Unsere Partnerschaften

Die wichtigsten Erkenntnisse

• „Every Cure“, die von Dr. David Fajgenbaum gegründete gemeinnützige Organisation, nutzt eine KI-Plattform, um zig Millionen Kombinationen aus Medikamenten und Krankheiten zu bewerten und zugelassene Medikamente zu finden, mit denen sich Krankheiten behandeln lassen, für die sie ursprünglich gar nicht entwickelt wurden. Die Organisation wird durch einen 2024 vergebenen dreijährigen ARPA-H-Vertrag im Wert von 48,3 Millionen US-Dollar unterstützt und erhält seit Februar 2026 zusätzlich bis zu 76 Millionen US-Dollar, um die von der KI identifizierten Kandidaten in klinische Studien zu überführen.
• Die Lehre für Organisationen im Gesundheitswesen liegt nicht im Algorithmus. Es ist die Teamzusammensetzung: Knowledge-Graph-Engineering, in den Prozess eingebundene Kliniker und Validierungsinfrastruktur – drei Ebenen, die als ein System zusammengefügt werden.
• Die meisten KI-Teams im Gesundheitswesen investieren zu viel in die erste Ebene und zu wenig in die beiden anderen. Genau an dieser Lücke kommen medizinische KI-Initiativen ins Stocken.
• Mit der Überarbeitung der FDA-Leitlinien zur klinischen Entscheidungsunterstützung im Januar 2026, durch die mehr für Ärzte bestimmte KI-Anwendungen ohne Geräteprüfung in die Praxis gelangen dürfen, ist die interne Governance für klinische KI still und leise zum Sicherheitsnetz geworden – und zum begehrtesten Fachpersonal auf dem Markt.

Dr. David Fajgenbaum war ein 25-jähriger Medizinstudent, als sein eigenes Immunsystem versuchte, ihn zu töten. Die Castleman-Krankheit – selten, kaum erforscht, häufig tödlich – führte dazu, dass er wiederholt auf die Intensivstation musste. Zwischen den Rückfällen tat er etwas, was fast niemand tut: Er suchte unter den bereits existierenden Medikamenten nach einer eigenen Behandlungsmöglichkeit und fand einen Kandidaten in Sirolimus, einem jahrzehntealten Transplantationsmedikament, das noch nie für seine Erkrankung eingesetzt worden war [Newsweek, Juni 2025].

Die von ihm mitbegründete Organisation „Every Cure“ ist die systematische Umsetzung dieser Überlebensgeschichte. Anstatt zu fragen, welches neue Medikament für eine Krankheit entwickelt werden kann, geht es darum, welches der rund 3.000 bereits zugelassenen Medikamente eine der rund 12.000 menschlichen Krankheiten behandeln kann [Every Cure / ARPA-H, Februar 2024]. Ihre MATRIX-Plattform integriert biomedizinische Wissensgraphen, Vorhersagen auf Basis von maschinellem Lernen und Real-World-Evidence, um nach eigenen Angaben der Organisation rund 75 Millionen Wirkstoff-Krankheits-Kombinationen zu bewerten [Newsweek, Juni 2025] und so die vielversprechendsten Möglichkeiten für eine Umwidmung im Hinblick auf klinische Folgemaßnahmen aufzuzeigen. Im Februar 2026 stellte ARPA-H weitere bis zu 76 Millionen US-Dollar bereit, um mindestens zwanzig priorisierte Möglichkeiten in die präklinische Phase und zehn in klinische Studien zu überführen [Every Cure, 26. Februar 2026].

Für die Führungskräfte, mit denen wir zusammenarbeiten – Menschen, die in Gesundheitssystemen, Biotech- und Life-Sciences-Unternehmen KI-Kompetenzen aufbauen –, ist das Nützlichste an Every Cure nicht die Mission und auch nicht die Ergebnisse. Es ist die Organisationsstruktur.

