Im Frühsommer berichten Notaufnahmen in mehreren Regionen von einem spürbaren Anstieg an Patient:innen mit Fieber, Kopfschmerzen und neurologischen Symptomen. Bereits einige Wochen zuvor hatten Veterinärmediziner:innen eine Zunahme zeckenübertragener Infektionen bei Wildtieren beobachtet, während Umweltanalysen auf einen ungewöhnlich milden Winter mit anschließend warmem, feuchtem Frühjahr hinwiesen.
Jedes dieser Signale wurde erfasst, analysiert und dokumentiert – jedoch in unterschiedlichen Systemen, durch unterschiedliche Institutionen und weitgehend isoliert voneinander. Was Wochen zuvor als sich abzeichnendes Muster hätte erkannt werden können, wurde erst sichtbar, als es sich in einer erhöhten klinischen Arbeitsbelastung niederschlug.
Anhand dieses Beispiel wird das Konzept One Health greifbar: Gesundheit beginnt nicht erst in der Klinik. Die zunehmende Evidenz für Wechselwirkungen zwischen Umweltbelastungen, tiermedizinischen Krankheitsereignissen und humanmedizinischen Erkrankungen hat den One-Health-Ansatz fest in Wissenschaft und Regulierung verankert. Was in Leitlinien, Strategiepapiere und Förderprogramme längst Einzug gehalten hat, scheitert in der Praxis jedoch häufig an der Infrastruktur. Denn die zugrunde liegenden Datenströme sind bis heute fragmentiert – technisch, organisatorisch und diagnostisch.
Genau darin liegt jedoch eine große Chance. Wenn Daten aus unterschiedlichen Bereichen nicht nur erhoben, sondern sinnvoll miteinander verknüpft werden, lassen sich Risiken früher erkennen, Diagnosen besser einordnen und Prävention wirksamer gestalten.
Fragmentierte Diagnostik in einer vernetzten Welt: Wo klassische Diagnostik an Grenzen stößt
Umweltmonitoring, veterinärmedizinische Surveillance und Public-Health-Analysen laufen häufig parallel zur (individuellen) klinischen Diagnostik und folgen meist eigenen Logiken:
Umweltanalytik, veterinärmedizinische Diagnostik und Humanmedizin arbeiten in getrennten Systemen
Klassische LIS/LIMS sind primär auf humanmedizinische Workflows ausgelegt
Kontextinformationen zu Umweltbelastungen oder Tiergesundheit fließen kaum in klinische Entscheidungen ein
Das Ergebnis: Relevante Frühindikatoren bleiben ungenutzt, Zusammenhänge zwischen Exposition und Erkrankung unsichtbar und präventive Maßnahmen setzen oft erst ein, wenn klinische Auswirkungen bereits sichtbar sind. Angesichts von Klimawandel, Urbanisierung und globaler Mobilität wird diese Fragmentierung zunehmend problematisch.
Was fehlt, ist eine integrierte diagnostische Infrastruktur, die nicht-menschliche Proben systematisch mit klinischer Diagnostik verbindet – und daraus erklärbare, handlungsrelevante Erkenntnisse ableitet.
Die Vision: Eine One Health Intelligence Platform
Eine One Health Intelligence Platform denkt Diagnostik neu: als gemeinsames System für Umwelt-, Tier- und Humanproben. Sie fungiert als LIS für nicht-menschliche Probenarten und schlägt gleichzeitig die Brücke zur klinischen Versorgung und Public Health.
Ziel ist kein weiteres Monitoring-Tool, sondern ein diagnostisches Referenzsystem, das:
Umwelt-, veterinär- und humanmedizinische Daten in einem gemeinsamen Datenmodell abbildet und domänenübergreifend kontextualisiert
Frühwarn- und Risikomodelle statt rein reaktiver Auswertung entlang des One-Health-Gedankens ermöglicht
Bessere Entscheidungsgrundlagen für Labore, Kliniken und den öffentlichen Gesundheitsdienst bietet
One Health macht aus isolierten Messungen ein zusammenhängendes Gesundheitsbild. Gesundheit wird damit nicht isoliert, sondern systemisch bewertet – evidenzbasiert, interoperabel und skalierbar.
Vom klassischen LIS zur One-Health-Plattform
Im Kern erweitert die Plattform bekannte LIS-Funktionalitäten – Order Entry, Befundlogik, Referenzbereiche und Qualitätskontrolle – auf neue Probenarten und Datenquellen. Diese werden mit KI-gestützten Analyse- und Prognosemodellen kombiniert.
Datenpunkte: Was in die Plattform einfließt
Umweltproben: Wasser, Boden, Luft, Abwasser, Bioaerosole
Veterinärmedizinische Proben: Wild- und Nutztiere
Humanmedizinische Daten: Labor- und Routinedaten
Kontextdaten: Klima, Geographie, Emissionen, demografische Parameter
Alle Informationen werden in ein gemeinsames, interoperables Datenmodell überführt und mithilfe erklärbarer KI ausgewertet.
