Künstliche Intelligenz als Teil der digitalen Zukunft der Wehrpharmazie

Artificial Intelligence as a Part of the Digital Future in Military Pharmacy

Florian Plößl^a, Thorsten Rusert^b, Isabell Quast^b, Malte Oetting^b, Alexander Rohe^c

^a Zentrales Institut des Sanitätsdienstes der Bundeswehr, München

^b Kommando Gesundheitsversorgung der Bundeswehr, Koblenz

^c Bundeswehrkrankenhaus Ulm

Zusammenfassung

Die zunehmende Anwendung von Künstlicher Intelligenz (KI) hält auch Einzug in die Wehrpharmazie und durchdringt sämtliche Tätigkeitsfelder. Klinisch-pharmazeutische Entwicklungen in den Bundeswehrkrankenhäusern gehen dabei Hand in Hand mit vergleichbaren zivilen Institutionen, was im Wesentlichen mit einer Verbesserung der Arzneimitteltherapiesicherheit einhergeht.

Großes Potenzial steckt im Bereich der Sanitätsmateriallogistik, wo durch KI-Systeme wesentliche Beschleunigungen und Effizienzgewinne bei der vergaberechtskonformen Beschaffung sowie der eigentlichen Versorgung erreicht werden können.

Steigenden sachlichen, dokumentatorischen und regulatorischen Anforderungen an die pharmazeutische Herstellung kann mit KI-Systemen begegnet werden, um die Personalbindung bei zeitaufwändigen oder repetitiven Aufgaben zu verringern, Stillstandszeiten von Maschinen zu reduzieren und somit ein breites Herstellungsportfolio bei gleichzeitig geringem Personaleinsatz zu erhalten.

Im Bereich der chemisch-pharmazeutischen instrumentellen Analytik sind KI-Systeme bereits heute voll etabliert und kaum mehr wegzudenken, vor allem bei Fragen der Strukturaufklärung oder der Non-Target-Analytik.

Bei aller Zugewandtheit kann KI jedoch bislang echte Fachexpertise der handelnden Akteure nie ersetzen, sondern nur ergänzen.

Schlüsselwörter: Künstliche Intelligenz, Wehrpharmazie, Sanitätsmateriallogistik, Klinische Pharmazie, Arzneimittelherstellung, Analytik

Summary

The increasing use of artificial intelligence (AI) is also finding its way into military pharmacy. Recent trends in clinical-pharmaceutical services within the Bundeswehr hospitals are being implemented in a manner consistent with those in comparable civilian hospitals. In turn, general drug therapy has acquired significant safety benefits.

Moreover, there is great potential in the area of medical material logistics, where AI systems can achieve considerable acceleration and efficiency gains in procurement in compliance with public procurement processes and in actual everyday supply.

Increasing process, documentary, and regulatory requirements for pharmaceutical production can be met with AI systems to reduce personnel commitment for time-consuming or repetitive tasks, shorten machine downtimes, and thus maintain a broad manufacturing portfolio while utilizing limited personnel resources.

In the field of chemical-pharmaceutical instrumental analytics, AI systems are already well-established and have become indispensable, especially in questions of structure elucidation or non-targeted analysis. However, despite all of its dedication, AI can never replace the real technical expertise of the personnel involved, but only supplement it.

Keywords: artificial Intelligence; military pharmacy; medical materiel logistics; clinical pharmacy; manufacturing of medicines; analytics

Einleitung

Die Versorgung der Streitkräfte mit sicheren Lebensmitteln, Trinkwasser und Sanitätsmaterial (SanMat) ist von zentraler Bedeutung für deren Einsatzfähigkeit und ein Kernauftrag der Wehrpharmazie. Der zunehmende Einsatz von Künstlicher Intelligenz (KI) macht auch vor der Wehrpharmazie nicht halt. Das diesem Artikel zugrunde liegende Verständnis eines KI-Systems ist schematisch in der Abbildung 1 dargestellt und folgt DIN EN ISO/IEC 22989 [7]. Anhand der vier maßgeblichen wehrpharmazeutischen Tätigkeitsfelder

• Klinik,
• SanMat-Logistik,
• Herstellung und
• Analytik

wird im Folgenden ein Blick von der Gegenwart in die nahe Zukunft geworfen.