Die Plattform ist ein Team, kein Modell

Liest man die technische Beschreibung von „Every Cure“ aufmerksam durch, taucht ein Begriff immer wieder auf: „Human-in-the-Loop“. Die algorithmische Bewertung ist nur der erste Schritt; die in eine Rangliste aufgenommenen Kandidaten durchlaufen anschließend eine strukturierte Überprüfung durch Kliniker und Forscher, die die biologische Plausibilität, die Qualität der Evidenz und die Auswirkungen auf die Patienten bewerten, bevor es überhaupt zu klinischen Studien kommt. Das Team dahinter besteht aus mehr als vierzig Datenwissenschaftlern, Ingenieuren und medizinischen Experten mit MD/PhD-Abschluss, die mit Patientengruppen und Forschungsorganisationen zusammenarbeiten [Newsweek, Juni 2025].

Dieses Konzept sieht drei unterschiedliche Talentebenen vor, die so zusammengestellt sind, dass sie als ein System funktionieren. Im Februar haben wir dargelegt, wie die Führungsstruktur eines KI-Teams im Gesundheitswesen aufgebaut sein sollte; „Every Cure“ ist ein konkretes Beispiel dafür.

Ebene 1: Der Graph und die Modelle. Jemand muss einen biomedizinischen Wissensgraphen aufbauen und pflegen, der Medikamente, Zielmoleküle, Signalwege und Phänotypen umfasst, und die Modelle trainieren, die Millionen von Hypothesen bewerten. Das ist Facharbeit – Wissensgraph-Engineering, maschinelles Lernen mit heterogenen biomedizinischen Daten, MLOps für Pipelines, die auch Jahre später noch nachprüfbar sein müssen. Es ist zudem bemerkenswerterweise die einzige Ebene, für die die meisten Organisationen tatsächlich Mittel einplanen.

Stufe zwei: Kliniker sind in den Prozess eingebunden und werden nicht erst im Nachhinein konsultiert. Die Gutachter von Every Cure sind kein Abnahmeausschuss am Ende des Prozesses; sie sind ein fest integrierter Schritt in der Pipeline. Ein medizinischer Berater, der an einer vierteljährlichen Lenkungssitzung teilnimmt, hat eine andere Rolle – und zieht andere Personen an – als ein Arzt und Wissenschaftler, dessen eigentliche Aufgabe darin besteht, jede Woche maschinengenerierte Hypothesen zu bewerten. Die zweite Rolle gab es vor fünf Jahren noch kaum. Heute ist sie die entscheidende Position in seriösen medizinischen KI-Teams.

Ebene drei: Validierung und Governance. Zwischen einem vielversprechenden Modellergebnis und einem Patienten liegt alles, was für Aufsichtsbehörden, Ethiker und Krankenhausjuristen von Bedeutung ist: Evidenzstandards, Bewertung von Verzerrungen, Überwachung sowie Rechenschaftspflicht, wenn das Modell fehlerhaft ist. Die Struktur von Every Cure betrachtet dies als zentrale Infrastruktur und nicht als zusätzlichen Aufwand. Es ist die Ebene, die wir im Mai als den entscheidenden Unterschied zwischen Teams beschrieben haben, die KI vom Pilotprojekt bis zur Produktionsreife bringen, und solchen, denen dies nicht gelingt.

Warum dies nach Januar noch wichtiger ist

Der regulatorische Rahmen hat sich in diesem Jahr verändert. Am 6. Januar 2026 veröffentlichte die FDA eine überarbeitete endgültige Leitlinie zu Software zur Unterstützung klinischer Entscheidungen [FDA, Januar 2026]. Zu den Änderungen gehört, dass die Behörde nun bei Tools, die einem Kliniker eine einzige Empfehlung geben, Ermessensspielraum bei der Durchsetzung walten lässt, sofern dies klinisch angemessen ist, anstatt wie in der Fassung von 2022 eine Liste von Optionen zu verlangen [Covington, Januar 2026]. Einfach ausgedrückt: Mehr KI-Systeme, die eine Diagnose oder eine Behandlung vorschlagen, können nun ohne Prüfung vor dem Markteintritt in klinische Einrichtungen gelangen.

Unserer Einschätzung nach geht der Trend dahin, dass die Aufsichtsbehörden die Verantwortung zunehmend auf die Organisationen verlagern, die KI einsetzen, und von diesen erwarten, dass sie ihre Systeme im Produktivbetrieb überwachen, validieren und korrigieren. Damit wird die Ebene der Governance und der klinischen Sicherheit zum de-facto-Sicherheitsnetz der medizinischen KI. Die Nachfrage nach Fachkräften, die klinische Glaubwürdigkeit, KI-Kompetenz und Kenntnisse im Bereich der Regulierung vereinen, übersteigt mittlerweile das Angebot bei weitem, und genau um dieses Profil konkurrieren auch die KI-Governance-Mandate in Europa.

