Marcus Thorne
In den letzten fünf Jahren hat sich die Zahl der von KI veröffentlichten wissenschaftlichen Paper verdreifacht, was die zunehmende Integration dieser Technologie in den Forschungsprozess unterstreicht.
KI als ultimativer wissenschaftlicher Partner: Beschleunigung von Durchbrüchen in der Medizin und darüber hinaus
Die Wissenschaft steht an der Schwelle einer neuen Ära, angetrieben durch künstliche Intelligenz (KI). Was einst Science-Fiction war, ist heute Realität: KI-Systeme sind nicht mehr nur Werkzeuge, sondern entwickeln sich zu unverzichtbaren Partnern in der wissenschaftlichen Entdeckung und Innovation. Insbesondere in der Medizin und den Biowissenschaften entfaltet KI ihr Potenzial mit atemberaubender Geschwindigkeit, indem sie komplexe Daten analysiert, Muster erkennt und Hypothesen generiert, die menschlichen Forschern oft entgehen würden. Diese Partnerschaft verspricht, die Heilung von Krankheiten zu beschleunigen, personalisierte Behandlungen zu ermöglichen und grundlegende Erkenntnisse über das Leben selbst zu gewinnen.
Die schiere Menge an wissenschaftlichen Daten, die täglich produziert wird, übersteigt die Kapazität menschlicher Verarbeitungsfähigkeiten bei weitem. Von Genomsequenzierungen und klinischen Studien bis hin zu Bildgebungsdaten und chemischen Bibliotheken – die Komplexität und das Volumen sind immens. KI-Algorithmen, insbesondere maschinelles Lernen und Deep Learning, sind darauf ausgelegt, diese Datenflut zu bewältigen, darin verborgene Korrelationen aufzudecken und Vorhersagen zu treffen, die den Forschungsprozess dramatisch beschleunigen.
Die Transformation, die KI in der wissenschaftlichen Forschung bewirkt, ist tiefgreifend. Sie reicht von der Identifizierung neuer Wirkstoffkandidaten und der Optimierung von Behandlungsplänen bis hin zur Verbesserung diagnostischer Genauigkeit und der Aufdeckung neuer biologischer Mechanismen. Diese Technologie ist nicht nur ein Effizienzwerkzeug, sondern ein Katalysator für kreative und disruptive Forschung, der Wissenschaftler befähigt, sich auf die wirklich wichtigen Fragen zu konzentrieren und neue Horizonte zu erschließen.
Die Datenflut als Chance
Die moderne Wissenschaft generiert exponentiell wachsende Datenmengen. Genomforschung, Proteomik, bildgebende Verfahren und klinische Studien produzieren Terabytes an Informationen. KI-Systeme, insbesondere solche, die auf Deep Learning basieren, sind ideal geeignet, um diese riesigen Datensätze zu analysieren. Sie können Muster, Anomalien und Korrelationen identifizieren, die für menschliche Analysten unsichtbar oder zu zeitaufwändig zu entdecken wären.
Ein Beispiel hierfür ist die Analyse von Patientenakten zur Identifizierung von Risikofaktoren für bestimmte Krankheiten. KI kann Tausende von Variablen – von genetischen Markern über Lebensstilfaktoren bis hin zu Umweltbedingungen – gleichzeitig berücksichtigen, um präzise Vorhersagen zu treffen. Dies ermöglicht eine proaktive Gesundheitsvorsorge und personalisierte Präventionsstrategien.
KI als Ideengeber und Hypothesenbildner
Über die reine Datenanalyse hinaus kann KI auch dazu beitragen, neue wissenschaftliche Hypothesen zu generieren. Durch das Studium bestehender Forschungsliteratur und experimenteller Ergebnisse kann KI Verbindungen herstellen, die menschliche Forscher übersehen könnten. Dies kann zu völlig neuen Forschungsrichtungen und unerwarteten Entdeckungen führen. Die Fähigkeit von KI, komplexe Systeme zu modellieren und zu simulieren, eröffnet ebenfalls neue Wege für die theoretische Forschung und das Verständnis komplexer biologischer Prozesse.
