KI-gestützte Roboterchirurgie (autonome Kamerasteuerung & Automatisierung chirurgischer Teilaufgaben)

Bei laparoskopischen Operationen hält eine menschliche Assistenz die Kamera und hält Gewebe zurück, während die Chirurgin bzw. der Chirurg operiert; Ermüdung und Missverständnisse beeinträchtigen die Konstanz. Chirurgieroboter erhalten zunehmend KI, die den Bildausschnitt auf die Instrumente zentriert hält, Werkzeuge verfolgt, Kräfte begrenzt und – in der Forschung – beaufsichtigte Teilaufgaben wie Nähen ausführt. Kamera- und Instrumentenassistenz sind im klinischen Einsatz; die autonome Manipulation von Gewebe ist noch im Entstehen und überwiegend präklinisch.

Problem & Nutzen

• Heute: Eine Assistenz am Operationstisch positioniert das Laparoskop und hält Organe zurück, nach mündlicher Anweisung; bei teleoperierten Systemen (z. B. da Vinci) wechselt die Chirurgin bzw. der Chirurg per Pedal zwischen Instrumenten und Kamera. Personalverfügbarkeit, Ergonomie und die Unterschiede zwischen Assistenzen begrenzen die Konstanz.
• KI-Nutzen: freihändige, ruhige und auf die Chirurgin bzw. den Chirurgen zentrierte Sicht; weniger Kameraunterbrechungen; geringere Abhängigkeit von einer zweiten Assistenz; Schutzgrenzen (Sperrzonen, Kraftgrenzen), die das Risiko von Gewebeschäden senken; strukturierte Daten zu jedem Eingriff, die Training und Qualitäts-Benchmarking unterstützen.
• Evidenzlage: Veröffentlichte klinische Serien zu Kamera-/Ko-Manipulationssystemen sind überwiegend Machbarkeits- und Sicherheitsstudien; vergleichende Ergebnisvorteile gegenüber konventioneller Laparoskopie oder üblicher Roboterchirurgie sind in großen Studien nicht belegt. Volle Autonomie wurde an Gewebe ex vivo gezeigt (Johns Hopkins SRT-H, 2025), nicht jedoch als routinemäßige Praxis am Menschen [3][4].
• Dies ist keine Videoanalytik: Anders als bei HLTH-022 (Analyse von OP-Videos) wirkt die KI hier physisch am oder nahe am Patienten.

Varianten

• Assistenz auf Stufe 1-2 (am Markt): autonome Optikführung, die Instrumenten folgt, Werkzeugverfolgung, Tremorfilterung, Bewegungsskalierung, haptische oder kraftbegrenzende Schutzgrenzen.
• Aufgabenautonomie auf Stufe 3 (im Entstehen): beaufsichtigte Ausführung definierter Teilaufgaben, z. B. Gewebehalten, Nähen oder Knoten, Nadelhandhabung; die Chirurgin bzw. der Chirurg genehmigt jeden Schritt und kann jederzeit übernehmen.
• Autonomie auf Eingriffsebene (Forschung): autonome Schritte eines gesamten Eingriffs (Cholezystektomie ex vivo, Anastomosestudien am Tier wie STAR); keine routinemäßige Anwendung am Menschen.
• Fachgebiete: Allgemein-/Viszeralchirurgie, Urologie, Gynäkologie, Orthopädie (Knochenschneide-Roboter mit haptischen Grenzen), Wirbelsäule und Neuro (navigationsgeführte Trajektorien), HNO.

So funktioniert es

1. laparoskopisches Video + Roboterkinematik + Kraftsensorik
2. Wahrnehmung (Instrumentenerkennung/-tracking, Gewebesegmentierung, Tiefen-/Posenschätzung)
3. Szenen- und Phasenverständnis (welcher Schritt des Eingriffs, wo liegt das Ziel)
4. Planung (Kamerapose, Retraktionstrajektorie, Nahtpfad; Randbedingungen und Sperrzonen)
5. Sicherheitsschicht (Arbeitsraumgrenzen, Kraft-/Geschwindigkeitsobergrenzen, Unsicherheitsprüfung, Watchdog)
6. Bewegungsausführung (Echtzeitregler am Roboter)
7. Überwachung durch die Chirurgin bzw. den Chirurgen (bestätigen, übersteuern, jederzeit manuell übernehmen)
8. Protokollierung für nachträgliche Prüfung und behördliche Marktüberwachung nach dem Inverkehrbringen

