Medizinischen Forschungsteams fehlt es nicht an Daten. Es fehlt ihnen an verbundenen Daten. Die Bildgebung liegt im PACS. Das klinische Bild liegt in der Patientenakte, die Hälfte davon in Entlassberichten aus Freitext. Die Genomik ist eine VCF-Datei auf einem Laborlaufwerk. Die Überlebenszahlen kommen aus einem Statistikpaket, das mit keinem der anderen Systeme spricht. Die Literatur, die alles in Kontext setzt, lebt in hundert Browser-Tabs.
Roberto Cruz
10. Juli 2026
Ursprünglich veröffentlicht auf LinkedIn
Jedes dieser Systeme erfüllt seine Aufgabe. Das Problem ist der Raum dazwischen. Eine Forschungsfrage, die einen Nachmittag dauern sollte, dauert ein Quartal, weil der Großteil des Quartals damit vergeht, Daten von Hand über Lücken zu tragen: exportieren, erneut zuordnen, wer wer ist, eine Kohortendefinition in drei Tools einfügen, die eine Kohorte jeweils anders definieren, eine Zahl neu herleiten, die jemand schon letzten Monat hergeleitet hat, und (leise und teuer) den Faden verlieren, woher jedes Ergebnis eigentlich stammt.
Was ein Forschungsteam beschleunigt, ist kein schnelleres Modell. Es ist das Schließen der Lücken. Ein Ort, an dem Bildgebung, Akte, Varianten, Statistik und Evidenz auf derselben Arbeitsfläche liegen, an dem ein Ergebnis seine eigene Geschichte mitträgt und an dem die Maschinerie der Studie (De-Identifizierung, Kohortenlogik, Annotation, Freigabe) Teil der Oberfläche ist statt ein Haufen Nebenaufgaben. Dafür haben wir die Forschungsumgebung von Tietai gebaut, und am schnellsten zeigt sich, was sie verändert, wenn man eine einzige Studie von den Rohdaten bis zu einem Befund verfolgt, den man vor einem Prüfgremium verteidigen könnte.
Ein Faden: eine Kohorte zu Bauchspeicheldrüsenkrebs
Nehmen wir eine realistische Frage. Verändert eine neoadjuvante Therapie das Überleben beim resektablen duktalen Adenokarzinom des Pankreas, und können wir das Signal bei unseren eigenen Patienten sehen, bevor wir eine Studie darum herum planen?
Um ehrlich zu antworten, brauchen Sie vier Arten von Daten, die normalerweise vier verschiedene Leben führen: die CT-Bildgebung, die strukturierte klinische Akte, das Genpanel und die Outcomes. Bei Tietai kommen sie als verbundene Quellen in eine Sitzung: eine klinische OMOP-Datenbank mit einigen Tausend Patienten, ein PACS, das abdominelle CT-Studien über DICOM abruft, ein VCF-Panel mit einigen Hundert Proben und ein Export der Entlassberichte aus der Patientenakte. Noch hat nichts sein Ursprungssystem verlassen. Sie sind einfach zum ersten Mal gemeinsam im Blick.
Und sofort zeigt sich das erste reale Problem, das jedes Forschungsteam kennt und jede Demo ignoriert: Eine dieser Quellen ist voller identifizierter Patientendaten. Die Entlassberichte enthalten Namen, Fallnummern, Daten, alles. Genau hier stirbt viel Forschungstempo – im improvisierten, nervösen, von Hand geprüften Wettlauf, PHI zu entfernen, bevor irgendjemand die Daten anfassen darf.
De-Identifizierung als erster Schritt, nicht als Nachgedanke
Genau dort beginnt die Umgebung zu arbeiten. Der identifizierte Export aus der Patientenakte erhält einen Hinweis, der erst verschwindet, wenn er bearbeitet ist, und die De-Identifizierung läuft als vollwertige Operation auf der Arbeitsfläche: eine versionierte De-ID-Pipeline, die PHI entfernt, die gefundenen Entitäten markiert (Patientenkennungen, Diagnosen, Medikamente) und einen sauberen abgeleiteten Block erzeugt. Dieser Block ist signiert: Er trägt die Identität der Pipeline, eine Version und die Unterschrift einer Ärztin oder eines Arztes, die bestätigt, dass der Schritt stattgefunden und die Prüfung bestanden hat.