Die Revolution der Arzneimittelentwicklung
Die Entdeckung und Entwicklung neuer Medikamente ist traditionell ein langwieriger, kostspieliger und oft frustrierender Prozess. KI verändert dieses Paradigma radikal. Algorithmen können potenzielle Wirkstoffkandidaten aus Millionen von Molekülen identifizieren, ihre Wirksamkeit und Toxizität vorhersagen und sogar dabei helfen, bestehende Medikamente für neue Indikationen wiederzuverwenden. Dies spart nicht nur Zeit und Geld, sondern erhöht auch die Erfolgschancen.
Ein Schlüsselaspekt ist die Vorhersage von Molekülstrukturen und deren Wechselwirkungen mit biologischen Zielmolekülen. KI-Modelle, die auf riesigen Datenbanken chemischer Verbindungen und Proteinstrukturen trainiert sind, können die Wahrscheinlichkeit des Erfolgs eines Moleküls als Medikament vorhersagen, noch bevor es synthetisiert wird. Dies reduziert die Anzahl der experimentellen Tests erheblich und fokussiert die Forschung auf vielversprechendere Kandidaten.
Wikipedia hat die Entwicklung von KI-gestützten Arzneimittelentdeckungsplattformen als einen der wichtigsten Trends im Gesundheitswesen für die kommenden Jahre bezeichnet. Wikipedia: KI im Gesundheitswesen
Identifizierung und Design von Wirkstoffkandidaten
KI-Modelle wie DeepMind's AlphaFold haben die Vorhersage von Proteinstrukturen revolutioniert, was für das Verständnis von Krankheitsmechanismen und die Entwicklung von Medikamenten von entscheidender Bedeutung ist. Durch die genaue Kenntnis der dreidimensionalen Struktur eines Proteins können Forscher gezielter nach Molekülen suchen, die sich an dieses Protein binden und seine Funktion beeinflussen.
Darüber hinaus können generative KI-Modelle neue Moleküle entwerfen, die spezifische Eigenschaften aufweisen, wie z.B. hohe Bindungsaffinität zu einem Zielprotein oder eine verbesserte orale Bioverfügbarkeit. Dieser designorientierte Ansatz, anstatt nur bestehende Moleküle zu screenen, beschleunigt den Prozess der Wirkstofffindung erheblich.
Vorhersage von Wirksamkeit und Nebenwirkungen
Bevor ein Medikament am Menschen getestet wird, muss seine potenzielle Wirksamkeit und Sicherheit bewertet werden. KI kann helfen, diese Vorhersagen zu treffen, indem sie riesige Datensätze aus früheren klinischen Studien, Tierversuchen und In-vitro-Experimenten analysiert. Modelle können lernen, Muster zu erkennen, die auf eine hohe Wirksamkeit bei einer bestimmten Patientenpopulation oder auf das Risiko bestimmter Nebenwirkungen hindeuten.
Dies ermöglicht es Pharmaunternehmen, ihre Ressourcen auf die vielversprechendsten Medikamentenkandidaten zu konzentrieren und diejenigen, die wahrscheinlich scheitern werden, frühzeitig auszusortieren. Dies ist entscheidend, um die hohen Ausfallraten in der Medikamentenentwicklung zu senken.
Repurposing von Medikamenten
Ein weiterer revolutionärer Anwendungsfall von KI ist das sogenannte "Drug Repurposing" oder "Drug Repositioning". Hierbei werden bereits zugelassene Medikamente, die für eine bestimmte Krankheit entwickelt wurden, auf ihre Wirksamkeit bei anderen Krankheiten untersucht. KI kann hierbei helfen, indem sie Verbindungen zwischen Krankheitsmechanismen und Wirkmechanismen von Medikamenten erkennt, die auf den ersten Blick nicht offensichtlich sind. Dies ist oft schneller und kostengünstiger, als ein völlig neues Medikament zu entwickeln.