Modulare Bausteine: Von getrennten Daten zu gemeinsamen Entscheidungen
Auf dieser gemeinsamen Datenbasis stellt die Plattform modulare analytische und diagnostische Funktionen bereit. Diese Module definieren, wie Daten aus einer oder mehreren Quellen kombiniert, interpretiert und in verwertbare Erkenntnisse überführt werden.
Um flexibel und skalierbar zu bleiben, ist die Plattform modular aufgebaut. Einzelne Module können unabhängig voneinander eingesetzt oder schrittweise kombiniert werden. Zentrale Module sind:
Umwelttoxikologie mit humanmedizinischem Fokus
Die klassische Labordiagnostik wird um eine umweltmedizinische Perspektive erweitert. Schadstoffe wie PFAS, Schwermetalle oder Pestizide werden in Blut- und Urinproben analysiert und in Bezug zu Region, Beruf, Umweltfaktoren und Vorerkrankungen gesetzt. Daraus entstehen strukturierte, KI-gestützte Risikoprofile für Klinik, Arbeitsmedizin und Gesundheitsdienste.Tier- und Wilddiagnostik als Frühwarnsystem
Zoonotische Erreger kennen keine Sektorgrenzen. Die Einbindung veterinärmedizinischer Labore und Wildtiermonitoring ermöglicht räumlich-zeitliche Analysen von Erregern wie FSME-Viren, Borrelia oder Leptospira – inklusive strukturierter Schnittstellen zum öffentlichen Gesundheitsdienst.Umwelt- und Abwassermonitoring
Umwelt- und Abwasseranalytik wird zur kontinuierlichen Datenquelle für populationsbezogenes Monitoring. Pathogene, Resistenzgene und Arzneimittelrückstände werden aggregiert, Trends erkannt und Auffälligkeiten frühzeitig identifiziert – häufig lange bevor sie in der klinischen Versorgung sichtbar werden.AMR-Frühwarnsystem
Antimikrobielle Resistenzen entstehen nicht ausschließlich im Krankenhaus. Der Vergleich von Resistenzgenen aus Umwelt-, Tier- und klinischen Proben ermöglicht es, neue Muster frühzeitig zu erkennen und regionale Antibiotic-Stewardship-Programme gezielt zu unterstützen.Epidemiologische Modellierung
KI-gestützte Modelle analysieren Zusammenhänge zwischen Umweltbedingungen und Krankheitslast. Prognosen zu Infektionswellen, Effekten von Hitze oder Feinstaub sowie Szenario-Simulationen liefern eine belastbare Entscheidungsgrundlage – inklusive transparenter Unsicherheitsabschätzung.Klinische Entscheidungsunterstützung (CDS) mit Umweltkontext
Die gewonnenen Erkenntnisse fließen zurück in bestehende klinische Workflows. Beispiele sind Pneumonie-Cluster in Verbindung mit Legionellenbelastung, Atemwegserkrankungen unter Berücksichtigung von Pollen- und Feinstaubdaten oder unklare Symptomkonstellationen mit umwelttoxikologischem Hinweis.
Bedeutung für den diagnostischen Alltag
Ein integrierter One-Health-Ansatz wirkt sich unmittelbar auf den diagnostischen Alltag aus. Umweltbedingte Expositionen, die in humanmedizinischen Proben nachgewiesen werden, lassen sich regional und beruflich einordnen. Veterinärmedizinische Befunde werden zu strukturierten Frühwarnindikatoren, während Abwasser- und Umweltmonitoring die individuelle Diagnostik um eine populationsbezogene Perspektive ergänzt.
Resistenzmuster können domänenübergreifend verfolgt werden, und klinische Entscheidungsunterstützung wird um relevante externe Evidenz erweitert – ohne zusätzliche Komplexität für Anwender:innen.
Fazit
One Health scheitert nicht an fehlendem Wissen, sondern an fehlender Verbindung. Die Praxisbeispiele sind längst Realität. Was bislang fehlt, ist eine Infrastruktur, die Umwelt-, Tier- und Humanmedizin systematisch und handlungsorientiert zusammenführt. Eine One Health Shared Intelligence Platform leistet genau das – nicht als theoretisches Konzept, sondern als modulares, erweiterbares diagnostisches Betriebssystem.
Es geht nicht darum, Diagnostik neu zu erfinden. Es geht darum, das bereits Gemessene sinnvoll zu verknüpfen und für den diagnostischen Alltag nutzbar zu machen.
Der nächste Schritt ist daher nicht eine weitere Studie, sondern die gezielte Umsetzung gemeinsamer diagnostischer Infrastrukturen, die es Laboren, Kliniken und dem öffentlichen Gesundheitsdienst ermöglichen, One-Health-Erkenntnisse in Echtzeit in Handeln zu übersetzen.
