Wenn KI Hoffnung bringt: Was eine Krebsgeschichte über die Zukunft der Medizin zeigt

Wer AI-News verfolgt, bekommt gerade vor allem zwei Arten von Schlagzeilen serviert: Angst vor Jobverlust und Angst vor Missbrauch. Deepfakes, Sicherheitslücken, Massenentlassungen, Überwachung, Manipulation. Vieles davon ist real und verdient Aufmerksamkeit. Aber genau dadurch geht etwas anderes oft fast unter: dieselbe Technologie kann auch Wissen verdichten, Reibung senken und in manchen Fällen sogar Zeit zurückgeben, wenn Menschen sie am dringendsten brauchen.

Ich habe hier im Blog bereits in einem anderen Beitrag darüber geschrieben, wie schnell sich gerade alles verschiebt. Dieser Text ist im Grunde die medizinische Gegenseite dazu: weniger Markt, weniger Hype, mehr Mensch.

Eine Geschichte aus dem OpenAI Forum ist genau so ein Fall. Sie ist nicht kitschig, nicht bequem und ganz sicher kein Heilsversprechen. Aber sie zeigt etwas, von dem wir in Zukunft noch viel mehr hören werden, auch von Menschen, die keine Millionäre sind.

Kurz gesagt:

• KI hat in diesem Fall keinen Arzt ersetzt, sondern Analyse, Recherche und Koordination massiv beschleunigt.
• Heute ist so ein Weg noch unfair verteilt, weil man Geld, Zeit, Kontakte und den Willen braucht, sich tief in Medizin einzuarbeiten.
• Genau so beginnen aber viele große Technologien, bevor sie irgendwann für deutlich mehr Menschen normal werden.

Wer den Originalvortrag sehen möchte, findet ihn hier direkt eingebettet:

Eine Geschichte, die man leicht überhört

Im Mittelpunkt steht Sid Sijbrandij, Mitgründer von GitLab. Bei ihm wurde Osteosarkom diagnostiziert, ein seltener und aggressiver Knochenkrebs. Er beschreibt im Forum sehr offen, wie brutal die klassische Behandlung war: Operation, Wirbelsäulenfusion, Bestrahlung, Chemotherapie, Bluttransfusionen, körperlicher Komplettabsturz. Für viele Menschen wäre allein das schon mehr als genug.

Ein wichtiger früher Wendepunkt war für ihn die sogenannte Click-Chemie, also eine nobelpreisgekrönte Methode, mit der sich bestimmte Wirkstoffe sehr gezielt zusammenbringen lassen. Für Sid war das nicht nur wissenschaftlich spannend, sondern auch mental entscheidend, weil es ihm zeigte, dass Medizin nicht immer nur aus großen Standardstudien bestehen muss. Über Wege wie eine Single-Patient-IND kann es in Extremsituationen auch legale und offizielle Pfade für sehr individuelle Behandlungen geben.

Dann kam der noch härtere Teil: Der Krebs kam zurück. Es gab kaum noch etablierte Standardoptionen. Keine schöne Pipeline. Kein sauberer nächster Schritt. Kein „wir machen jetzt einfach Therapie B“. Und genau an diesem Punkt passierte etwas, das ich persönlich sehr bezeichnend finde für diese neue Zeit: Er kündigte seinen Tagesjob und ging in den sogenannten Founder Mode, aber nicht für ein Startup, sondern für sein eigenes Überleben.

Das klingt zuerst fast absurd. Ein Tech-Gründer behandelt Krebs plötzlich wie ein Engineering-Problem. Und ganz ehrlich: Mein erster Reflex wäre auch Skepsis. Medizin ist kein SaaS-Produkt. Ein Chatbot ist kein Onkologe. Ein API-Call ist keine Therapie.

Trotzdem wäre es zu einfach, diese Geschichte als Silicon-Valley-Sonderfall abzutun. Denn was dort sichtbar wird, ist keine „Wunderheilung durch ChatGPT“, sondern ein neuer Arbeitsstil in der Medizin: mehr Daten, mehr Mustererkennung, mehr Parallelisierung, schnellere Hypothesen, bessere Fragen, kürzere Schleifen zwischen Befund und Entscheidung.