Personalisierte Medizin: Maßgeschneiderte Behandlungen durch KI
Die Vorstellung einer "Einheitsgröße für alle"-Medizin weicht zunehmend einer personalisierten oder präzisionsmedizin. KI ist der Schlüssel zu dieser Entwicklung, indem sie es ermöglicht, Behandlungspläne individuell auf die genetischen, molekularen und lifestyle-bezogenen Merkmale eines jeden Patienten zuzuschneiden. Dies verspricht nicht nur eine höhere Wirksamkeit, sondern auch eine Reduzierung unerwünschter Nebenwirkungen.
Die Analyse von Genomdaten, Proteinstrukturen und anderen molekularen Informationen eines Patienten kann durch KI erfolgen, um vorherzusagen, wie dieser auf verschiedene Medikamente oder Therapien reagieren wird. Beispielsweise können KI-Algorithmen Genmutationen identifizieren, die eine Person für bestimmte Krebsarten anfällig machen oder die Art und Weise beeinflussen, wie ihr Körper auf Chemotherapie reagiert.
Genomische Daten und individualisierte Therapie
Die Sequenzierung des menschlichen Genoms hat eine Fülle von Informationen freigesetzt, die für die personalisierte Medizin von unschätzbarem Wert sind. KI-Algorithmen sind in der Lage, diese komplexen genetischen Daten zu analysieren, um Krankheitsrisiken zu identifizieren, die Wirksamkeit von Medikamenten vorherzusagen und die besten Behandlungsoptionen für individuelle Patienten zu empfehlen. Dies ist besonders relevant in der Onkologie, wo spezifische genetische Mutationen die Wahl der Krebstherapie maßgeblich beeinflussen können.
Zum Beispiel können KI-Systeme die genomischen Profile von Tumorzellen analysieren, um herauszufinden, welche zielgerichteten Therapien am wahrscheinlichsten wirksam sind. Dies vermeidet "Trial-and-Error"-Ansätze, die für den Patienten belastend und ineffizient sein können.
Vorhersage des Ansprechens auf Behandlungen
Über die Genetik hinaus kann KI auch andere Arten von Patientendaten integrieren, wie z.B. medizinische Bildgebung, Laborergebnisse und elektronische Gesundheitsakten, um das Ansprechen auf Behandlungen präziser vorherzusagen. Durch das Training auf großen Datensätzen von Patienten, die ähnliche Krankheiten und Behandlungen erhalten haben, können KI-Modelle lernen, subtile Muster zu erkennen, die auf ein positives oder negatives Ansprechen hindeuten.
Dies ermöglicht es Ärzten, Behandlungspläne proaktiv anzupassen. Wenn ein KI-System vorhersagt, dass ein Patient wahrscheinlich nicht auf eine bestimmte Standardtherapie ansprechen wird, kann der Arzt sofort eine alternative Behandlung in Betracht ziehen. Dies ist ein Paradigmenwechsel hin zu einer wirklich personalisierten und vorausschauenden Medizin.
KI-gestützte Entscheidungsunterstützung für Ärzte
KI ist nicht dazu bestimmt, Ärzte zu ersetzen, sondern sie zu unterstützen. KI-gestützte Systeme können Ärzten evidenzbasierte Empfehlungen geben, die auf den neuesten Forschungsergebnissen und den spezifischen Merkmalen des Patienten basieren. Diese Werkzeuge können Ärzten helfen, auf dem neuesten Stand der medizinischen Erkenntnisse zu bleiben und fundiertere Entscheidungen zu treffen.