Abb. 1: Funktionale Sicht eines KI-Systems in Anlehnung an DIN EN ISO/IEC 22989.

Pharmazeutische KI rund um das Krankenbett

Klinisch-Pharmazeutische Dienstleistungen (KlinPharmDL) befassen sich mit der optimalen Pharmakotherapie und der Vermeidung arzneimittelbezogener Probleme für einzelne Patientinnen und Patienten im Krankenhaus. Schlagworte wie Medikationsmanagement, Arzneimitteltherapiesicherheit (AMTS) und Arzneimittelinformation sind hier zu nennen. Auf ziviler Seite sind KlinPharmDL etabliert und werden durch die Gesundheitspolitik sowie Kostenträger zunehmend eingefordert. Die mit dem Auftrag zur Aus- und Weiterbildung verknüpfte Behandlung ziviler Patienten in den Bundeswehrkrankenhäusern führte dementsprechend auch dort zur Einführung von KlinPharmDL.

Arzneimitteltherapiesicherheit

Diese müssen als begrenzte Ressourcen effizient genutzt, d. h. nach Risikohöhe für arzneimittelbezogene Probleme priorisiert erbracht werden [22]. Die Identifikation und Bewertung entsprechender Patienten, Prozesse, Vorgänge und teilweise auch Entwicklungen anhand verfügbarer Informationen ist im Rahmen des Medikationsmanagements unverzichtbar. Dieser Informationsumfang nimmt durch die fortschreitende Digitalisierung stetig zu. Zu dessen Ordnung und zur Erkennung von Zusammenhängen, relevanten oder fehlenden Informationen können KI-basierte Systeme während des stationären Aufenthalts und an Schnittstellen zum ambulanten Sektor nutzbringend eingesetzt werden [5][19]. Eine Erhöhung der AMTS und eine Optimierung der Pharmakovigilanz sind so darstellbar [21].

Clinical Decision Support

Weiteres Potenzial bieten die Entwicklungen von Clinical Decision Support-Software (CDSS) speziell für klinisch-pharmazeutische Betrachtungen sowie innovative Tools für Anwendung, Forschung und Lehre [5][19]. Beispielhaft sei hier das „Model-Informed Precision Dosing“ (MIPD) zu nennen, welches anhand von Messwerten aus dem therapeutischen Drug-Monitoring mittels noch starrer Algorithmen optimierte Dosisregime berechnet. Aktuelle Forschungsvorhaben beschäftigen sich mit deren Flexibilisierung durch Nutzung und Training von KI-Tools mit entsprechenden populationskinetischen Daten [27].

Zunehmende pharmakogenetische Erkenntnisse machen die Nutzung KI-basierter Tools zur Vorhersage von individuellen Stoffwechselwegen und Interaktionspotenzialen nach Ansicht der Autoren für eine individualisierte Medizin zukünftig aufgrund der schier riesigen Datenmenge überdies unverzichtbar.

KI mit generativen Anteilen kann jedoch auch zu „Halluzinationen“ (erfundene Antworten oder Zusammenhänge), zum Informations-Bias und falschen Empfehlungen führen. Deren rechtliche Einordnung und deren Verhinderung stellen Programmierende sowie pharmazeutisches Fachpersonal weiterhin vor große Herausforderungen [5]. Ein systematischer Review [19] identifizierte folglich überwiegend Projekte mit dem Ziel der Überprüfung von Medikationsanordnungen auf das Erfordernis pharmazeutischer Interventionen mittels selbstlernender KI-Tools.

Arzneimittelinformationen

Großes Potenzial bieten KI-Tools auch für die Arzneimittelinformation. Nahezu in Echtzeit lassen sich Informationen über Sprachbarrieren hinweg recherchieren oder gegenüber Fachpersonal oder Patienten verfügbar machen. Sehr zeitintensive Recherchen und Aufbereitungen zu speziellen Fragestellungen z. B. Ringversuche zur Arzneimittelinformation können zeitsparend und zielgerichtet mittels KI-Unterstützung bearbeitet werden. Entsprechende Anwendungen sind bereits verfügbar, von denen einige mit ihren Stärken und Schwächen dem Fachpublikum auf dem 9. Kongress für Arzneimittelinformation (Bundesverband Deutscher Krankenhausapotheker e. V.) jüngst präsentiert wurden. Eine Kernkompetenz des pharmazeutischen Fachpersonals wird zu deren Nutzung zukünftig die zielgerichtete Formulierung und Modifikation entsprechender „Arbeitsaufträge“ für die KI-Systeme darstellen.