Was Personalverantwortliche daraus lernen sollten

Nach fünfundzwanzig Jahren Erfahrung in der Vermittlung von Führungskräften im Bereich Daten und KI ist das Muster, das mir am häufigsten auffällt, dass Teams in der falschen Reihenfolge zusammengestellt werden: Zuerst werden brillante Fachkräfte für maschinelles Lernen eingestellt, dann wird die klinische Integration nachträglich angefügt, und Governance kommt erst ins Spiel, wenn eine Aufsichtsbehörde oder der Vorstand danach fragt.

Das Beispiel von Every Cure legt eine umgekehrte Reihenfolge nahe. Fragen, die Sie sich vor der nächsten Einstellung eines KI-Mitarbeiters stellen sollten:

1. Ist klinisches Fachwissen ein Schritt in der Pipeline oder eine abschließende Bestätigung? Wenn Ihre Kliniker die Ergebnisse des Modells im Rahmen des vorgesehenen Arbeitsablaufs nicht ablehnen können, haben Sie eine Demo, kein System.
2. Wem gehört die Wissensebene? Nicht den Modellen – also der Darstellung des biomedizinischen Wissens, auf deren Grundlage die Modelle Schlussfolgerungen ziehen. In den meisten Organisationen gehört sie niemandem.
3. Könnten Sie heute belegen, warum die letzten hundert Empfehlungen Ihres Systems sicher waren? Wenn die Antwort eher in einer Präsentation als in einer Überwachungspipeline zu finden ist, sollte Sie die neue Haltung der FDA beunruhigen.
4. Würde sich ein kandidat, dem die Mission am Herzen liegt, für Sie entscheiden? Diejenigen, die in der Lage sind, Aufgaben der Ebenen zwei und drei zu übernehmen, sind überwiegend durch den Nutzen für die Patienten motiviert. Unternehmen, die eine echte klinische Mission klar formulieren können, setzen sich bei der Rekrutierung dieser Zielgruppe konsequent gegen finanzstärkere Wettbewerber durch.

Eine Aufgabe, die den Mitarbeitern, die Sie einstellen, gerecht wird

Das Gründungsprinzip von Banba greift einen Satz des Stanford-Dozenten Matthew Rabinowitz auf: „Löse ein Problem, das deiner würdig ist.“ Es gibt wohl kaum eine treffendere Verkörperung dieses Grundsatzes als einen Arzt, der mehrmals dem Tod nahe war, seine eigene Heilung in einem in Vergessenheit geratenen Medikament fand und anschließend eine KI-Plattform entwickelte, damit der nächste Patient nicht mehr auf sich selbst als letzte Rettung angewiesen ist.

Der Markt für KI-Fachkräfte im Gesundheitswesen ist angespannt und wird immer angespannter. Die Unternehmen, die hier erfolgreich sind, zahlen nicht nur mehr, sondern bieten auch Herausforderungen, die den Fähigkeiten der gesuchten Talente gerecht werden. Wenn Sie ein Team aufbauen, das an einem solchen Projekt arbeiten soll, könnte genau diese Geschichte Ihr stärkstes Argument bei der Personalgewinnung sein. Wenn Sie Hilfe bei der Suche nach den richtigen Mitarbeitern benötigen, sind unsere Dienstleistungen in den Bereichen maschinelles Lernen, KI und Datenmanagement sowie unsere exklusive Führungskräftevermittlung genau darauf zugeschnitten – Sie können sich jederzeit an uns wenden.

Fergal Nolan ist Gründer von Banba, einer auf Healthcare-KI und Life-Sciences-KI spezialisierten Personalberatungsagentur mit Niederlassungen in New York, London und Berlin. Er verfügt über mehr als 25 Jahre Erfahrung in der Personalbeschaffung, unter anderem als Gründungsmitglied von SThree / Real Staffing und als Gründer von Upstream, wo er Data-Science- und KI-Teams sowie Führungskräfte im KI-Bereich für Start-ups, Scale-ups und globale Unternehmen aufgebaut hat.