Stellen Sie sich einen Arzt vor, der mit einem komplexen Fall konfrontiert ist. Ein KI-System könnte ihm Zugang zu einer Fülle relevanter Informationen verschaffen, die besten Behandlungsprotokolle vorschlagen und sogar auf potenzielle Wechselwirkungen zwischen Medikamenten hinweisen. Dies steigert die Behandlungsqualität und reduziert das Risiko menschlicher Fehler.
Beschleunigung der Diagnostik und Bildgebung
Die diagnostische Genauigkeit und Geschwindigkeit sind entscheidend für eine erfolgreiche Behandlung. KI revolutioniert die medizinische Bildgebung und diagnostische Verfahren, indem sie Muster in Scans, Röntgenbildern und anderen diagnostischen Daten erkennt, die für das menschliche Auge schwer zu erkennen sind. Dies führt zu einer früheren und präziseren Diagnose von Krankheiten wie Krebs, Netzhauterkrankungen und neurologischen Störungen.
Deep-Learning-Algorithmen sind besonders gut darin, visuelle Muster zu erkennen. Sie können trainiert werden, bösartige Tumore auf Mammographien, subtile Anzeichen von diabetischer Retinopathie auf Augen-Scans oder frühe Anzeichen von Alzheimer in MRT-Aufnahmen zu identifizieren. Die Geschwindigkeit, mit der KI diese Analysen durchführen kann, ist bemerkenswert.
Verbesserung der medizinischen Bildgebung
KI-Algorithmen können radiologische Bilder wie CT-Scans, MRTs und Röntgenaufnahmen mit einer Genauigkeit analysieren, die der von erfahrenen Radiologen oft ebenbürtig ist oder diese sogar übertrifft. Sie können Anomalien wie Läsionen, Tumore oder Frakturen erkennen, die selbst für menschliche Experten schwer zu identifizieren sein können, insbesondere in frühen Stadien.
Darüber hinaus kann KI dazu beitragen, die Bildqualität zu verbessern und Artefakte zu reduzieren, was die Interpretation erleichtert und die Notwendigkeit von Wiederholungsscans minimiert. Die Fähigkeit, große Mengen von Bilddaten schnell zu verarbeiten, ist entscheidend, um Engpässe in radiologischen Abteilungen zu reduzieren.
Früherkennung von Krankheiten
Die Früherkennung von Krankheiten ist oft der Schlüssel zu einer erfolgreichen Behandlung. KI kann dazu beitragen, Krankheiten in einem viel früheren Stadium zu erkennen, als es mit herkömmlichen Methoden möglich wäre. Dies gilt insbesondere für Krankheiten wie Krebs, wo eine frühe Diagnose die Überlebenschancen dramatisch verbessern kann.
Beispielsweise können KI-Systeme Muster in Gewebeproben oder Bluttests erkennen, die auf die Anfälligkeit für bestimmte Krankheiten hinweisen, bevor klinische Symptome auftreten. Dies ermöglicht präventive Maßnahmen und frühzeitige Interventionen.
Pathologie und Laboranalysen
Auch in der Pathologie und bei der Analyse von Laborergebnissen spielt KI eine immer wichtigere Rolle. KI-Systeme können digitale Pathologie-Slices analysieren, um Krebszellen zu identifizieren und zu klassifizieren, oder abnormale Muster in Blutbildern erkennen, die auf Infektionen oder andere Zustände hinweisen.
Die Automatisierung dieser Prozesse durch KI kann die Effizienz steigern, die Konsistenz verbessern und Pathologen entlasten, sodass sie sich auf komplexere Fälle konzentrieren können. Die Geschwindigkeit und Präzision, mit der KI Muster in mikroskopischen Bildern erkennen kann, ist beeindruckend.
KI in der Grundlagenforschung und Entdeckung
Über die unmittelbare klinische Anwendung hinaus ist KI ein mächtiges Werkzeug für die Grundlagenforschung. Sie hilft Wissenschaftlern, grundlegende biologische Mechanismen zu verstehen, komplexe Ökosysteme zu modellieren und neue Materialien zu entdecken. Die Fähigkeit von KI, aus riesigen und oft unstrukturierten Datensätzen zu lernen, eröffnet neue Wege zum Verständnis der Welt um uns herum.