Wehrmedizinische und wehrpharmazeutische Aspekte

Idealerweise lassen sich aus der KI-Nutzung auch Erkenntnisse für wehrmedizinische bzw. wehrpharmazeutische Anwendungen gewinnen. Eine automatisierte Identifizierung von arzneimittelbezogenen Problemen in Behandlungseinrichtungen militärischer Operationen ohne pharmazeutische Betreuung und die Einbindung von bzw. Supervision durch Apothekerinnen und Apotheker per Telepharmazie könnte folgen. Auch Clinical Decision Support-Software zur Nutzung in diesen Einrichtungen, welche Therapievorschläge anhand medizinischer Leitlinien, AMTS-Prüfungen und aktueller Versorgungslage mit SanMat generieren kann, wäre ein zu diskutierender Ansatz.

An der Beschaffung von und der Versorgung mit SanMat wird die Wehrpharmazie insbesondere im militärischen Einsatz letztendlich immer gemessen werden.

Mit KI die Sanitätsmateriallogistik verbessern

Logistik bedeutet: Material ist zur richtigen Zeit, am richtigen Ort in der gewünschten Menge und Qualität. Logistik ist interdisziplinär, gleichgültig ob in klinischen Prozessen oder im Kontext Beschaffungswesen – konkret für handelsübliches Sanitätsmaterial.

Dabei ist ein abgestimmtes Zusammenwirken von medizinisch-pharmazeutischer Fachexpertise und dem Beschaffungswesen bzw. der Logistik unerlässlich. Um ein bedarfsgerechtes Vorgehen sicherzustellen, ist eine Datenintegration entlang der Wertschöpfungskette für alle Prozessbeteiligten unumgänglich. Demografie und Fachkräftemangel setzen genannte Bereiche nachhaltig unter Druck – sowohl im öffentlichen Dienst insgesamt als auch beim medizinischen und pharmazeutischen Fachpersonal. Hier kann KI gezielt integriert werden, indem zunächst repetitive und standardisierte Aufgaben durch KI vorbereitet werden. Durch diese Entlastung gewinnen die Beteiligten Freiräume und können sich auf die jeweils eigenen Kernkompetenzen und Entscheidungs-/Steuerungsbedarfe in den einzelnen Prozessschritten konzentrieren. Ergänzend dazu eröffnen sich weitere Potenziale in der Nutzung einer integrativen Plattform zur interdisziplinären und kollaborativen Abwicklung gemeinsamer Zielsetzungen.

Anwendungsbeispiel „GovRadar“

Eine konkrete Umsetzung läuft aktuell in Zusammenarbeit zwischen dem Bundesamt für Infrastruktur, Umweltschutz und Dienstleistungen der Bundeswehr, dem Cyber Innovation Hub der Bundeswehr und dem Kommando Gesundheitsversorgung der Bundeswehr im Testbetrieb. Hierbei handelt es sich um das KI-Pilotprojekt „GovRadar“, welches im Schwerpunkt die Erstellung vergaberechtskonformer Leistungsbeschreibungen umfassend unterstützt.

Der Aufbau ist modular gestaltet und beinhaltet u. a. als Datenbasis Leistungsbeschreibungen aller öffentlichen Auftraggeber. Folglich besteht Zugang zu einer größeren, weit über die Bundeswehr hinausgehenden und qualitätsgesicherten Wissensbasis.

Unabhängig davon existieren produktneutrale Warenkataloge. Hier konnten bereits im Pilotbetrieb die Daten der ABDA Bundesvereinigung Deutscher Apothekerverbände e. V. integriert und um die Liste der Engpassinformationen für Wirkstoffe des Bundesinstituts für Arzneimittel und Medizinprodukte (BfArM) angereichert werden.

