Fallstudien

Die Herausforderung

Das Radiologieteam eines mittelgroßen Krankenhauses musste fünf separate Anwendungen für Literaturrecherche, DICOM-Betrachtung, Befunddiktat, Fallbesprechung und Nachsorgeverfolgung bedienen. Assistenzärzte verloren täglich 30–45 Minuten durch Kontextwechsel, und kritische Befunde gingen gelegentlich bei Übergaben verloren.

Der Ansatz

HALO Core als zentralen Intelligenz-Arbeitsbereich einsetzen, bestehende PACS-Daten, PDF-Leitlinien und vorherige Zweitmeinungsberichte in eine einheitliche Wissensbasis einlesen. Drei koordinierte Agenten-Profile konfigurieren: Research Agent für PubMed-Abfragen, Report Agent für strukturiertes Diktat und Follow-up Agent für Nachsorgeempfehlungen.

Die Lösung

HALO Cores LanceDB-Vektorspeicher indexierte 12.000 Vorherige Berichte und 400 PDF-Leitlinien. Der Research Agent lieferte relevante Literatur in unter 3 Sekunden; der Report Agent erstellte BI-RADS-konforme Entwürfe; der Follow-up Agent erzeugte strukturierte Erinnerungsaufgaben im Aufgabenmanager des Krankenhauses via MCP.

Ergebnisse

• → Kontextwechselzeit um 78% reduziert (von 38 min auf 8 min pro Schicht)
• → Zweitmeinungsbefund-Durchlaufzeit verbessert von 4 Tagen auf 1,2 Tage
• → Null verpasste Nachsorgeempfehlungen in den ersten 6 Monaten

Die Herausforderung

Ein Kreiskrankenhaus sah sich mit einem 40%igen Anstieg des MRT-Aufkommens konfrontiert, nachdem eine Nachbarklinik ihre Bildgebung geschlossen hatte. Mit zwei unbesetzten Radiologenstellen wuchs der Rückstand auf 180 Untersuchungen, und Stat-Fälle verzögerten sich um bis zu 6 Stunden.

Der Ansatz

Corpus Analyzer mit dem bestehenden Orthanc-PACS via DICOMweb integrieren. Die Skills Modality Detection und Radiology Context konfigurieren, um eingehende Studien nach Körperregion und Dringlichkeit automatisch zu triagieren. Den AI Detection Pipeline Skill aktivieren, um verdächtige akute Befunde zur Prioritätsprüfung zu markieren.

Die Lösung

Eingehende DICOM-Studien wurden automatisch geroutet: Stat-Neuro-Studien innerhalb von 90 Sekunden markiert, MSK zur Stapelüberprüfung in die Warteschlange gestellt und nicht-dringliche Ambulanzscans für die Befundung am nächsten Tag eingeplant. Der Radiologe konnte jede markierte Studie anklicken, um eine KI-generierte vorläufige Befundliste mit Konfidenzwerten zu sehen.

Ergebnisse

• → MRT-Rückstand von 180 auf 12 Untersuchungen innerhalb von 3 Wochen abgebaut
• → Stat-Fall-Verzögerung von 6 Stunden auf median 22 Minuten reduziert
• → Radiologen berichteten um 25% weniger kognitive Belastung während Spitzenschichten

Die Herausforderung

Ein Health-Tech-Startup hatte einen funktionierenden Streamlit-Prototyp für Diabetische-Retinopathie-Screening, aber keine Produktionsinfrastruktur. Auth, Stripe-Abrechnung, Deutsch/Englisch-i18n und GDPR-Audit-Logging von Grund auf zu bauen, würde den CE-Kennzeichnungszeitplan um 4 Monate verzögern.

Der Ansatz

Den Prototyp auf Basis von Corpus Core SaaS neu aufbauen, das integrierte Auth0-OAuth-2.0-Modul, den Stripe-Abonnement-Fluss mit Testphase-Logik und das erweiterbare i18n-Framework nutzen. Die Audit-Logging-Middleware für GDPR-Artikel-30-Dokumentation verwenden.

Die Lösung

Das Team ersetzte 80% seines eigenen Infrastruktur-Codes durch Corpus Core Module. Auth0 übernahm Google- und Microsoft-SSO; Stripe verwaltete monatliche/jährliche Pläne mit automatischer MwSt.-Rechnungsstellung; i18n deckte deutsche medizinische Terminologie sofort ab. Docker-Deployment auf Hetzner Cloud dauerte einen Nachmittag.

Ergebnisse

• → Time-to-Market von 5 Monaten auf 6 Wochen reduziert
• → Externe GDPR-Prüfung beim ersten Versuch bestanden
• → Kunden-Onboarding-Zeit von 3 Tagen auf 15 Minuten gesenkt

Die Herausforderung

Eine multidisziplinäre Schmerzklinik nutzte Papier-Körperumrisse, auf die Patienten Schmerzorte mit Buntstiften zeichneten. Während multidisziplinärer Konferenzen wurden 1 von 5 Skizzen von Physiotherapeuten falsch gelesen, und das EMR-Team verbrachte Stunden damit, Skizzen für Abrechnungscodes zu digitalisieren.

