Der Einsatz von maschinellem Lernen (ML) in der klinischen Entscheidungsfindung bei Hauterkrankungen wird zunehmend verbreitet und umfasst mehrere Schlüsselaspekte wie die Erkennung von Läsionen, multimodale Differenzialdiagnostik, individualisierte Behandlungsempfehlungen, Vorhersage der Therapieeffektivität und Prognosebewertung. ML-Modelle integrieren multimodale Daten wie Bildgebung, Genomik und klinische Merkmale und können nicht nur Ärzten helfen, die Diagnosegenauigkeit zu verbessern, sondern auch die Therapiewahl zu optimieren, um ein dynamisches Krankheitsmanagement und personalisierte Interventionen zu ermöglichen. Dies zeigt ein signifikantes klinisches Potenzial. Beispielsweise zeigen bildanalytische Systeme auf Basis von Convolutional Neural Networks (CNN) bei der Erkennung von Hauttumoren eine Leistung, die mit oder besser als die von Dermatologie-Experten vergleichbar ist. Bei der Therapieoptimierung kann ML multidimensionale Patientendaten analysieren, personalisierte Medikationsempfehlungen geben, Therapieansprechen sowie das Risiko von Nebenwirkungen vorhersagen und so die Präzisionsmedizin unterstützen. Im Bereich der Prognosebewertung und Langzeitmanagement können ML-Modelle, die Patientenberichtsergebnisse und Zeitreihendaten kombinieren, eine dynamische Überwachung des Krankheitsverlaufs und eine individualisierte Vorhersage des Rückfallrisikos ermöglichen. Trotz des raschen technologischen Fortschritts steht die praktische Umsetzung von ML in der klinischen Entscheidungsfindung bei Hauterkrankungen jedoch vor mehreren Herausforderungen, darunter Datenverzerrungen, mangelnde Generalisierungsfähigkeit der Algorithmen, fehlende klinische Validierung, Schwierigkeiten bei der Systemintegration sowie unzureichende ethische und regulatorische Rahmenbedingungen. Dieses Review fasst systematisch den aktuellen Stand und die Forschungsfortschritte bei der Anwendung von ML in den verschiedenen Phasen der klinischen Entscheidungsfindung bei Hauterkrankungen zusammen, analysiert die wesentlichen Herausforderungen und gibt einen umfassenden Überblick über den Fortschritt der ML-gestützten klinischen Entscheidungsfindung in den Bereichen Bildgebungserkennung, Therapieoptimierung, Prognosebewertung und ethische Herausforderungen, um als Referenz für Forschung und klinische Praxis zu dienen.

maschinelles Lernen;Dermatologie;klinische Entscheidungsfindung;KI-gestützte Diagnostik;multimodale Daten