Auf diese eher an klassischen IT-Anwendungen orientierten Vorbereitungen setzt nun KI an, um beispielsweise mit intelligenten Suchfunktionen Häufigkeiten von Schlagworten und Freitexten aufzubereiten sowie aus einer Flut verfügbarer Dokumente intuitiv wie auch gezielt passgenaue Vergabeunterlagen und kontextspezifische Passagen zu finden. Diese können dann wiederum von GovRadar nach Vorgabe des Nutzers iterativ in beliebig umfangreiche und komplexe Texte zusammengefasst und aufbereitet werden (siehe Abbildung 2).

Abb. 2: GovRadar mit KI-Assistenten

Im vorgesehenen Anwendungsfall für handelsübliche Produkte reduzieren sich die Risiken auf die herangezogenen Datenbanken und Misinformation Harms[26] in Form unvollständiger bzw. nach sachfremden Erwägungen verzerrt dargestellter Marktabdeckung.

Die Validität der Daten ist für den Bereich handelsüblicher Arzneimittel und Medizinprodukte durch die jeweiligen qualitätssichernden Maßnahmen der ABDA-Datenbanken und BfArM-Meldungen sichergestellt. Unverzerrte Verarbeitungsalgorithmen, die keine Produkte/Anbieter bevorzugen bzw. benachteiligen, liegen im Eigeninteresse der Entwicklungsfirma. Verstöße würden zeitnah in Vergabeverfahren durch Rügen benachteiligter Anbieter auffallen und damit eine weitere Vermarktung von GovRadar verhindern.

Im Testbetrieb hat Gov-Radar die Erwartungen frühzeitig erfüllt. Die Anwendung befreit hochqualifiziertes Fachpersonal von Routinearbeiten und fachfremden Aufgaben, fordert deren jeweilige Expertise verstärkt für finale Entscheidungen und sie leistet durch dieses Job Enrichment einen wertvollen Beitrag zur Personalbindung und -entwicklung.

Herstellung von Arzneimitteln im Großmaßstab

Nicht nur die Sanitätsmateriallogistik, auch die zivile Pharmaindustrie hat KI als wichtiges Tool ihrer Logistik identifiziert, z. B. zur Stärkung der Lieferkettenresilienz [23]. Im Gegensatz zu den forschenden Pharmaunternehmen sind KI-gestützte Anwendungen der drug discovery, z. B. biologische Strukturvorhersagen [11] oder Wirkstoffscreenings [29], wehrpharmazeutisch nicht weiter relevant. Anders stellt es sich bei der Herstellung von Arzneimitteln über den Apothekenbetrieb hinaus dar.

KI in der industriellen Arzneimittelherstellung

Industrielle Herstellungslinien fokussieren sich auf wenige Produkte, fertigen diese aber in großen Mengen. Die dabei gewonnene Prozesskenntnis lässt sich als Input in KI-Applikationen verschiedener Anwendungstiefe nutzen. Als Basis kann sicherlich die Prozessüberwachung bezeichnet werden. Durch genau charakterisierte Prozesse im hochautomatisierten Umfeld können im Quality-by-Design-Ansatz über kritische Qualitätsattribute KI-gestützt Prozessparameter identifiziert werden, die sich zu einer frühzeitigen Anomalieerkennung eignen und bereits Teil der abschließenden Chargenfreigabe sind [20]. Der Fantasie sind dabei keine Grenzen gesetzt. So können beispielsweise Maschinenvibrationen und -temperaturen in Echtzeit überwacht werden, um als Predictive Maintenance anlassbedingten Wartungsbedarf zu erkennen, bevor er überhaupt entsteht [8]. Dadurch kann zunehmend von festen Wartungsintervallen Abstand genommen werden, was Stillstandszeiten verringert und die Effizienz steigert. Dieser Trend wurde industrieseitig bereits bis hin zum Digital Twin vorangetrieben [28]. Hierbei wird eine vollständige Produktionslinie oder gar ein ganzes Werk virtuell gespiegelt und als digitales Abbild betrieben. Echtzeitdaten werden in das System eingespeist und KI-basiert aus einer simulierten Vorausschau ein wahrscheinlicher Handlungsbedarf prognostiziert, um Qualitätsprobleme oder Maschinenstillstand zu vermeiden.