Was KI in diesem Fall konkret getan hat

Der vielleicht wichtigste Punkt zuerst: KI hat den Krebs nicht geheilt. Das wäre eine gefährliche und falsche Vereinfachung. Geholfen hat hier ein ganzes Zusammenspiel aus Diagnostik, Spezialisten, experimentellen Ansätzen, klinischer Erfahrung, persönlicher Beharrlichkeit und eben AI als Beschleuniger.

Im Vortrag schildern Sid Sijbrandij und Jacob Stern mehrere konkrete Beispiele.

Sie haben riesige Datenmengen zusammengetragen, darunter laut eigener Aussage rund 25 Terabyte an Material. Dazu kamen Bulk-RNA-Sequenzierung, Einzelzellanalysen, Pathologie, Scans, Blutdaten, Organoid-Modelle und verschiedene experimentelle Diagnostik-Verfahren. Allein diese Datentiefe ist für normale Patienten heute kaum erreichbar. Aber der interessante Punkt ist, was man dann damit macht.

Jacob Stern, selbst Genetiker, sagt im Forum ausdrücklich, dass er kein Arzt ist. Was KI ihm gegeben habe, sei nicht magisches Wissen, sondern eine Art „Iron-Man-Anzug“ für komplexe Spezialgebiete. Also die Fähigkeit, sich in kurzer Zeit in Themen einzuarbeiten, mit Experten sinnvoll zu sprechen, bessere Fragen zu stellen und die richtigen nächsten Schritte vorzubereiten.

Ein frühes Beispiel: Sie gaben eine CSV-Datei aus der Bulk-RNA-Sequenzierung in ChatGPT und ließen das Modell eine erste Einschätzung liefern. Schon das war nützlich genug, um bestimmte Marker und Dynamiken im Tumorumfeld schneller sichtbar zu machen. Später bauten sie deutlich weiter: natürliche Sprache als Eingabe, dann agentische Literaturrecherche, Hypothesenbildung, Bioinformatik-Schritte, Code, Plots und ein zusammenhängender Bericht als Ergebnis.

In einem Beispiel aus dem Vortrag lief so eine Analyse laut Stern rund 30 Minuten und verursachte ungefähr 20 Dollar API-Kosten. Im Hintergrund waren dabei rund 600.000 Einzelzellen aus verschiedenen Blutzeitpunkten angeschlossen. Allein dieser Kontrast ist bemerkenswert: riesige biologische Komplexität auf der einen Seite, vergleichsweise niedrige Kosten für die Analysehilfe auf der anderen.

Noch spannender wird es bei der Therapieentwicklung. Im Vortrag sprechen sie über:

• eine personalisierte mRNA-Krebsimpfung, bei der spezifische Mutationen des Tumors ausgewählt wurden
• TCR-T-Zell-Therapien, bei denen T-Zell-Rezeptoren gezielt auf den Tumor ausgerichtet werden
• CAR-T-Ansätze mit zusätzlichen Sicherheitslogiken, um gefährliche Nebenwirkungen auf gesundes Gewebe zu reduzieren
• die Suche nach understudied Targets, also Proteinen oder Strukturen, die in einem individuellen Fall extrem relevant sein können, aber im Mainstream kaum erforscht sind

Sid sagt im Vortrag an einer Stelle sinngemäß, dass seine therapeutische Leiter von null auf über 30 Optionen gewachsen sei. Nicht, weil plötzlich ein Wundermedikament vom Himmel gefallen wäre, sondern weil Daten, Diagnostik, Spezialwissen und AI zusammen eine viel größere Suchfläche eröffnet haben.

Das beste Beispiel für diesen Nadel-im-Heuhaufen-Effekt ist für mich Penexin 3. Laut Vortrag war dieses Protein in seinem Krebs ungefähr 10.000-mal stärker vertreten als im gesunden Gewebe. Trotzdem war dazu in der Literatur fast nichts zu finden. Die Vermutung des Teams: Weil das Ziel hydrophob ist, fällt es in vielen Standardtests schlicht durch das Raster. Genau dort zeigt sich, was KI in solchen Fällen leisten kann. Nicht weil sie „schlauer als alle Forscher“ wäre, sondern weil sie geduldig genug ist, riesige Datenräume immer wieder neu zu durchsuchen, bis genau solche ungewöhnlichen Signale sichtbar werden.