In der Materialwissenschaft kann KI beispielsweise dabei helfen, die Eigenschaften neuer Materialien vorherzusagen, basierend auf ihrer atomaren Struktur, oder die Synthese von Materialien mit gewünschten Eigenschaften zu optimieren. Dies kann zu Durchbrüchen in Bereichen wie erneuerbare Energien, Elektronik und nachhaltige Produktion führen.
Aufdeckung von Krankheitsmechanismen
KI kann verwendet werden, um komplexe biologische Netzwerke zu analysieren, wie z.B. Genregulationsnetzwerke oder Protein-Interaktionsnetzwerke. Durch die Identifizierung von Schlüsselkomponenten und deren Interaktionen können Forscher neue Einblicke in die Entstehung und Progression von Krankheiten gewinnen. Dies kann zu neuen therapeutischen Zielmolekülen und Behandlungsstrategien führen.
Die Fähigkeit von KI, unzusammenhängende Studien und Datensätze zu verknüpfen, kann dazu beitragen, ein umfassenderes Bild von Krankheitsursachen und -verläufen zu entwickeln. Dies ist entscheidend für die Bewältigung komplexer chronischer Krankheiten.
Erforschung komplexer Systeme
Viele wissenschaftliche Disziplinen befassen sich mit hochkomplexen Systemen, sei es das menschliche Gehirn, das Klima oder das Verhalten von Ökosystemen. KI-Modelle können verwendet werden, um diese Systeme zu simulieren und zu analysieren, um Vorhersagen zu treffen und die zugrunde liegenden Prinzipien zu verstehen. Dies ist besonders wertvoll, wenn menschliche Beobachtung und Analyse an ihre Grenzen stoßen.
Ein Beispiel ist die Klimaforschung, wo KI dabei hilft, komplexe Klimamodelle zu verbessern und genauere Vorhersagen über zukünftige Klimaveränderungen zu treffen. In der Neurowissenschaft unterstützt KI die Analyse von Gehirn-Scan-Daten, um die Funktionsweise des Gehirns besser zu verstehen.
Materialwissenschaft und Entdeckung neuer Substanzen
Die Entdeckung neuer Materialien mit spezifischen Eigenschaften ist entscheidend für technologische Fortschritte. KI kann die Entdeckung von Materialien beschleunigen, indem sie die Eigenschaften von Millionen von potenziellen Verbindungen vorhersagt, ohne dass jedes Molekül physisch synthetisiert und getestet werden muss. Dies ist besonders relevant für die Entwicklung neuer Batteriematerialien, Katalysatoren oder biokompatibler Implantate.
Forscher nutzen KI, um die Beziehung zwischen molekularer Struktur und Materialeigenschaften zu verstehen. Dies ermöglicht das gezielte Design von Materialien für spezifische Anwendungen. Die Reuters-Nachrichtenagentur berichtet regelmäßig über KI-gesteuerte Entdeckungen in der Materialwissenschaft. Reuters Nachrichten
Ethische und regulatorische Herausforderungen
Trotz des immensen Potenzials birgt der Einsatz von KI in der Wissenschaft und insbesondere in der Medizin auch erhebliche ethische und regulatorische Herausforderungen. Fragen der Datensicherheit, des Datenschutzes, der Transparenz von KI-Algorithmen ("Black Box"-Problem) und der Verantwortlichkeit bei Fehlern müssen sorgfältig adressiert werden, um das Vertrauen in diese Technologien zu gewährleisten.
Die Verwendung sensibler Patientendaten zur Schulung von KI-Modellen wirft Datenschutzbedenken auf. Es ist unerlässlich, dass diese Daten anonymisiert und sicher gespeichert werden. Zudem muss sichergestellt werden, dass KI-Algorithmen keine existierenden Ungleichheiten in der Gesundheitsversorgung verstärken.