Der Ansatz

Das PainTracker-WordPress-Plugin im bestehenden Patientenportal der Klinik bereitstellen. Männliche und weibliche 3D-Körpermodelle mit einstellbarer Marker-Intensität konfigurieren. Die JSON-Ausgabe via benutzerdefiniertem Webhook in das Physiotherapie-Managementsystem integrieren.

Die Lösung

Patienten markieren Schmerzen jetzt auf einem Babylon.js-3D-Modell via Tablet oder Smartphone. Jeder Marker enthält Koordinaten, Intensität (1–10) und eine Freitextbeschreibung. Die JSON-Nutzdaten füllen die Behandlungsplanvorlage des Physiotherapeuten automatisch und fließen direkt in die DRG-Kodierung.

Ergebnisse

• → Fehler beim Auslesen von Skizzen eliminiert (von 20% auf 0%)
• → Konferenzvorbereitungszeit von 45 min auf 5 min pro Patient reduziert
• → Patientenzufriedenheit mit dem Aufnahmeprozess stieg von 62% auf 91%

Die Herausforderung

Eine private Radiologiegruppe erhielt Zweitmeinungsanfragen per unstrukturierter E-Mail mit per Post versandten DICOM-CDs. Jeder Fall erforderte 20–30 Minuten manuelle Dateiorganisation, Patientendateneingabe und Krankenversicherungsüberprüfung, bevor ein Radiologe mit der Befundung beginnen konnte.

Der Ansatz

Die Second-Opinion-Plattform mit Patienten-Selbstaufnahme, Dokumenten-Upload und strukturierter Fallspeicherung bereitstellen. PainTracker für Patienten mit chronischen Schmerzvorgeschichten integrieren. Das Benachrichtigungssystem an die Praxisverwaltungssoftware anbinden.

Die Lösung

Patienten füllen jetzt ein geführtes Aufnahmeformular aus, laden DICOM direkt über den Browser hoch (mit DICOMweb) und erhalten automatisierte Statusaktualisierungen. Das Admin-Dashboard reiht Fälle nach Dringlichkeit und Vollständigkeit ein. PainTracker-Daten erscheinen, sofern vorhanden, als 3D-Overlay neben der DICOM-Studie.

Ergebnisse

• → Fallvorbereitungszeit von 3 Tagen (Post + manuelle Eingabe) auf 30 Minuten reduziert
• → Verwaltungspersonal-Arbeitsbelastung um 60% gesenkt
• → Patientenbeschwerden um 45% gesunken dank transparenter Statusverfolgung

Die Herausforderung

Die Redaktion eines medizinischen Verlags verbrachte jeden Morgen 3 Stunden damit, englische KI-Forschungsblogs manuell zu scannen, Schlüsselmeldungen zu übersetzen und für ein deutschsprachiges Ärztepublikum umzuschreiben. Burnout war hoch, und Deep-Dive-Beiträge wurden ständig verschoben.

Der Ansatz

Gods in White als automatisierte News-Pipeline starten. Zweimal tägliche Web-Recherche mit KI-basierter Relevanzbewertung, deutschsprachige Artikelgenerierung mit Medizin-Terminologie-Genauigkeitsprüfung und automatisch generierte Titelbilder konfigurieren. Via Netlify mit GitHub Actions deployen.

Die Lösung

Die Pipeline läuft um 06:00 und 14:00 CET. Sie scannt 40+ Quellen, filtert nach Relevanz für KI im Gesundheitswesen, generiert 3–5 Artikel pro Lauf und stellt sie zur menschlichen Freigabe in die Warteschlange. Freigegebene Artikel werden automatisch mit Open-Graph-Bildern und strukturierten Daten veröffentlicht.

Ergebnisse

• → Redaktionsproduktionszeit von 3 Stunden auf 20 Minuten pro Tag reduziert
• → Deep-Dive-Beitragsausgabe von 1 auf 4 Artikel pro Monat erhöht
• → Öffnungsrate des Ärzte-Newsletters stieg von 18% auf 34%

Die Herausforderung

Der Beschaffungsausschuss eines Universitätsklinikums verbrachte 4–6 Monate mit der Evaluierung jedes medizinischen KI-Anbieters. Der Aufbau von Testumgebungen, API-Konfiguration und Sicherheitsüberprüfungen beanspruchte IT-Ressourcen und verzögerte die klinische Einführung.

Der Ansatz

Den Lab als Zero-Setup-Evaluierungsumgebung nutzen. Anbieter einladen, ihre Agenten als Skills zu deployen; Klinikern ermöglichen, Radiologie-Skills (PACS-Abfrage, DICOM-Analyse, strukturiertes Reporting) zu aktivieren und Echtzeit-Fall-Reasoning mit vollständiger Nachverfolgbarkeit zu beobachten.