Gerade dort zeigt KI ihre eigentliche Stärke. Nicht als Orakel. Sondern als Werkzeug, um tausende Papers, Datenpunkte, Marker, Nebenwirkungsprofile und biologische Zusammenhänge schneller in ein nutzbares Arbeitsmodell zu überführen.

Das ist für mich der eigentliche Kern der Geschichte: KI komprimiert Spezialwissen. Sie macht einen Laien nicht zum Arzt. Aber sie kann engagierte Patienten, Angehörige und interdisziplinäre Teams deutlich näher an die aktuelle Fachliteratur und an operative Entscheidungsräume bringen.

Diese Zukunft ist heute noch unfair verteilt

Man sollte sich dabei nichts vormachen. Diese Geschichte ist heute noch stark elitär.

Wer so vorgehen will, braucht:

• Geld
• Zeit
• sehr gute Spezialisten
• Zugang zu seltenen Diagnoseverfahren
• enorme mentale Energie
• die Fähigkeit, medizinische Komplexität auszuhalten

Im Vortrag sagen sie das selbst ziemlich offen. Manche Dinge seien extrem teuer, andere wiederum überraschend günstig geworden. Genau diese Mischung macht den Moment so interessant. Denn wir sehen gerade einen Übergang: Die eigentliche Therapieentwicklung bleibt oft noch teuer, langsam und bürokratisch. Aber einige Schichten darunter werden bereits billiger.

Sie nennen im Forum Größenordnungen wie etwa 50 Dollar für Bulk-RNA-Sequenzierung, etwa 500 Dollar für Whole-Genome-Sequenzierung und ungefähr 20 Dollar für eine anspruchsvollere KI-gestützte Analyse. Das sind keine Vollkosten für Krebsmedizin, aber es sind Signale. Der Erkenntnis-Layer beginnt zu deflationieren.

Und das ist enorm wichtig, weil Medizin heute oft nicht zuerst am fehlenden guten Willen scheitert, sondern an Reibung: Daten liegen verstreut herum, Spezialwissen ist siloartig verteilt, Studien dauern ewig, seltene Fälle fallen aus den Standardpfaden, und zwischen Befund und Entscheidung vergeht zu viel Zeit.

Was ich an dieser Geschichte zusätzlich stark finde: Sie soll ausdrücklich nicht nur ein Elite-Playbook für einen Einzelfall bleiben. Im Vortrag und auf der zugehörigen Projektseite wird klar, dass Daten, Learnings und Abläufe bewusst so aufbereitet werden, dass andere Patienten und Teams später schneller darauf aufbauen können.

So beginnen viele große Technologien

Genau deshalb musste ich bei dieser Geschichte an ein altes Muster denken. Neue Technologie ist am Anfang fast immer denen vorbehalten, die mehr Geld, mehr Zugang und mehr Freiraum haben als der Durchschnitt.

Früher hatten Badewannen in vielen Epochen vor allem Könige, Adel oder sehr reiche Haushalte. Heute ist warmes Wasser für Millionen Menschen ein selbstverständlicher Teil des Alltags.

Und das ist kein Einzelfall. Drei weitere Beispiele zeigen dasselbe Muster:

• Elektrisches Licht im Haus war am Anfang ein Luxus für wohlhabende Gebäude, Hotels und Industrie. Heute merkt man erst beim Stromausfall, wie selbstverständlich es geworden ist.
• Flugreisen waren früher ein Symbol für Reichtum, Status und Ausnahmezustand. Heute sind sie zwar nicht für alle gleich leicht bezahlbar, aber sie sind längst Massenmobilität und kein aristokratisches Privileg mehr.
• Genomsequenzierung war einmal ein Milliardenprojekt über viele Jahre. Heute sprechen wir in manchen Fällen über Hunderte Dollar und Tage statt Jahrzehnte.

Ich glaube, genau so muss man auch auf diese neue Form personalisierter Medizin schauen. Was heute wie Concierge-Medizin für sehr gut vernetzte Gründer wirkt, kann in vereinfachter, standardisierter und automatisierter Form später breiter verfügbar werden.

Technologie skaliert. Erst langsam, dann plötzlich.