• Wahrnehmung: CNN-/Transformer-Detektoren und -Segmentierer, trainiert auf annotierten OP-Videos; Stereo- oder Monokulartiefe für die 3D-Positionierung.
• Steuerung: klassisches Visual Servoing für die Kameranachführung; Imitationslernen oder Reinforcement Learning für Manipulations-Teilaufgaben, oft in der Simulation trainiert und am Gewebe feinabgestimmt.
• Hierarchische Autonomie: SRT-H nutzt eine übergeordnete, sprachgesteuerte Policy, die Schritte plant, und eine untergeordnete Policy, die Bewegungen ausführt, mit der Fähigkeit, sich von Fehlern zu erholen [4].
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Chirurgin bzw. der Chirurg bleibt verantwortlich, genehmigt autonome Schritte und kann sofort übersteuern (fest verdrahteter Stopp, unabhängig von der KI). Die Inferenz läuft aus Gründen von Latenz und Sicherheit direkt im OP auf dem Gerät; deterministischer Sicherheitscode ist von den gelernten Komponenten getrennt.

Datenaufbereitung

Die relevanten Daten sind Laparoskopie-Videos, Roboterkinematik und Kraftprotokolle sowie präoperatives CT/MRT. Im Krankenhaus liegen sie im eigenen Speicher des Roboters, im PACS/VNA, im OP-Videorekorder und im Krankenhausinformationssystem. Käufer eines zertifizierten Systems brauchen meist wenig eigene Aufbereitung; die Hersteller trainieren die Modelle. Krankenhäuser müssen dennoch Export und Aufbewahrung der Eingriffsprotokolle für Qualitätsregister regeln.

Typische Lücken bei Entwicklern und Forschungspartnern: Videos ohne Annotationen, uneinheitliche Phasen- und Instrumentenlabels zwischen Zentren, fehlende Synchronisation von Video und Kinematik, identifizierbare Patienten und Beschäftigte in Aufnahmen, unklare Einwilligung zur Zweitnutzung und auf mehrere Abteilungen verteilte Zugriffsrechte.

Schritte der Aufbereitung: Quellen und Einwilligungsstatus erfassen, Videos de-identifizieren (Gesichter und Raumansichten verpixeln oder zuschneiden, Metadaten entfernen, Fall-IDs pseudonymisieren), Zeitstempel synchronisieren, vor der Annotation gemeinsam mit den Chirurginnen und Chirurgen ein Label-Schema festlegen, einen separaten Testdatensatz aus anderen Zentren aufbauen und für erste Experimente öffentliche Datensätze (CholecT50, Endoscapes) nutzen. Die Annotation durch klinische Fachleute ist der größte Kostenblock, und die Datenarbeit macht in einem Entwicklungsprojekt typischerweise deutlich mehr als die Hälfte aus. Siehe PREP-001 (Bereitschaftsprüfung), PREP-019 (Kategorienschemata), PREP-018 (Evaluationsdatensätze), PREP-022 (Pseudonymisierung) und PREP-025 (Prüfung von Zweck und Rechtsgrundlage). GUIDE-003 enthält eine Prüfung der Datenreife.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Krankenhaus): Weg A, denn nur ein CE-gekennzeichnetes, MDR-zertifiziertes System darf an Patienten eingesetzt werden, und kein Krankenhaus kann sein eigenes autonomes System zertifizieren.
• Entwickler (Hersteller oder Forschungsgruppe): Weg C, denn offene Forschungsplattformen (dVRK, ROS 2, Isaac, öffentliche Datensätze) erlauben Prototypen an Phantomen und Gewebe ex vivo; der spätere klinische Einsatz erfordert einen regulierten Hersteller.

Weg A: Kaufen (der realistische Weg für Krankenhäuser)

• Optik-/Kameraassistenz: Moon Surgical Maestro mit ScoPilot (KI-gesteuerte autonome Positionierung des Laparoskops, funktioniert mit Standard-Laparoskopieinstrumenten; Maestro ist nach MDR CE-gekennzeichnet (2023) und von der FDA zugelassen (cleared), ScoPilot im März 2025 von der FDA zugelassen, daher den CE-Status von ScoPilot prüfen; französisches Unternehmen, EU) [1].
• Teleoperierte Plattformen mit KI-/Datenfunktionen: Intuitive da Vinci 5 (Kraftrückmeldung, Analytik), Medtronic Hugo, CMR Surgical Versius (UK), Distalmotion Dexter (CH), Senhance (jetzt Karl Storz, früher Asensus; Kamerasteuerung per Eye-Tracking), Zimmer Biomet ROSA und Stryker Mako für die Orthopädie, Brainlab/Medtronic-Navigation für Wirbelsäule und Neuro. Die Beschaffung ist eine Investition in Großgeräte mit Wartungsverträgen, Schulung und Proctoring.
• A wählen: immer für den klinischen Einsatz. Kein Krankenhaus kann ein nicht zertifiziertes autonomes System einsetzen; die Kaufentscheidung stützt sich auf klinische Evidenz, Schulung der Chirurginnen und Chirurgen, OP-Ablauf und Gesamtkosten.