Die Lösung

Anbieter laden Agenten-Konfigurationen als Docker-Container hoch. Kliniker führen standardisierte Testfälle (z. B. Lungenrunden-CT-Follow-up) über die Lab-Oberfläche aus. Jeder Reasoning-Schritt, API-Aufruf und Konfidenzwert wird protokolliert. Der Beschaffungsausschuss prüft Traces statt Folien.

Ergebnisse

• → Anbieterbewertungszyklus von 5 Monaten auf 2,5 Monate verkürzt
• → IT-Setup-Zeit pro Anbieter von 3 Wochen auf 2 Tage reduziert
• → Klinisches Stakeholder-Engagement in Beschaffungsentscheidungen um 70% gestiegen

Die Herausforderung

Ein Teleradiologie-Unternehmen beschäftigt 35 Radiologen in 8 Ländern. Jeder nutzte einen anderen KI-Assistenten (Claude, Cursor, Windsurf, OpenCode) mit Ad-hoc-Prompts, was zu inkonsistenter Berichtsstruktur und gelegentlich verpassten Nachsorgeempfehlungen führte.

Der Ansatz

Die vollständige Corpus Analytica klinische Skills-Bibliothek (26 Skills) auf allen vier Plattformen installieren. Radiology-Context als obligatorische Voraussetzung für jede Sitzung konfigurieren. Structured-Reporting-Vorlagen für BI-RADS, LI-RADS und PI-RADS über alle Agenten standardisieren.

Die Lösung

Jede IDE oder Chat-Oberfläche des Radiologen lädt jetzt denselben kontextbewussten Skill-Satz: Modality Detection klassifiziert Studien automatisch, PACS Workflow ruft Vorherige ab, PubMed Search liefert Evidenz, und Structured Reporting erzwingt Compliance-Vorlagen. Skills zentral aktualisierbar via `npx skillsadd`.

Ergebnisse

• → Berichtsstruktur-Konsistenz von 64% auf 97% über alle Radiologen verbessert
• → Auslassungen von Nachsorgeempfehlungen um 82% gesunken
• → Onboarding-Zeit für neue Radiologen von 2 Wochen auf 3 Tage reduziert

Die Herausforderung

Ein Bildgebungszentrum verarbeitete nächtlich 300+ DICOM-Studien für den Forschungsarchivtransfer. Zwei Vollzeitkräfte luden Studien manuell herunter, entfernten PHI, führten Qualitätskontrollen durch und erstellten Transfermanifeste — eine 4-Stunden-Schicht mit menschlichem Fehlerrisiko.

Der Ansatz

Die Corpus Analytica CLI-Suite in eine einzelne nächtliche Pipeline orchestrieren: `fetch_study` lädt vollständige Studien vom PACS herunter, `dicom_anonymizer` entfernt Patienten-Identifikatoren bei Erhalt klinischer Tags, `image_qc` bewertet SNR und Auflösung, und `tat_analyzer` protokolliert Turnaround-Metriken.

Die Lösung

Ein GitHub Actions Workflow startet um 02:00 CET. Studien werden via DICOMweb abgerufen, mit konfigurierbaren Tag-Maps anonymisiert, und QC-Metriken in eine SQLite-Datenbank geschrieben. Fehlgeschlagene QC-Studien lösen Slack-Alerts aus. Transfermanifeste werden automatisch als JSON für den Forschungspartner generiert.

Ergebnisse

• → Manuelle QA-Zeit eliminiert (von 4 Stunden auf 12 Minuten automatisiert)
• → PHI-Verletzungsrisiko auf Null gesenkt durch automatisierte Anonymisierungsverifizierung
• → QC-Fehlererkennung von 85% auf 99,2% Recall verbessert

Die Herausforderung

Ein regionales Kliniknetzwerk betrieb drei Kliniken mit separaten Orthanc-PACS-Instanzen, Epic-Radiant-KIS-Silos und einem eigenständigen Aidoc-KI-Triage-Server. Kritische KI-Alerts erreichten nie das KIS, und Radiologen wechselten zwischen drei Oberflächen, um markierte Studien zu prüfen.

Der Ansatz

Die Corpus Analytica Integrations-Schicht mit Skills für PACS Workflow (Orthanc), EHR Context (Epic Radiant) und AI Triage (Aidoc) deployen. HL7 FHIR R4 für KIS-Kommunikation und DICOMweb für PACS/AI-Routing verwenden.

Die Lösung

Aidoc markiert eine verdächtige Lungenembolie auf einer Thorax-CTA → die Integrations-Schicht erstellt automatisch eine Epic-Radiant-Kritische-Befund-Notiz → der Radiologe erhält einen einzelnen Alert mit Deep-Links zur Studie im OHIF Viewer und dem Patientenchart in Epic. Alle Ereignisse werden via FHIR AuditEvent-Ressourcen protokolliert.

Ergebnisse

• → Benachrichtigungszeit für kritische Befunde von 12 Minuten auf 90 Sekunden reduziert
• → Radiologen-Oberflächenwechsel eliminiert (3 → 1 einheitliche Ansicht)
• → Krankenhausübergreifender Bilddatentransfer von 2 Stunden auf 5 Minuten vereinfacht