KI in der wehrpharmazeutischen Herstellung

Die Wehrpharmazie geht auftragsbedingt einen etwas anderen Weg: Die Fähigkeit zur Herstellung einer Vielzahl von Arzneimitteln muss gegeben sein, wobei die Versorgung der Streitkräfte im Vordergrund steht. Demzufolge ist das Portfolio breit, aber die Datenlage pro Produkt überschaubar [16]. Das Ziel des KI-Einsatzes in der wehrpharmazeutischen Arzneimittelherstellung besteht daher eher darin, Zeit zu gewinnen, indem ressourcenraubende Tätigkeiten automatisiert werden. Dies gilt insbesondere für die Herstellungspraxis, beispielsweise durch KI-gestützte Bildverarbeitung, wie sie bei der Prüfung auf partikuläre Verunreinigungen zur Anwendung kommt: Wo früher eine Charge mit tausenden Ampullen zeitaufwendig und personalintensiv geprüft wurde, kann diese Aufgabe heute von einer Maschine in kürzester Zeit erledigt werden und Personal für die nächste Herstellung freisetzen. Die maschinelle Inspektionsleistung kann dabei durch etablierte Tests bewertet und mit der humanen Inspektionsleistung im Rahmen von Maschinenqualifizierung und Methodenvalidierung verglichen werden (Knapp-Kushner-Tests) [12].

Large Language Models

Generative KI in Form von Large Language Models findet zudem zunehmend Eingang in die Wehrpharmazie. Wenngleich öffentliche Modelle wie ChatGPT innerhalb der Bundeswehr aus Sicherheitserwägungen heraus nicht nutzbar sind, wurden Bw-eigene Modelle kreiert, die derzeit in Erprobung und Weiterentwicklung stehen und bereits brauchbare Ergebnisse liefern. Gewinnbringende Einsatzmöglichkeiten ergeben sich vor allem bei der Erstellung von Dokumenten oder als Textübersetzungshilfe, aber immer unter zwingender Maßgabe, dass Nutzer Fachexperten des behandelten Themas sein müssen [10][18].

KI-Systeme in der Analytik: schon heute
unverzichtbar

KI und insbesondere Deep-Learning-Verfahren sind zukunftsweisende Technologien, um die Leistungsfähigkeit klassischer instrumenteller Analytik signifikant zu erweitern.

In der NMR-Spektroskopie, Chromatografie oder Massenspektrometrie fällt eine große Menge multidimensionaler Daten an. Deep-Learning-Modelle sind dabei einerseits in der Lage, repetitive Aufgaben nach Training durch den Menschen schnell, vollautomatisiert und gleichbleibend sicher auszuführen und sind andererseits durch komplexeres maschinelles Lernen befähigt, Muster in diesen Datensätzen zu erkennen, die für den Menschen bislang nicht erfassbar sind [6][9][14].

Deep Learning ist eine Methode des maschinellen Lernens, bei der künstliche neuronale Netze mit mehreren Schichten („deep neural networks“) diese großen Mengen komplexer Daten verarbeiten. Diese tiefen neuronalen Netzwerke bestehen dabei aus Tausenden von Schichten, wobei jede Schicht auf der vorherigen Schicht aufbaut und durch „Knoten“ verbunden ist. Durch forward propagation entlang dieser Nahtstellen werden KI-Transformer wie MassGenie, SIRIUS und MSNovelist [24] oder Spec2Mol [4][13] mit bekannten Daten und Messwerten (z. B. Massenspektren aus MassBank, NIST oder MoNA) vorab trainiert. Hierbei nutzen die Transformer eine ähnliche Technologie wie Spracherkennung und decodieren chemische Strukturen bspw. entlang der SMILES-Schreibweise. Durch eine back propagation werden gegenläufig Vorhersagen und deren Fehler abgeglichen und korrigiert. Mit entsprechendem Training werden diese Werkzeuge immer präziser und leistungsfähiger und ermöglichen heute die Vorhersage von Spektren einerseits und die de novo-Ableitung von Strukturen aus Spektren andererseits [3] (siehe Abbildung 3).

