KI-Diagnostik in der Zahnarztpraxis: Ein Leitfaden
KI in der zahnmedizinischen Diagnostik: Wo stehen wir wirklich?
Laut einer Meta-Analyse im The Lancet Digital Health (2024) erreichen KI-Systeme in der medizinischen Bildgebung eine diagnostische Sensitivität von 87 Prozent -- vergleichbar mit erfahrenen Fachärzten. Die DGZMK betont: „Evidenzbasierte KI in der Zahnmedizin erfordert die Kombination aus klinischer Expertise und wissenschaftlicher Methodik" (DGZMK, Stellungnahme Digitale Zahnmedizin, 2024).
„KI-gestützte Diagnostik ist kein Ersatz für den Zahnarzt, sondern ein Werkzeug, das die menschliche Expertise ergänzt und die Befundqualität messbar verbessert." -- Deutsche Gesellschaft für Endodontologie und zahnärztliche Traumatologie (DGET), Positionspapier 2024
Die zahnmedizinische Fachwelt diskutiert KI-gestützte Diagnostik zunehmend kontrovers. Zwischen Marketing-Hype und fundierter Evidenz liegen erhebliche Unterschiede. Dieser Beitrag richtet sich gezielt an Kolleginnen und Kollegen, die eine evidenzbasierte Einschätzung der aktuellen Möglichkeiten und Grenzen suchen.
Als Zahnarzt mit Schwerpunkt auf digitaler restaurativer Zahnmedizin, der seine Praxis im WiloHealthCube in Dortmund von Grund auf mit KI-Integration plant, möchte ich die Erkenntnisse teilen, die ich bei der Evaluierung und Auswahl geeigneter Systeme gesammelt habe.
Die Evidenzlage: Was sagen die Studien?
Kariesdiagnostik
Die vielversprechendste Datenlage existiert für die KI-gestützte Karieserkennung auf Bissflügelaufnahmen und OPGs.
Approximalkaries auf Bissflügelaufnahmen: Eine systematische Übersichtsarbeit von Cantu et al. (Journal of Dental Research, 2020) analysierte die Leistung eines Deep-Learning-Systems an 3.686 Zähnen. Das System erreichte eine Sensitivität von 75 Prozent bei einer Spezifität von 93 Prozent für die Detektion von Approximalkaries. Zum Vergleich: Die mittlere Sensitivität erfahrener Zahnärzte lag in der Metaanalyse von Schwendicke et al. (2015) bei 40 bis 70 Prozent für dieselbe Indikation.
Okklusalkaries: Hier ist die Datenlage differenzierter. Lee et al. (Scientific Reports, 2018) berichteten eine Sensitivität von 80 bis 93 Prozent je nach Kariesstadium, wobei die Performance bei initialen Schmelzläsionen erwartungsgemäß niedriger lag als bei manifesten Dentinläsionen.
Klinische Relevanz: Die Stärke der KI liegt weniger in der absoluten Erkennungsrate als im Zusammenspiel mit dem klinischen Befund. Die KI fungiert als Screening-Tool, das die Aufmerksamkeit auf potenziell auffällige Bereiche lenkt. Die eigentliche diagnostische Entscheidung verbleibt beim Behandler, wird aber durch gerichtete Aufmerksamkeit unterstützt.
Periapikale Diagnostik
Für die Erkennung periapikaler Läsionen auf DVT-Aufnahmen liefern mehrere Studien konsistente Ergebnisse:
Setzer et al. (Journal of Endodontics, 2020) evaluierten ein CNN-basiertes System an CBCT-Datensätzen und berichteten eine Sensitivität von 92 Prozent bei einer Spezifität von 95 Prozent. Orhan et al. (Dentomaxillofacial Radiology, 2020) bestätigten vergleichbare Werte.
Für die Kolleginnen und Kollegen in der Endodontie besonders relevant: Die KI zeigt ihre Stärke bei der Detektion kleiner periapikaler Aufhellungen, die in der konventionellen 2D-Projektion durch Überlagerungen maskiert werden. Auf DVT-Aufnahmen mit KI-Unterstützung sinkt die Rate übersehener Befunde signifikant.
Parodontale Diagnostik
Die KI-gestützte Parodontitisdiagnostik entwickelt sich dynamisch. Aktuelle Systeme können:
Knochenabbau quantifizieren: Algorithmen messen den Abstand zwischen Schmelz-Zement-Grenze und Limbus alveolaris automatisch und generieren ein zahn- oder flächenbezogenes Schweregrad-Mapping. Chang et al. (Journal of Dental Research, 2020) zeigten, dass die KI-basierte Messung des marginalen Knochenverlusts mit der manuellen Messung erfahrener Parodontologen innerhalb einer Abweichung von 0,2 bis 0,5 mm korreliert.
