Künstliche Intelligenz für Therapieentscheidungen in der urologischen Onkologie: aktuelle Evidenz und Herausforderungen
Die Urologie · 2026
DOI: 10.1007/s00120-026-02831-6 ↗Kurz gefasst
Systematische Übersicht in der Zeitschrift Die Urologie, 2026. Verfasst von Lisa Maria Jost und 8 weiteren Autor:innen. Beteiligte Einrichtung: Klinik und Poliklinik für Urologie und Kinderurologie, Universitätsklinikum Johannes-Gutenberg-Universität, Langenbeckstraße 1, 55131, Mainz, Deutsch…. Hauptthemen laut MEDLINE: Artificial Intelligence, Urologic Neoplasms, Decision Support Systems, Clinical, Medical Oncology. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 19 Literaturangaben.
Themen: Künstliche Intelligenz in der Pflege, Onkologische Pflege
Abstract (Originalsprache)
BACKGROUND: The rising incidence of cancer, increasing life expectancy and complex personalized treatment concepts pose considerable challenges for the healthcare system. Artificial intelligence (AI)-in particular machine learning (ML), deep learning (DL), and large language models (LLMs)-offers promising potential for supporting therapeutic decisions in urological oncology. OBJECTIVE: The aim of this review is to present the current state of research on the application of AI in treatment decisions in urological oncology. For this purpose, a systematic review of publications in the PubMed database was carried out. Methodological approaches, performance indicators and challenges with regard to clinical implementation were analysed comparatively. RESULTS: Depending on the entity and treatment category, ML models achieve F1-scores between 0.75 and 0.99. Large language models that access external knowledge sources using retrieval-augmented generation (RAG) demonstrate a high degree of guideline compliance, as evidence-based knowledge is specifically integrated into the treatment recommendations. The explainability of the models is mainly ensured by Shapley additive explanation (SHAP) analyses or transparent guideline referencing. CONCLUSION: To date, the available evidence predominantly consists of proof-of-concept studies, with a particular emphasis on prostate, urothelial, and renal cell carcinoma. Clinical implementation remains limited, in particular due to a lack of prospective validation studies, unresolved data protection and technical challenges, and limited model transparency and explainability. ZUSAMMENFASSUNG: HINTERGRUND: Die steigende Krebsinzidenz, zunehmende Lebenserwartung und komplexe personalisierte Therapiekonzepte stellen das Gesundheitssystem vor erhebliche Herausforderungen. Künstliche Intelligenz (KI) – insbesondere Machine Learning (ML), Deep Learning (DL) und Large Language Models (LLMs) – bietet ein vielversprechendes Potenzial zur Unterstützung therapeutischer Entscheidungen in der urologischen Onkologie. ZIEL: Ziel dieser Arbeit ist die Darstellung des aktuellen Forschungsstands zur Anwendung von KI im Rahmen von Therapieentscheidungen in der urologischen Onkologie. Hierzu erfolgte eine systematische Auswertung aktueller Publikationen in der Datenbank PubMed. Methodische Ansätze, Leistungskennzahlen sowie Herausforderungen im Hinblick auf eine klinische Implementierung werden vergleichend analysiert. ERGEBNISSE: Die ML-Modelle erreichen je nach Entität und Therapiekategorie F1-Scores zwischen 0,75 und 0,99. LLMs, die mittels „retrieval-augmented generation“ (RAG) auf externe Wissensquellen zugreifen, zeigen eine hohe Leitlinienkonformität, da evidenzbasiertes Wissen gezielt in die Therapieempfehlungen integriert wird. Die Erklärbarkeit der Modelle wird u. a. durch „shapley additive explanations“ (SHAP)-Analysen oder durch transparente Leitlinienreferenzierung gewährleistet. SCHLUSSFOLGERUNG: Bisher liegen v. a. Proof-of-concept-Studien vor, mit Schwerpunkt auf Prostata‑, Urothel- und Nierenzellkarzinom. Die klinische Implementierung ist derzeit noch limitiert, insbesondere aufgrund fehlender prospektiver Validierung, datenschutzrechtlicher und technischer Herausforderungen sowie begrenzter Modelltransparenz und -erklärbarkeit.
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Klinik und Poliklinik für Urologie und Kinderurologie, Universitätsklinikum Johannes-Gutenberg-Universität, Langenbeckstraße 1, 55131, Mainz, Deutschland. Lisa-Maria.Jost@unimedizin-mainz.de.
- Klinik und Poliklinik für Urologie und Kinderurologie, Universitätsklinikum Johannes-Gutenberg-Universität, Langenbeckstraße 1, 55131, Mainz, Deutschland.
- Abteilung für Urologie, Ordensklinikum Linz Elisabethinen, Linz, Österreich.
- Klinik für Urologie, Medizinische Fakultät, Universitätsklinikum Freiburg, Freiburg, Deutschland.
- Klinik für Urologie, Universitätsklinikum Heidelberg, Heidelberg, Deutschland.
- Klinik und Poliklinik für Urologie, Universitätsklinikum Carl Gustav Carus, Dresden, Deutschland.
Zitieren
APA
Jost, L. M., Duwe, G., Kauth, V., Höfner, T., Glienke, M., Görtz, M., Mehralivand, S., Borgmann, H., & Struck, J. P. (2026). Künstliche Intelligenz für Therapieentscheidungen in der urologischen Onkologie: aktuelle Evidenz und Herausforderungen. Die Urologie. https://doi.org/10.1007/s00120-026-02831-6
Vancouver
Jost LM, Duwe G, Kauth V, Höfner T, Glienke M, Görtz M, et al. Künstliche Intelligenz für Therapieentscheidungen in der urologischen Onkologie: aktuelle Evidenz und Herausforderungen. Die Urologie. 2026. doi:10.1007/s00120-026-02831-6
BibTeX
@article{Jost2026,
author = {Jost, Lisa Maria and Duwe, Gregor and Kauth, Verena and Höfner, Thomas and Glienke, Maximilian and Görtz, Magdalena and Mehralivand, Sherif and Borgmann, Hendrik and Struck, Julian Peter},
title = {Künstliche Intelligenz für Therapieentscheidungen in der urologischen Onkologie: aktuelle Evidenz und Herausforderungen},
journal = {Die Urologie},
year = {2026},
doi = {10.1007/s00120-026-02831-6}
}
EUVIMED