Nicht automatisch. Nicht von selbst. Nicht gerecht über Nacht. Aber historisch ist das Muster klar: Erst Luxus, dann Werkzeug, dann Infrastruktur.

Warum mich diese Entwicklung trotz aller Risiken hoffnungsvoll macht

Mich beeindruckt an dieser Geschichte vor allem, dass sie nicht auf ein Wunder setzt, sondern auf Verdichtung.

KI verdichtet hier:

• Fachliteratur
• Diagnostik
• Mustererkennung
• Kommunikation zwischen Disziplinen
• die Fähigkeit, seltene Fälle nicht vorschnell aufzugeben

Und genau das ist in der Medizin enorm wertvoll. Denn seltene Krankheiten und ungewöhnliche Verläufe scheitern oft nicht daran, dass es gar keine Informationen gibt, sondern daran, dass niemand die Zeit hat, alles sinnvoll zusammenzuziehen.

Wenn aus tausenden Seiten Krankenhistorie, Laborwerten, Scans, RNA-Daten und Studien ein arbeitsfähiges Modell entsteht, dann ist das nicht nur für wohlhabende Einzelfälle interessant. Dann ist das ein Vorgeschmack auf eine Medizin, die künftig präziser, persönlicher und hoffentlich auch gerechter werden kann.

Was heute noch wie Ausnahmebehandlung aussieht, könnte morgen in abgeschwächter Form Standard werden:

• ein System, das seltene Marker automatisch hervorhebt
• ein Assistent, der Ärzten und Patienten relevante Studien vorsortiert
• ein Tool, das mögliche Therapiepfade samt Nebenwirkungsprofilen transparenter macht
• eine Diagnostik, die nicht mehr nur Standardpfade kennt, sondern individuelle Biologie ernster nimmt

Und ja, auch wir werden davon noch viel mehr hören, nicht nur von Gründern mit Ressourcen. Die Tools werden besser. Die Kosten sinken. Die Interfaces werden einfacher. Genau dort beginnt Skalierung.

Mein Fazit

Ich finde diese Geschichte deshalb so wichtig, weil sie den Blick wieder etwas geraderückt. AI ist nicht nur Risiko. Nicht nur Entlassung. Nicht nur Hype. Nicht nur Sicherheitsproblem. Sie kann auch zu einem Werkzeug werden, das Menschen hilft, sich in einem kranken, langsamen und oft überforderten System besser zu orientieren.

Natürlich sollte man dabei nicht in Technik-Romantik verfallen. Die wichtigste Gesundheitsbasis bleibt weiterhin erstaunlich unsexy und erstaunlich menschlich:

• genug Schlaf
• Bewegung
• Ernährung
• Disziplin im Alltag

Diesen Teil haben wir zu einem großen Stück selbst in der Hand. Er bleibt die Grundlage.

Wer sich genau mit diesen Themen beschäftigt, findet auf dem Blog dazu schon länger praktische und persönliche Texte, etwa zu Health-Tracking und Gesundheitsdaten oder auch zu Whoop und Erholung, Schlaf und Belastung .

Aber direkt danach, davon bin ich überzeugt, werden wir AI brauchen. Nicht als Ersatz für Ärzte, nicht als Wunderknopf, sondern als zweite Intelligenzschicht über Daten, Forschung und Komplexität.

Und genau dort ist für mich auch Google relevant. Mit AlphaFold hat Google DeepMind vorhergesagte Strukturen für über 200 Millionen Proteine frei zugänglich gemacht und mit AlphaFold 3 die nächste Stufe vorbereitet, bei der nicht nur Proteine, sondern auch ihre Interaktionen mit anderen Molekülen besser modelliert werden. Das ist nicht „die Heilung aller Krankheiten“. Aber es ist ein massiver Grundlagenhebel, weil Biologie dadurch für Forscher viel schneller lesbar wird.

Deshalb bleibe ich hoffnungsvoll. Nicht naiv. Nicht blind. Aber hoffnungsvoll. Wenn wir Lebensstil, Prävention, gute Medizin und AI sauber zusammendenken, könnte die Zukunft tatsächlich mehr Gesundheit für viel mehr Menschen bringen.

Bis zum nächsten Mal,
Joe