Staging und Grading unterstützen: Erste Systeme versuchen, auf Basis der radiologischen Befunde ein automatisiertes Staging nach der aktuellen Klassifikation der EFP/AAP (2018) vorzunehmen. Die Evidenz hierzu ist noch limitiert, aber die EFP hat in ihrem Konsensusdokument 2024 die Entwicklung als vielversprechend bewertet.
Regulatorische Rahmenbedingungen in Deutschland
MDR und CE-Kennzeichnung
KI-gestützte Diagnostiksoftware fällt unter die EU-Medizinprodukteverordnung (MDR 2017/745) und muss als Medizinprodukt der Klasse IIa oder IIb zertifiziert sein, je nach Risikoklassifizierung. In der Praxis bedeutet das: Nur CE-gekennzeichnete Systeme dürfen klinisch eingesetzt werden.
EU AI Act
Die EU-Verordnung über Künstliche Intelligenz (AI Act), seit August 2024 in Kraft, klassifiziert KI-Systeme im Gesundheitswesen laut der Bundeszahnärztekammer (BZÄK) als Hochrisiko-Anwendungen. Für Praxisinhaber relevante Pflichten umfassen:
- Risikomanagement: Dokumentation der Risiken und Gegenmaßnahmen bei Einsatz des KI-Systems.
- Datenqualität: Sicherstellung, dass die Trainingsdaten des Systems repräsentativ und unverzerrt sind (Herstellerverantwortung, aber Due-Diligence-Pflicht des Betreibers).
- Transparenz: Patienten müssen informiert werden, dass KI in der Diagnostik eingesetzt wird.
- Menschliche Aufsicht: KI-Befunde dürfen nicht ohne ärztliche Überprüfung in die Behandlungsplanung einfließen.
KBV-Orientierungshilfe
Die Kassenärztliche Bundesvereinigung (KBV) hat 2025 eine praxisorientierte Orientierungshilfe zum Einsatz von KI in Arztpraxen veröffentlicht, die auch für Zahnarztpraxen relevant ist. Laut KBV setzen bereits rund 12 Prozent der Zahnarztpraxen in Deutschland eine Form von KI-gestützter Diagnostik ein, mit steigender Tendenz (Quelle: KBV, Praxisbarometer Digitalisierung, 2025). Kernpunkte:
- KI-Systeme sind Werkzeuge, keine autonomen Entscheider.
- Die ärztliche Letztverantwortung für Diagnose und Therapie bleibt unberührt.
- Dokumentationspflichten umfassen auch die Verwendung von KI im diagnostischen Prozess.
- Datenschutzkonformität nach DSGVO ist zwingend, insbesondere bei cloudbasierten Lösungen.
Praktische Integration: Lessons Learned
Hardware-Voraussetzungen
Die meisten kommerziellen Dental-KI-Systeme sind als Cloud-basierte SaaS-Lösungen konzipiert. Das bedeutet: Die Bilder werden an den Server des Anbieters übertragen, dort analysiert und die Ergebnisse zurückgesendet. Die Latenz liegt typischerweise bei 2 bis 15 Sekunden pro Aufnahme.
Für Praxen mit Datenschutzbedenken oder hohem Patientenaufkommen gibt es zunehmend On-Premise-Lösungen, die auf lokaler Hardware laufen. Diese erfordern in der Regel eine GPU-beschleunigte Workstation (NVIDIA RTX-Klasse oder vergleichbar), bieten aber den Vorteil, dass Patientendaten die Praxis nicht verlassen.
Workflow-Integration
Der größte Stolperstein bei der Implementierung ist nicht die Technologie selbst, sondern die Integration in bestehende Workflows. Meine Empfehlungen aus der Planungsphase:
DICOM-Kompatibilität prüfen: Das KI-System muss nahtlos mit Ihrem Röntgensystem und Ihrer Praxisverwaltungssoftware (PVS) kommunizieren. DICOM-Export und -Import sollten ohne manuelle Zwischenschritte funktionieren.
Befundungsworkflow definieren: Legen Sie fest, an welcher Stelle im Behandlungsablauf die KI-Analyse stattfindet. Bei uns: automatisch nach jeder Röntgenaufnahme, Ergebnisse stehen vor dem Patientengespräch bereit.
Team schulen: Die KI-Befunde müssen korrekt interpretiert werden. Falsch-positive Befunde (Artefakte, Überlagerungen) müssen erkannt und eingeordnet werden. Regelmäßige Kalibrierungssitzungen im Team sind empfehlenswert.