Abb. 3: Schematische Darstellung der massenspektrometrischen Vorhersage am Beispiel des Antidot-Moleküls Naloxon. Die Struktur wird direkt oder über einen Converter in die SMILES-Schreibweise überführt und an ein KI-System mit Referenzdaten eines trainierten neuronalen Netzwerks übergeben. Durch die angesprochenen Korrekturmechanismen wird ein Massenspektrum vorhergesagt. Das KI-System funktioniert bidirektional, kann also auch umgekehrt genutzt werden.

Durch Einsatz des Deep Learnings wird es möglich, im Non-Target-Screening analytisch und toxikologisch relevante Signale von Rauschen zu unterscheiden, die Effizienz der Nachbearbeitung komplexer Proben im Bereich der Lebensmittel- und Umweltanalytik nachhaltig zu ­steigern [1] und die Entdeckungswahrscheinlichkeit unbekannter Kontaminanten erheblich zu erhöhen [25]. Zeitgleich wird durch die Verwendung von open source-Plattformen die Standardisierung vorangetrieben und die statistische Auswertung vereinfacht.

Die automatisierte Auswertung durch Deep Learning verkürzt Analysezeiten, reduziert Personalbedarf und minimiert Fehlinterpretationen – ein entscheidender Vorteil in zeitkritischen Einsatzlagen. Bereits heute kann KI in Echtzeit erkennen, ob eine Lebensmittel- oder Wasserprobe kontaminiert, gefälscht oder mikrobiologisch bedenklich ist, ohne dass eine vollständige Laborauswertung abgewartet werden muss. Spezialisiertes Personal muss hierzu nicht mehr vor Ort sein und kann im militärischen Kontext zunehmend zur reachback-Fähigkeit werden.

KI-gestützte Analytiksysteme können bereits heute in Verbindung mit mobilen Geräten (z. B. tragbare NIR oder Raman [17]-Spektrometer, Next Generation Sequencing [2]) zum Einsatz kommen und Authentizitätsprüfung zur Vermeidung von Lebensmittelbetrug (z. B. Falschetikettierung, Streckung), Zustandsanalyse von Lagerbeständen unter klimatisch kritischen Bedingungen (z. B. Verderb durch Hitze oder Feuchtigkeit) sensitiv, schnell und robust entlang der gesamten logistischen Kette eingesetzt werden.

Herausforderungen in der nächsten Zukunft

Trotz der enormen Fortschritte seitens der Hersteller und wissenschaftlichen Netzwerke bleiben jedoch auch weiterhin Herausforderungen zu meistern. So sind die Datenqualität und das Modelltraining mit validen und vielfältigen Datensätzen für die Bewertung entscheidend. Im pharmazeutisch stark regulierten Umfeld ist die Akzeptanz durch Behörden und Fachgesellschaften KI-gestützter Verfahren als Prüf- oder Freigabemethode bisher stark eingeschränkt. Zudem bedarf im militärischen Kontext die Sensibilität der Daten und Integrität der DV-Netzwerke höchste Sicherheitsstandards, die im Widerspruch zu offenen Daten- und Wissensplattformen stehen.

Deep Learning revolutioniert die instrumentelle Analytik in der Lebensmittel- und Arzneimittelsicherheit. Die Technologie ermöglicht präzise, schnelle und mobile Analysen. Durch gezielte Forschung, Training robuster Modelle und Integration in bestehende Strukturen könnte KI zu einem strategischen analytischen Vorsprung in der Analytik von Lebensmitteln und Arzneimitteln und damit im Schutz der Gesundheit von Soldatinnen und Soldaten werden, sofern die Modellverfügbarkeit und Datenbankeinbindung in Bw-eigene Netzwerke möglich wird.