Weg B: Auf Cloud-KI-Diensten aufbauen

• Für die Regelschleife nicht geeignet (Latenz, Zertifizierung). Die Cloud eignet sich für Offline-Annotation, Analytik und Simulation in EU-Regionen mit einem AVV und de-identifizierten OP-Videos.

Weg C: Selbst betreiben (Open Source, Forschung)

• Forschungsplattformen: dVRK (da Vinci Research Kit) für die Forschungsnutzung ausgemusterter da-Vinci-Hardware; ROS 2 mit MoveIt; NVIDIA Isaac for Healthcare / Isaac Sim und Holoscan für Echtzeit-Sensorpipelines; die Simulatoren ORBIT-Surgical und SurRoL; offene Datensätze wie CholecT50, Endoscapes und SAR-RARP50 für die Wahrnehmung [5].
• Modelle: offene Segmentierungs- und Tracking-Modelle (SAM-Familie, YOLO-Familie), per Feintuning auf OP-Videos angepasst; Diffusions-/Transformer-Imitationspolicies (ACT, Diffusion Policy) als Ausgangsbasis für Teilaufgaben.
• Hardware: GPU der Klasse HW3 (oder ein eingebettetes Jetson-/Holoscan-Gerät im Roboter) sowie ein Roboterarm oder dVRK. Nur Forschungseinsatz an Phantomen und Gewebe ex vivo; der klinische Einsatz erfordert einen regulierten Hersteller.

Weg D: Eigenes Training

Kern dessen, was Hersteller tun. Erfordert große annotierte OP-Videokorpora mit Ethik- und Einwilligungsrahmen, Simulation für sicheres Policy-Lernen, Validierung ex vivo und am Tier sowie eine klinische Prüfung nach MDR. Die Daten sind der Wettbewerbsvorteil; die Datensammlung über mehrere Zentren mit föderiertem oder de-identifiziertem Austausch ist üblich. Typische Programme laufen über Jahre.

Stand der Technik (2026)

• Kamera- und Ko-Manipulationsautonomie ist kommerziell verfügbar: KI-gesteuerte Optikführung, die den Instrumenten der Chirurgin bzw. des Chirurgen folgt, gibt es als CE-gekennzeichnetes Produkt [1].
• Forschung zur Aufgabenautonomie: STAR (2022) führte bei Schweinen autonom eine Darmanastomose durch; SRT-H (Science Robotics, 2025) führte Schlüsselschritte der Cholezystektomie autonom an Schweinegallenblasen ex vivo aus, mit Imitationslernen und einer sprachgesteuerten Hierarchie [4]. Dies sind kontrollierte Laborergebnisse, keine klinische Gleichwertigkeit.
• Vision-Language-Action-Modelle (VLA) werden für die Chirurgie angepasst (siehe ROBO-004), und Simulation sowie synthetische Daten dienen dazu, Tier- und Kadaverarbeit zu verringern (ROBO-010).
• Grenzen und Fehlerarten: anatomische Variabilität, Blutungen und Rauch, die die Sicht verdecken, Gewebeverformung, Verteilungsverschiebung zwischen Krankenhäusern, seltene Ereignisse und unklare Zuordnung von Fehlern. Gelernte Policies haben keine formalen Sicherheitsgarantien, daher bleiben deterministische Sicherheitshüllen und sofortiges Übersteuern verpflichtend. Autonomiestufen (in der Literatur vorgeschlagene L0-L5-Rahmenwerke) helfen, Aussagen zu strukturieren [2].