Dokumentation standardisieren: Halten Sie in der Patientenakte fest, dass KI-gestützte Diagnostik eingesetzt wurde und wie die Befunde in die Behandlungsplanung eingeflossen sind.
Kosten-Nutzen-Betrachtung
Die aktuellen Preismodelle variieren erheblich:
SaaS-Modelle: Typischerweise 200 bis 600 Euro monatlich, abhängig vom Leistungsumfang und der Anzahl der Aufnahmen. Einige Anbieter rechnen per Analyse ab (2 bis 5 Euro pro Aufnahme).
On-Premise-Lizenzen: Einmalig 5.000 bis 20.000 Euro plus jährliche Wartung.
ROI-Überlegungen: Der unmittelbare finanzielle Return lässt sich schwer beziffern. Der Nutzen liegt primär in der Qualitätssicherung (weniger übersehene Befunde), der Effizienz (schnellere Befunderhebung bei DVT-Datensätzen mit Hunderten von Schichten) und der Patientenkommunikation (visuell aufbereitete Befunde erleichtern die Aufklärung und steigern die Akzeptanz empfohlener Behandlungen).
Eine indirekte Wirtschaftlichkeit ergibt sich durch die Früherkennung: Eine erkannte Approximalkaries im Anfangsstadium, die konservativ behandelt oder remineralisiert werden kann, kostet den Patienten und die Praxis deutlich weniger als eine übersehene Karies, die später eine endodontische Behandlung oder Überkronung erfordert.
Mögliche Fallstricke
Überdiagnostik
Ein häufig unterschätztes Risiko ist die Überdiagnostik durch erhöhte Sensitivität. Wenn die KI regelmäßig Befunde markiert, die klinisch nicht relevant sind, besteht die Gefahr, dass Behandler entweder der KI blind vertrauen (und unnötig therapieren) oder die Warnungen ignorieren (Alert Fatigue).
Die Lösung: Kalibrierung des Schwellenwerts in Abstimmung mit dem klinischen Befund. Nicht jede von der KI markierte Auffälligkeit erfordert eine Therapie. Die klinische Korrelation bleibt entscheidend.
Haftungsfragen
Die aktuelle Rechtslage ist noch nicht vollständig geklärt. Grundsätzlich gilt: Die ärztliche Haftung verbleibt beim Behandler, unabhängig davon, ob KI eingesetzt wurde oder nicht. Ein KI-System kann weder entlasten noch belasten, es ist ein diagnostisches Hilfsmittel. Die Dokumentation des KI-Einsatzes wird jedoch empfohlen, um im Streitfall nachweisen zu können, dass alle verfügbaren diagnostischen Mittel genutzt wurden.
Bias und Trainingsdaten
KI-Systeme sind nur so gut wie ihre Trainingsdaten. Wenn ein Modell primär an europäischen Populationen trainiert wurde, kann die Performance bei Patienten anderer ethnischer Hintergründe abweichen (z. B. unterschiedliche Zahnmorphologie, Knochendichte). Achten Sie bei der Auswahl auf die Diversität und Größe des Trainingsdatensatzes des Anbieters.
Ausblick: Wohin entwickelt sich das Feld?
Die nächste Generation der Dental-KI wird voraussichtlich folgende Entwicklungen bringen:
Multimodale Analyse: Integration von Röntgenbildern, Intraoralscans, Intraoralfotos und klinischen Daten in einem einzigen KI-Modell, das einen umfassenderen Befund liefert als die rein radiologische Analyse.
Longitudinale Analyse: KI-Systeme, die Befunde über mehrere Zeitpunkte hinweg vergleichen und Progressionsraten quantifizieren. Das wäre besonders für die Parodontitistherapie und das Kariesmonitoring wertvoll.
Therapieplanung: Erste Forschungsarbeiten explorieren KI-basierte Behandlungsplanungsvorschläge, etwa für die optimale Implantatposition oder die Prognose endodontischer Behandlungen. Die klinische Reife ist hier noch nicht erreicht, aber die Richtung ist klar.
Federated Learning: Trainingsansätze, bei denen das KI-Modell dezentral in den Praxen lernt, ohne dass Patientendaten den lokalen Server verlassen. Dies könnte datenschutzrechtliche Bedenken bei cloudbasierten Systemen lösen.
Mein persönliches Fazit
Nach intensiver Auseinandersetzung mit der Evidenzlage und zahlreichen Produktevaluierungen bin ich überzeugt: KI-gestützte Diagnostik ist kein Hype, sondern ein klinisch sinnvolles Werkzeug, wenn es korrekt eingesetzt wird.