Schlussbemerkung

Nachvollziehbarkeit ist im Zusammenhang mit der Anwendung von KI immer eine Herausforderung (Explainable AI). Die Entscheidungsfindung eines KI-Modells muss für jede Einzelentscheidung erklärbar sein, was sich im Vergleich zu klassischen Algorithmen nicht immer einfach darstellt. Algorithmen sind deterministisch, d. h. sie führen zu einem augenscheinlich klaren Ergebnis. KI-Modelle hingegen sind probalistisch und sie ergeben ein wahrscheinliches Ergebnis. Die Darstellung der Ergebnisausgabe muss daher – wie das KI-Modell an sich – gut durchdacht sein. [15]. Auch wenn rechtliche Vorgaben zu KI, seien sie europäisch oder national, sich in der Regel nicht auf den militärischen Kontext beziehen, sollte KI nicht zum Allheilmittel verklärt werden. KI darf kein Selbstzweck und schon gar kein Ausgleich einer fehlenden Sachexpertise sein. Die zweifellos gegebenen Chancen und möglichen Effizienzgewinne sollten wir indes nicht ungenutzt verstreichen lassen.

Kernaussagen

• Künstliche Intelligenz (KI) gewinnt in der Wehrpharmazie an Bedeutung und wird speziell an militärische Interessen und Bedarfe angepasst werden müssen.
• Trends aus der zivilen Klinischen Pharmazie werden zunehmend auch in den Klinikalltag der Bundeswehr Einzug halten.
• Sanitätsmateriallogistik und vor allem die vergaberechtskonforme Beschaffung profitieren stark von neuen KI-basierten Tools.
• Bedingt vor allem durch strenge IT-Sicherheitsvorgaben etablieren sich KI-Systeme verglichen mit der zivilen Industrie nur langsam, aber dennoch unaufhaltsam, in die wehrpharmazeutischen Tätigkeitsbereiche von Herstellung und Analytik.
• Menschliche Fachexpertise kann durch KI nicht ersetzt, sondern nur ergänzt werden.