Hier bricht der Zeitplan zum ersten Mal zusammen, und es lohnt sich, genau zu sein, warum. Es liegt nicht daran, dass eine Maschine Text de-identifiziert hat; das können viele Tools. Es liegt daran, dass die De-Identifizierung jetzt ein Schritt in der Dokumentation der Studie ist und nicht etwas, das jemand letzten Dienstag in einem Skript gemacht hat, das niemand aufbewahrt hat. Die Herkunft von „Woher wissen wir, dass das sicher nutzbar ist?“ reist vom allerersten Schritt an mit den Daten. Niemand muss sie später rekonstruieren, weil sie nie von den Daten getrennt war.
Von dort nimmt die saubere, strukturierte Kohorte Gestalt an: einige Hundert Patienten mit duktalem Adenokarzinom im Stadium II oder höher, pseudonymisiert, signiert, einmal gebaut und überall nachgelagert wiederverwendet. Definieren Sie die Kohorte ein einziges Mal, und jeder spätere Schritt – die Bildbefundung, die Überlebenskurve, das Variantenpanel – verweist auf dieselbe Definition. Die Form von Forschungsverschwendung, bei der drei Analysen still drei leicht unterschiedliche Kohorten verwendet haben, kann schlicht nicht passieren, weil es nur eine Kohorte gibt und alles mit ihr verbunden ist.
Wo die Agenten lesen
Nun das Mengenproblem. Einige Hundert Patienten bedeuten Dutzende CT-Studien mit jeweils Hunderten Schichten, die jemand tatsächlich befunden und vermessen muss. Das ist die Art Arbeit, die einen Forschungsassistenten einen Monat kostet.
In der Umgebung macht ein Radiologie-Agent den ersten Durchgang durch die gesamte Charge. Er lädt jede Serie, segmentiert und misst, gleicht mit den Einschlusskriterien der Kohorte ab und entwirft strukturierte Befunde (eine hypodense Raumforderung im Pankreaskopf, eine Messung der Gangerweiterung, ein vermuteter Gefäßkontakt), jeweils mit einem Konfidenzwert versehen. Er entscheidet nichts still auf eigene Faust. Stößt er auf eine Studie, bei der die Befundung wirklich zählt und die Konfidenz nur mittelmäßig ist (ein möglicher Kontakt zur Arteria mesenterica superior genau an der Schwelle, an der sich das Bildgebungsprotokoll selbst ändern sollte), hält er an und fragt. Der Befund wird einer unterzeichnenden Ärztin oder einem Arzt mit der konkreten Entscheidung vorgelegt, und die Charge wartet auf eine menschliche Antwort, bevor sie weiterläuft.
Diese Pause ist das ganze Design im Kleinen. Der Agent verdichtet den mühsamen, umfangreichen Teil von Wochen auf einen Nachmittag. Der Mensch verwendet seine knappe Aufmerksamkeit nur auf die Handvoll Entscheidungen, die wirklich Urteilsvermögen brauchen. Tempo und Sorgfalt sind kein Zielkonflikt mehr, weil der Agent die ärztliche Entscheidung nicht ersetzt; er räumt alles um sie herum weg, bis nur die Entscheidung selbst bleibt.
Dasselbe Muster läuft parallel für die Genomik. Ein Genom-Annotator reduziert die VCF-Datei auf das relevante Panel (pathogene Varianten oberhalb einer Allelfrequenz-Schwelle), und dieses annotierte Panel wird als gesperrte, unterschriftspflichtige Eingabe vorgehalten: Es kann nicht still in ein nachgelagertes Ergebnis einfließen, bevor ein Mensch es geprüft und unterzeichnet hat. Die Annotation ist schnell; die Verantwortung ist explizit.
Der Befund und warum Sie ihm vertrauen können
Mit einer sauberen Kohorte, einem befundeten Bildsatz und einem signierten Variantenpanel ist die Outcome-Analyse fast unspektakulär – und genau darum geht es. Ein Kaplan-Meier-Überlebensvergleich nach Resektionsstatus ergibt sich aus Daten, die bereits verbunden und vertrauenswürdig sind: eine Hazard Ratio von 0,68, ein Log-Rank-p von 0,004, ein medianes Gesamtüberleben von 14,2 gegenüber 9,1 Monaten bei 187 Ereignissen in der Kohorte. Ein echtes Signal, nicht nach einem Quartal Datenaufbereitung, sondern als natürlicher nächster Klick, nachdem die Aufbereitung wegdesignt wurde.
