EUVIMEDEUVIMED entdecken
Systematische Übersicht

Harnessing generative artificial intelligence for emergency and disaster medicine: A systematic review of applications, challenges, and future directions

Generative künstliche Intelligenz für Notfall- und Katastrophenmedizin: systematische Übersicht zu Anwendungen, Herausforderungen und zukünftigen Richtungen

Hisham Ali Dinar, Omer Othman, Mohammed Hassan Ali Dinar

American Journal of Disaster Medicine · 01.09.2026 · 21 (3) · 295-313

DOI: 10.5055/ajdm.0535 ↗

Auf einen Blick

Die Übersicht von 30 Studien zeigt hohe Genauigkeit von generativer KI bei Triage und Diagnostik in Katastrophensituationen. Bildbasierte KI war dabei verlässlicher als LLMs.

Fragestellung

Wie wirksam ist generative KI in Notfall- und Katastrophenmedizin, und welche Limitationen und ethischen Aspekte sind damit verbunden?

Methode

Systematische Übersichtsarbeit nach PRISMA; 30 Studien aus 5 Datenbanken (2015-2025) zu Triage, Diagnostik oder Ressourcenzuteilung; Risiko des Bias mit Cochrane RoB und ROBINS-E; Metaanalysen mit Random-effects-Modellen.

Ergebnisse

Triagegenauigkeit 78-92 %. Bilddiagnostik: Sensitivität 91-94 %. Naturkatastrophen mit konsistentem Nutzen (ES = 0,85; I2 = 0 %), anthropogene Ereignisse variabel (ES = 1,06; I2 = 96,12 %). Bildbasierte KI war verlässlicher als LLMs (ES = 0,93 vs. 0,87).

Einschränkungen

Bias in 73 % der Studien, Infrastruktur-Lücken in 50 % und regulatorische Aspekte nur in 40 % adressiert.

Schlussfolgerung der Autor:innen

GAI verbessert die Katastrophenhilfe, benötigt aber kontextspezifische Validierung, Bias-Reduktion und politische Rahmenwerke. Bildbasierte KI ist derzeit die verlässlichste Lösung; LLMs brauchen weitere Optimierung.

Kernaussagen

  • Triagegenauigkeit von GAI lag bei 78-92 %
  • Bilddiagnostik erreichte 91-94 % Sensitivität
  • Bias und Infrastrukturdefizite waren zentrale Hürden

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Systematische Übersicht in der Zeitschrift American Journal of Disaster Medicine, online erschienen am 01.09.2026. Verfasst von Hisham Ali Dinar und 2 weiteren Autor:innen.

Auf einen BlickAbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Objective

Generative artificial intelligence (GAI) offers transformative potential for emergency and disaster medicine but lacks comprehensive evaluation in chaotic, resource-limited settings. This review assesses GAI’s efficacy, limitations, and ethical considerations in disaster response.

Methods

Following the Preferred Reporting Items for Systematic reviews and Meta-Analyses guidelines, 30 studies (2015-2025) from five databases were systematically reviewed. Eligible studies evaluated GAI for triage, diagnostics, or resource allocation in disasters. Risk of bias was assessed via the Cochrane Risk of Bias Tool for randomized controlled trials and Risk of Bias In Nonrandomized Studies-of Exposure for observational studies. Meta-analyses used randomeffects models; subgroup analyses explored disaster types and artificial intelligence (AI) classes.

Results

Included studies demonstrated GAI’s accuracy in triage (78-92 percent) and diagnostics (91-94 percent sensitivity for imaging). Natural disasters showed consistent benefits (effect size [ES] = 0.85, I2 = 0 percent), while anthropogenic events had variable effects (ES = 1.06, I2 = 96.12 percent). Image-based AI (ES = 0.93) outperformed large language models (LLMs) (ES = 0.87) in reliability. Bias (73 percent of studies) and infrastructure gaps (50 percent) were key barriers, with only 40 percent addressing regulatory needs.

Conclusion

GAI enhances disaster response but requires context-specific validation, bias mitigation, and policy frameworks. Image-based AI is currently the most dependable solution, whereas LLMs need further refinement.

Zitieren

APA

Dinar, H. A., Othman, O., & Dinar, M. H. A. (2026). Harnessing generative artificial intelligence for emergency and disaster medicine: A systematic review of applications, challenges, and future directions. American Journal of Disaster Medicine, 21(3), 295-313. https://doi.org/10.5055/ajdm.0535

Vancouver

Dinar HA, Othman O, Dinar MHA. Harnessing generative artificial intelligence for emergency and disaster medicine: A systematic review of applications, challenges, and future directions. American Journal of Disaster Medicine. 2026;21(3):295-313. doi:10.5055/ajdm.0535

BibTeX
@article{Dinar2026,
  author = {Dinar, Hisham Ali and Othman, Omer and Dinar, Mohammed Hassan Ali},
  title = {Harnessing generative artificial intelligence for emergency and disaster medicine: A systematic review of applications, challenges, and future directions},
  journal = {American Journal of Disaster Medicine},
  year = {2026},
  volume = {21},
  number = {3},
  pages = {295--313},
  doi = {10.5055/ajdm.0535}
}
Kostenlos starten →