Literatur

1. Arturi K, Hollender J: Machine learning-based hazard-driven prioritization of features in nontarget screening of environmental HRMS data. Environ Sci Technol 2023; 57 (46): 18067-18079. 
2. Athanasopoulou K, Michalopoulou VI, Scorilas A, Adamopoulos PG : Integrating Artificial Intelligence in Next-Generation Sequencing: Advances, Challenges, and Future Directions. Curr Issues Mol Biol. 2025; 47(6): 470.  mehr lesen
3. Beck AG, Muhoberac M, Randolph C, et al.: Recent developments in machine learning for mass spectrometry. ACS Meas Sci; 4(3): 233–246.  mehr lesen
4. Cao L, Guler M, Tagirdzhanov A, et al.: MolDiscovery: learning mass spectrometry fragmentation of small molecules. Nat Commun 2021; 12(1) : 3718.  mehr lesen
5. Chan A, Baker WL, Abazia D, et al.: Impact of artificial intelligence on future clinical pharmacy research and scholarship. J Am Coll Clin Pharm 2025; 8(4): 311-316.  mehr lesen
6. Chen W, McCool E, Sun L, et al.: Evaluation of machine learning models for proteoform retention and migration time prediction in top-down mass spectrometry. J Proteome Res 2022; 21(7): 1736-1747.  mehr lesen
7. Deutsches Institut für Normung: DIN EN ISO/IEC 22989:2024-09: Informationstechnik – Künstliche Intelligenz – Konzepte und Terminologie der künstlichen Intelligenz. 
8. Finucci A, Mettler H, Zabel N: Smart Factory und Predictive Maintenance in der pharmazeutischen Herstellung. Tech4Pharma 2024; 14(3): 172-179.  mehr lesen
9. Fischetti G, Schmid N, Bruderer S, et al.: Automatic classification of signal regions in 1H nuclear magnetic resonance spectra. Front Artif Intell 2023; 5: 1116416.  mehr lesen
10. Heitmann M, Münch S, Stockton BM, Blumenthal F: ChatGPT, BARD, and other Large Language Models meet regulated Pharma. Pharm Engineering 2023; 43 (4): 58-64.  mehr lesen
11. Jumper J, Evans R, Pritzel A, et al.: Highly accurate protein structure prediction with AlphaFold. Nature 2021; 596(7873): 583–589.  mehr lesen
12. Knapp JZ, Kushner HK: Generalized methodology for evaluation of parenteral inspection procedures. J Parenter Drug Assoc 1980, 34(1): 14-61. 
13. Litsa EE, Chenthamarkshan V, Das P, Kavraki LE: An end-to-end deep learning framework for translating mass spectra to de-novo molecules. Commun Chem 2023; 6(1) : 132.  mehr lesen
14. Meyer JG: Deep learning neural network tools for proteomics. Cell Rep Methods 2021; 1(2): 10003  mehr lesen
15. Münch S, Strube M, Leder A: Visuelle Inspektion mit KI: performant und regelkonform. Pharm Ind 2024; 86(11): 1062-1067.  mehr lesen
16. Plößl F, Rohe A: Die wehrpharmazeutische Herstellung – gestern, heute, morgen. Wehrmed Wehrpharm 2025; 49(1): 12-15.  mehr lesen
17. Qi Y, Hu D, Jiang Y, et al.: Recent progresses in machine learning assisted raman spectroscopy. Adv. Optical Mater 2023; 11: 2203104.  mehr lesen
18. Quast U: Kann man mithilfe von ChatGPT SOPs erstellen? Pharm Ind 2024; 86 (2): 185-194. 
19. Ranchon F, Chanoine S, Lambert-Lacroix S et al.: Development of artificial intelligence powered apps and tools for clinical pharmacy services: A systematic review. Int J Med Inform 2023; 172: 104983.  mehr lesen
20. Saha GC, Eni LN, Saha H et al.: Artificial intelligence in pharmaceutical manufacturing: enhancing quality control and decision making. Riv Ital Filos Anal Jr 2023, 14 (2): 116-126.  mehr lesen
21. Salas M, Petracek J, Yalamanchili P et al.: The use of artificial intelligence in pharmacovigilance: A systematic review of the literature. Pharmaceut Med 2022; 36(5): 295-306. 
22. Speckner W, Kastner B, Schlosser L, Albrecht J, v. Meyer A: Etablierung täglicher Medikationsbetreuung für niereninsuffiziente Patienten. Krankenhauspharmazie 2018; 39: 519-526.  mehr lesen
23. Sponheimer A: Studie: Trends der pharmazeutischen Lieferketten. Pharm Ind 2025; 87(2): 110-115.  mehr lesen
24. Stravs MA, Dührkop K, Böcker S, Zamboni N: MSNovelist: de novo structure generation from mass spectra. Nat Methods 2022; 19(7): 865–870.  mehr lesen
25. Vosough M, Schmidt T, Renner G: Non-target screening in water analysis: recent trends of data evaluation, quality assurance and their future perspectives. Anal Bioanal Chem 2024; 416(9): 2125-2136.  mehr lesen
26. Weidinger L, Uesato J, Rauh M, et al. Taxonomy of risks posed by language models. FAccT '22: 2022 ACM Conference on Fairness, Accountability, and Transparency. ACM: 214-229.  mehr lesen
27. Wicha S: Keynote Lecture - Von der Theorie zur Praxis: Präzisionsdosierung mit TDM und MIPD im Krankenhaus. 50. wissenschaftlicher ADKA-Kongress, Berlin, 10. Mai 2025. 

Manuskriptdaten

Zitierweise

Plößl F, Rusert T, Quast I, OettingM, Rohe A: Künstliche Intelligenz als Teil der digitalen Zukunft der Wehrpharmazie. WMM 2025; 69(9): 422-428.

DOI: https://doi.org/10.48701/opus4-751

Für die Verfasser

Oberstapotheker Dr. Florian Plößl

Zentrales Institut des Sanitätsdienstes der Bundeswehr München

Abteilung C – Pharmazie

Ingolstädter Landstraße 102, 85748 Garching

E-Mail: florianploessl@bundeswehr.org

Manuscript Data

Citation

Plößl F, Rusert T, Quast I, OettingM, Rohe A: [Artificial Intelligence as a Part of the Digital Future in Military Pharmacy.] WMM 2025; 69(9): 422-428.

DOI: https://doi.org/10.48701/opus4-751

For the Authors

Colonel (MC Pharm) Dr. Florian Plößl

Bundeswehr Central Institute of Medical Service München

Department C – Pharmacy

Ingolstädter Landstraße 102, D-85748 Garching

E-Mail: florianploessl@bundeswehr.org