Und dann die letzte Meile, die Forschung meist als eigenes Projekt behandelt: den Befund in Kontext setzen. Ein Evidenz-Agent erstellt eine Zusammenfassung gegenüber der externen Literatur (die PREOPANC-2-Ergebnisse, eine Metaanalyse von 2024, die aktuelle ESMO-Leitlinie) und bewertet die Stärke jeder Quelle im GRADE-Stil, sodass das interne Signal neben dem gelesen wird, was das Fachgebiet bereits weiß. Die Zusammenfassung ist signiert, anonymisiert und liegt auf derselben Arbeitsfläche wie die Bildgebung, aus der sie stammt.
Das macht die gesamte Kette wertvoller als die Summe ihrer Schritte. Jeder Block trägt seine Herkunft. Die Evidenzzusammenfassung führt zurück auf die Überlebensanalyse, diese auf die Kohorte, diese auf den de-identifizierten Export und die CT-Serien, und diese über den Radiologie-Agenten auf den rohen PACS-Abruf. Klicken Sie auf ein beliebiges Ergebnis und gehen Sie flussaufwärts zur genauen Quelle, auf der es beruht, zur Version des Tools, das es erzeugt hat, und zur Ärztin oder zum Arzt, die es unterzeichnet haben. Der Befund ist keine Zahl in einer Präsentation, die Sie in sechs Monaten erneut begründen müssen. Er ist eine Aussage mit ihrer gesamten Beweiskette.
Das ist keine Dokumentation, die man im Nachhinein schreibt. Es ist eine Eigenschaft des Systems. Damit sind die beiden Dinge, die eine Forschungsorganisation von einem schnellen Ergebnis wirklich braucht (Können wir es reproduzieren? Können wir es verteidigen?), konstruktionsbedingt beantwortet – nicht durch Archäologie.
Warum genau das ein Team beschleunigt
Tritt man einen Schritt zurück, kommt die Beschleunigung nicht von einer einzelnen cleveren Komponente. Sie kommt davon, dass die Lücken zwischen den Komponenten verschwinden.
Das Team integriert zwischen den Schritten nie wieder Daten neu, weil die Schritte ein Backbone teilen. Es muss das Vertrauen in ein Ergebnis nie neu herstellen, weil das Vertrauen als Signaturen und Herkunft mitreist. Es wiederholt nie die De-Identifizierung und leitet nie eine Kohorte neu her, weil beides vollwertige, versionierte Objekte sind, die einmal gebaut werden. Es setzt menschliches Urteil nur dort ein, wo Urteil gefragt ist, weil die Agenten die Menge übernehmen und die Entscheidungen zurückgeben. Und wenn eine Studie mehr als ein Krankenhaus umfasst, gelten dieselben Garantien standortübergreifend: Mit dem Tiet · Connect-Mesh läuft jeder Schritt dort, wo er laufen darf, und nur de-identifizierte, abgeleitete Ergebnisse überschreiten eine Grenze, sodass ein Forschungsnetzwerk den Befund teilen kann, ohne dass ein Standort eine Patientenakte teilt.
Nichts davon ersetzt die Forschenden. Ein Mensch definiert die Frage, beantwortet die Rückfragen, die die Agenten eskalieren, und unterzeichnet die Ergebnisse. Die Umgebung zeigt sogar an, wenn zwei Personen gleichzeitig an den Notizen zu den Einschlusskriterien arbeiten, weil Forschung Teamarbeit ist und die Dokumentation das widerspiegeln soll. Was sich ändert, ist, wohin die Zeit der Forschenden fließt. Weniger in Infrastruktur, Exporte, erneutes Abtippen und Herkunftsrekonstruktion. Mehr in die eigentliche Wissenschaft.
Die Branche hat Forschungsteams jahrelang bessere Werkzeuge gegeben (einen besseren Viewer, ein besseres Statistikpaket, ein besseres Annotationsmodell) und sie dann die Daten von Hand über die Lücken zwischen diesen Werkzeugen tragen lassen. In den Lücken ging immer die Zeit verloren. Ein integriertes System macht keinen einzelnen Schritt dramatisch schneller. Es lässt die Übergaben verschwinden. Und wenn die Übergaben verschwinden, lässt sich eine Frage, die früher ein Quartal dauerte, mit vollständig erhaltener Herkunft in wenigen Tagen beantworten.
Das ist die Forschungsumgebung, zu der Tietai werden soll: kein schnelleres Werkzeug im Stapel, sondern die Arbeitsfläche, die den Stapel zu einem System macht – mit menschlich geführter Wissenschaft und ehrlicher Maschinerie.
Roberto Cruz
CEO, Tietai — The Healthcare Execution Platform.
Bringen Sie uns Ihr größtes Daten- oder Integrationsproblem, und wir definieren einen Proof of Value dafür. contact@tiet.ai