Gemeinsame Bausteine & Kombinationen

• HLTH-022: Derselbe Wahrnehmungs-Stack (Phasenerkennung, Instrumentensegmentierung, Entwürfe für OP-Berichte) speist das Szenenverständnis des Roboters; kombinierbar für Assistenz im geschlossenen Regelkreis plus Dokumentation.
• HLTH-004: intraoperative Entscheidungsunterstützung und Risikowarnungen; HLTH-021: Auto-Konturierung und Planung teilen Segmentierungsmodelle und Trajektorienplanung; HLTH-024: KI-geführter Ultraschall für intraoperative Bildgebung; HLTH-032: neuronale und myoelektrische Schnittstellen teilen die Anforderungen an Regelung im geschlossenen Kreis.
• ROBO-004 / ROBO-010 / ROBO-003: VLA-Policies, Sim-to-Real-Training und Lernen aus Demonstrationen lassen sich aus der allgemeinen Robotik übertragen; ROBO-016: Konzepte für Sicherheitsfunktionen (Geschwindigkeits- und Kraftbegrenzung).

Aufwand, Kosten & Kennzahlen

• Weg A (Krankenhaus): Investitionskosten für einen Roboter plus Verbrauchsmaterial je Eingriff, Wartungsvertrag, Schulung von Chirurginnen und Chirurgen sowie OP-Team; Monate bis zur Einführung, Quartale bis zu einem stabilen Durchsatz.
• Weg C/D (Entwickler oder Hersteller): mehrjährige Budgets im Millionenbereich für Daten, Hardware, klinische Prüfung und Zertifizierung durch die Benannte Stelle; ein akademischer Prototyp ist in Monaten machbar.
• Kennzahlen: Operations- und Konsolenzeit, Anzahl manueller Kamerakorrekturen, Umstieg auf offene Chirurgie, Komplikationsraten (z. B. Clavien-Dindo), Blutverlust, Verweildauer, Eingriffsrate (wie oft die Chirurgin bzw. der Chirurg übersteuert), Personalbedarf für Assistenz, Lernkurve und Meldungen zu Fehlfunktionen des Systems.

Menschen & Veränderung

Krankenhaus: Beziehen Sie frühzeitig die Geschäftsführung (Investition, Haftung), die Leitung der Chirurgie und das OP-Team ein, danach IT, Medizinprodukte-Sicherheitsbeauftragte und IT-Sicherheit (MDR, MDCG 2019-16, NIS2), Recht/Compliance (Haftung, Formulierung der Einwilligung) und die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten. Gesundheitsdaten aus Videos und Protokollen erfordern eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) und Auftragsverarbeitungsverträge (AVV, Art. 28 DSGVO) mit dem Hersteller; siehe GUIDE-005.

Betriebsrat: ja. Roboter- und OP-Protokolle erfassen Handlungen und Leistung von Chirurginnen, Chirurgen und Personal, das System ist daher objektiv geeignet, Verhalten oder Leistung zu überwachen, und löst die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG aus; §90 Abs. 1 Nr. 3 verlangt eine frühzeitige Information bei Änderung von Arbeitsverfahren, und nach §80 Abs. 3 kann ein KI-Sachverständiger hinzugezogen werden. In öffentlichen Krankenhäusern gilt der Personalrat. Vereinbaren Sie eine Betriebsvereinbarung, die die Nutzung der Protokolle zur Leistungsbeurteilung begrenzt (GUIDE-004).

KI-Kompetenz und Schulung: Art. 4 KI-Verordnung (AI Act) verpflichtet Betreiber, Maßnahmen zur KI-Kompetenz ihres Personals zu ergreifen; verbinden Sie dies mit der Herstellerschulung und dem Proctoring (GUIDE-006). Starten Sie mit einem kleinen Pilotteam freiwilliger Chirurginnen und Chirurgen, verfolgen Sie die Eingriffsrate offen und gehen Sie im Dialog auf Sorgen ein (Deskilling, Haftung, Arbeitsplatzverlust bei Assistenzen) (GUIDE-008). Die Chirurgin bzw. der Chirurg bleibt stets verantwortlich und kann jederzeit übersteuern; Patientinnen und Patienten werden über den Automatisierungsgrad informiert.