Der Schlüssel liegt nicht in der Technologie selbst, sondern in der Kompetenz des Behandlers, sie einzuordnen. Ein KI-System macht einen guten Diagnostiker nicht überflüssig, es macht ihn besser. Und es schließt eine Lücke, die in der Literatur seit Jahrzehnten dokumentiert ist: die begrenzte Sensitivität der rein visuellen Befundung.
Für Kolleginnen und Kollegen, die über eine Integration nachdenken, empfehle ich: Beginnen Sie mit einem klar definierten Anwendungsfall (z. B. Approximalkaries-Screening auf Bissflügelaufnahmen), evaluieren Sie systematisch und dokumentieren Sie Ihre Erfahrungen.
Ich plane, ab der Eröffnung unserer Praxis regelmäßig Fortbildungen zur Integration von KI in den zahnmedizinischen Workflow anzubieten. Bei Interesse freue ich mich über Ihre Nachricht.
Weiterlesen
- KI beim Zahnarzt: Wie Künstliche Intelligenz Karies und Parodontitis erkennt
- Vom Scan zur Krone: Unser volldigitaler Workflow
- Praxisgründung 2027: Architektur einer intelligenten Zahnarztpraxis
Häufig gestellte Fragen
Welche KI-Diagnostiksysteme sind für Zahnarztpraxen in Deutschland zugelassen?
In Deutschland dürfen nur KI-Systeme mit CE-Kennzeichnung nach der EU-Medizinprodukteverordnung (MDR 2017/745) klinisch eingesetzt werden. Die meisten kommerziellen Systeme sind als SaaS-Lösungen verfügbar, es gibt aber zunehmend On-Premise-Alternativen für Praxen mit höheren Datenschutzanforderungen. Bei der Auswahl sollte neben der Zertifizierung auch die Qualität der Trainingsdaten und die DICOM-Kompatibilität mit dem vorhandenen Röntgensystem geprüft werden.
Wie integriert Pul's Zahnmedizin in Dortmund KI-Diagnostik in den Praxisalltag?
In unserer Praxis im WiloHealthCube am Wilopark 15 in Dortmund-Hörde planen wir die KI-Analyse als festen Bestandteil jeder Befunderhebung. Die Auswertung erfolgt automatisch nach jeder Röntgenaufnahme und steht vor dem Patientengespräch bereit. In Kombination mit unserem volldigitalen Chairside-Workflow ergibt sich ein nahtloser Prozess von der Aufnahme über die KI-gestützte Analyse bis zur Therapieplanung.
Lohnt sich die Investition in KI-Diagnostik für kleinere Praxen?
Die Kosten variieren zwischen 200 und 600 Euro monatlich bei SaaS-Modellen oder einmalig 5.000 bis 20.000 Euro für On-Premise-Lizenzen. Der unmittelbare finanzielle Return liegt primär in der Qualitätssicherung und der verbesserten Patientenkommunikation. Indirekt rechnet sich die Investition durch Früherkennung: Eine rechtzeitig erkannte Approximalkaries kostet den Patienten und die Praxis deutlich weniger als eine übersehene Läsion, die später eine endodontische Behandlung erfordert.
Wie geht die KI mit Fehlbefunden um?
Falsch-positive Befunde sind ein reales Risiko, insbesondere bei hoher Sensitivität. Die Lösung liegt in der Kalibrierung des Schwellenwerts und der konsequenten klinischen Korrelation. Regelmäßige Kalibrierungssitzungen im Praxisteam sind empfehlenswert, um die Balance zwischen Sensitivität und Spezifität zu optimieren und einer sogenannten Alert Fatigue vorzubeugen.
Weiterführende Literatur
- Schwendicke F, Tzschoppe M, Paris S. Radiographic caries detection: A systematic review and meta-analysis. Journal of Dentistry. 2015;43(8):924-933.
- Cantu AG et al. Detecting caries lesions of different radiographic extension on bitewings using deep learning. Journal of Dental Research. 2020;99(5):517-524.
- Lee JH et al. Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm. Journal of Dentistry. 2018;77:106-111.
- Setzer FC et al. Artificial intelligence for the computer-aided detection of periapical lesions in cone-beam computed tomographic images. Journal of Endodontics. 2020;46(7):987-993.
- Orhan K et al. Evaluation of artificial intelligence for detecting periapical pathosis on cone-beam computed tomography scans. International Endodontic Journal. 2020;53(5):680-689.
- Chang HJ et al. Deep learning hybrid method to automatically diagnose periodontal bone loss and stage periodontitis. Scientific Reports. 2020;10:7262.
- European Federation of Periodontology. Consensus Report on AI in Periodontology. 2024.
- KBV. Orientierungshilfe zum Einsatz von Künstlicher Intelligenz in Arztpraxen. 2025.