, dass eine wichtige Information längst vorhanden war und erst durch den zeitlichen Zusammenhang oder neues Wissen verständlich wird.

Die Gegenrichtung ist ebenso spannend. Dieselben Methoden könnten helfen zu untersuchen, warum manche Menschen trotz Alter, Belastungen oder Risikofaktoren außergewöhnlich stabil bleiben.

Eine solche Medizin würde Krankheit und Resilienz stärker als dynamische Prozesse betrachten.

Ob daraus tatsächlich bessere Diagnostik entsteht, entscheidet sich nicht an der Menge gespeicherter Daten.

Entscheidend ist, ob aus Daten belastbares Wissen wird – und aus diesem Wissen eine Entscheidung, die einem Menschen tatsächlich hilft.

Die zentrale Frage wäre dann nicht: Was können wir noch alles messen?

Sondern: Was müssen wir wissen, um die biologische Geschichte eines Menschen besser zu verstehen?

Manchmal könnte diese Geschichte hochkomplex sein.

Und manchmal vielleicht erstaunlich einfach.

Was möchtest du jetzt machen?

Dieses Gedankenexperiment berührt mehrere Themen, die sich unabhängig davon bereits heute wissenschaftlich untersuchen lassen.

• Mikrobiom und Stoffwechsel: Wer nachvollziehen möchte, warum die Zusammensetzung des Darmmikrobioms allein noch wenig über seine aktuelle Aktivität aussagt, kann sich mit mikrobiellen Metaboliten und funktionellen Stoffwechselwegen beschäftigen.
• Resilienz und gesundes Altern: Die Forschung an SuperAgern dreht die übliche Perspektive um und untersucht, warum manche Menschen bestimmte altersbezogene Veränderungen außergewöhnlich gut kompensieren oder ihnen widerstehen.
• Biologische Verläufe: Themen wie biologisches Alter, Proteomik, Metabolomik und personalisierte Referenzbereiche zeigen bereits heute, wie unterschiedlich ein einzelner Messwert und ein langfristiger Verlauf zu bewerten sein können.

Wissenschaftliche Quellen

• [1] Ismail SI, Saad C, Elrayess MA et al. Mapping the path to clinical implementation of multi-omics. Nature Genetics. 2026;58:1773–1786. DOI: 10.1038/s41588-026-02663-2.
• [2] National Institutes of Health (NIH). NIH's All of Us Research Program is now the largest integrated genomics and health database in the world. Datenfreigabe vom 30.06.2026.
• [3] Kirsher DY, Chand S, Phong A et al. Current landscape of plasma proteomics from technical innovations to biological insights and biomarker discovery. Communications Chemistry. 2025;8:279. DOI: 10.1038/s42004-025-01665-1.
• [4] Kim KH, Yoo M, Choi MY, Yoo BC. A Practical Roadmap for Clinical Translation of Metabolic Biomarkers: A Review. International Journal of Molecular Sciences. 2026;27(4):2030. DOI: 10.3390/ijms27042030.
• [5] Schierwagen R, Carraturo F, Iyappan A et al. Multidisciplinary Delphi consensus statement on minimal standards for clinical metadata and end points in microbiome studies. Nature Reviews Gastroenterology & Hepatology. 2026. DOI: 10.1038/s41575-026-01229-1.
• [6] Fayad ZA, Hirten RP, Nadkarni GN et al. Wearable technologies in clinical trials for drug development: trends and emerging opportunities. Nature Reviews Drug Discovery. 2026;25:448–468. DOI: 10.1038/s41573-026-01403-9.
• [7] Coskun A, Sandberg S, Unsal I, Serteser M, Aarsand AK. Personalized reference intervals: from theory to practice. Critical Reviews in Clinical Laboratory Sciences. 2022;59(7):501–516. DOI: 10.1080/10408363.2022.2070905.
• [8] Schüssler-Fiorenza Rose SM, Contrepois K, Moneghetti KJ et al. A longitudinal big data approach for precision health. Nature Medicine. 2019;25:792–804. DOI: 10.1038/s41591-019-0414-6.
• [9] Welland MJ, Ahlquist KD, De Fazio P et al. Automated reanalysis of genomic data for rare disease diagnostics at scale. Nature Medicine. 2026;32:2991–2999. DOI: 10.1038/s41591-026-04477-5.
• [10] Venkatesh R, Ritchie MD. AI-based multimodal integration of genomics and electronic health records. Nature Reviews Genetics. 2026. DOI: 10.1038/s41576-026-00992-w.
• [11] Zhang L, Wölflein G, Ferber D et al. On-premise medical AI agents for reliable clinical decision-making. Nature Medicine. 2026. DOI: 10.1038/s41591-026-04609-x.
• [12] Weintraub S, Gefen T, Geula C, Mesulam MM. The first 25 years of the Northwestern University SuperAging Program. Alzheimer's & Dementia. 2025;21(8):e70312. DOI: 10.1002/alz.70312.
• [13] Disouky A, Sanborn MA, Sabitha KR et al. Human hippocampal neurogenesis in adulthood, ageing and Alzheimer's disease. Nature. 2026;652:1264–1273. DOI: 10.1038/s41586-026-10169-4.
• [14] Bonomi L, Huang Y, Ohno-Machado L. Privacy challenges and research opportunities for genomic data sharing. Nature Genetics. 2020;52:646–654. DOI: 10.1038/s41588-020-0651-0.
• [15] Hunt VM, Sprehe LK, de Lomba WC et al. What the AI era doctor should know: a scoping review of proposed artificial intelligence competencies for medical education. npj Digital Medicine. 2026. DOI: 10.1038/s41746-026-02761-9.

Abgelegt unter: biomarker , diagnostik der zukunft , genomik , ki medizin , longitudinale diagnostik , medizin der zukunft , medizinische ki , metabolomik , Mikrobiom , multi-omics , personalisierte medizin , präzisionsmedizin , proteomik , resilienz , superager