Risiken, Regulierung & Compliance

• EU-MDR (2017/745): Chirurgieroboter sind aktive therapeutische Produkte, typischerweise der Klasse IIb oder III; sie erfordern eine Konformitätsbewertung durch die Benannte Stelle, klinische Bewertung oder Prüfung, ISO 13485, IEC 60601-1 und 80601-2-77 (robotergestützte chirurgische Geräte), IEC 62304, ISO 14971 und IEC 62366. Neuartige autonome Funktionen können eine klinische Prüfung erfordern [6].
• KI-Verordnung (AI Act, 2024/1689): Ein Medizinprodukt, das eine Konformitätsbewertung durch Dritte erfordert und bei dem KI eine Sicherheitskomponente ist, gilt nach Art. 6 Abs. 1 und Anhang I (MDR) als Hochrisiko-System. Die Pflichten (Risikomanagement, Daten-Governance, Protokollierung, menschliche Aufsicht nach Art. 14, Genauigkeit und Robustheit) gelten mit dem verlängerten Zeitplan für Produkte nach Anhang I; prüfen Sie den aktuellen Stand des Digital Omnibus. Keine verbotene Praxis nach Art. 5 [7].
• DSGVO: OP-Videos und Roboterprotokolle sind Gesundheitsdaten (Art. 9); erforderlich sind eine Rechtsgrundlage, eine DSFA, Aufbewahrungsfristen, De-Identifizierung für das Training sowie Kontrollen für Herstellerzugriff und Cloud-Übermittlung.
• Produkthaftung und Sicherheit: Die überarbeitete Produkthaftungsrichtlinie (EU 2024/2853) umfasst Software und KI; die unklare Verantwortung zwischen Chirurgin bzw. Chirurg, Krankenhaus und Hersteller bei autonomen Schritten muss in Verträgen und Einwilligungserklärungen geklärt werden; Patientinnen und Patienten müssen über den Automatisierungsgrad informiert werden. Cybersicherheit (MDCG 2019-16, NIS2 für Krankenhäuser) ist verpflichtend.
• Gegenmaßnahmen: gestufte Autonomie mit beaufsichtigter Freigabe, unabhängiger Sicherheitscontroller, Hard-Stopp, prospektive Register, simulationsbasierte Validierung, Überwachung nach dem Inverkehrbringen und Meldung von Vorkommnissen nach der MDR-Vigilanz.

Erste Schritte

1. Ziel festlegen: Krankenhaus, das Assistenzsysteme bewertet (Weg A), oder Forschungsteam, das einen Wahrnehmungs-/Steuerungsprototyp baut (Weg C).
2. Krankenhäuser: eine strukturierte Bewertung von Gesundheitstechnologien (Health Technology Assessment) für CE-gekennzeichnete Kamera-/Ko-Manipulationssysteme durchführen; die klinische Evidenz sowie das MDR-Zertifikat und die AI-Act-Roadmap des Herstellers prüfen.
3. Schulung, OP-Ablauf, Formulierung der Einwilligung und eine Datenschutz-Folgenabschätzung planen.
4. Forschende: mit dVRK oder einem Simulator (ORBIT-Surgical/Isaac) und öffentlichen OP-Datensätzen beginnen; eine einzelne Teilaufgabe (z. B. Kameranachführung oder Handhabung der Nahtnadel) an Phantomen nachbilden.
5. Eingriffsrate und Komplikationen von Anfang an erfassen und Vorkommnisse über die MDR-Vigilanz melden.

Quellen

1. Moon Surgical, Maestro system with ScoPilot — https://www.moonsurgical.com
2. Yang et al., Medical robotics: regulatory, ethical, and legal considerations for increasing levels of autonomy, Science Robotics 2017 — https://www.science.org/doi/10.1126/scirobotics.aam8638
3. Saeidi et al., Autonomous robotic laparoscopic surgery for intestinal anastomosis (STAR), Science Robotics 2022 — https://www.science.org/doi/10.1126/scirobotics.abj2908
4. Kim et al., SRT-H: A hierarchical framework for autonomous surgery via language-conditioned imitation learning, Science Robotics 2025 — https://www.science.org/doi/10.1126/scirobotics.adt5254
5. dVRK, da Vinci Research Kit — https://github.com/jhu-dvrk/sawIntuitiveResearchKit
6. Regulation (EU) 2017/745 (MDR) — https://eur-lex.europa.eu/eli/reg/2017/745/oj
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. Directive (EU) 2024/2853 (Product Liability) — https://eur-lex.europa.eu/eli/dir/2024/2853/oj
9. Surgical Robotics Technology — Moon Surgical receives FDA clearance for ScoPilot on Maestro (Mar 2025) — https://www.surgicalroboticstechnology.com/news/moon-surgical-receives-fda-clearance-for-scopilot-on-maestro/
10. The Robot Report — Moon Surgical picks up CE mark for updated Maestro (Sep 2023) — https://www.therobotreport.com/moon-surgical-picks-up-ce-mark-for-updated-maestro-surgical-robot/