Datenschutz und Datensicherheit
Der Einsatz von KI in der Medizin erfordert den Zugriff auf große Mengen sensibler persönlicher Gesundheitsdaten. Der Schutz dieser Daten vor unbefugtem Zugriff und Missbrauch ist von größter Bedeutung. Robuste Verschlüsselungstechniken und strenge Zugriffskontrollen sind unerlässlich. Anonymisierungs- und Pseudonymisierungsverfahren müssen so gestaltet sein, dass eine Re-Identifizierung der Personen ausgeschlossen werden kann.
Die Gewährleistung der Einwilligung der Patienten zur Nutzung ihrer Daten für KI-Forschungszwecke ist ein weiterer wichtiger Aspekt. Transparente Kommunikation über die Datennutzung ist entscheidend für den Aufbau von Vertrauen.
Transparenz und Erklärbarkeit von KI-Modellen
Viele fortgeschrittene KI-Modelle, insbesondere Deep-Learning-Netzwerke, agieren als "Black Boxes". Das bedeutet, es ist oft schwierig nachzuvollziehen, wie das Modell zu einer bestimmten Entscheidung gelangt ist. In medizinischen Kontexten, wo Entscheidungen Leben retten oder beeinträchtigen können, ist die Erklärbarkeit von KI-Entscheidungen jedoch unerlässlich. Ärzte und Patienten müssen verstehen können, warum eine bestimmte Diagnose gestellt oder eine bestimmte Behandlung empfohlen wurde.
Die Entwicklung von "erklärbarer KI" (Explainable AI - XAI) ist daher ein aktives Forschungsgebiet. Ziel ist es, KI-Systeme zu schaffen, deren Entscheidungsprozesse nachvollziehbar sind, um Vertrauen und Akzeptanz zu fördern.
Regulierung und Verantwortlichkeit
Die schnelle Entwicklung von KI stellt die Regulierungsbehörden vor große Herausforderungen. Es bedarf klarer Richtlinien und Standards für die Entwicklung, Validierung und den Einsatz von KI-Systemen im medizinischen Bereich. Wer ist verantwortlich, wenn eine KI-gestützte Diagnose fehlerhaft ist? Der Entwickler des Algorithmus, der Arzt, der ihn nutzt, oder das Krankenhaus, das ihn implementiert? Diese Fragen müssen rechtlich und ethisch geklärt werden.
Internationale Kooperation ist notwendig, um harmonisierte Regulierungsrahmen zu schaffen, die Innovation fördern und gleichzeitig die Patientensicherheit gewährleisten. Die Europäische Union arbeitet beispielsweise an einem umfassenden Rechtsrahmen für KI. Bundesministerium für Wirtschaft und Klimaschutz: KI-Verordnung
Die Zukunft der KI-gestützten Wissenschaft
Die Integration von KI in die wissenschaftliche Forschung ist noch in den Anfängen, aber die Richtung ist klar: KI wird zu einem integralen Bestandteil des wissenschaftlichen Entdeckungsprozesses. Wir können erwarten, dass KI-gestützte Werkzeuge in fast allen wissenschaftlichen Disziplinen alltäglich werden. Die Synergie zwischen menschlicher Intelligenz und maschineller Leistungsfähigkeit wird zu Durchbrüchen führen, die wir uns heute noch kaum vorstellen können.
Die Zukunft wird eine noch engere Zusammenarbeit zwischen Menschen und KI sehen. KI-Systeme werden nicht nur Daten analysieren, sondern auch komplexe Experimente planen, durchführen und interpretieren. Dies wird die Geschwindigkeit und Effizienz wissenschaftlicher Entdeckungen weiter steigern und uns ermöglichen, einige der drängendsten Herausforderungen der Menschheit anzugehen, von Klimawandel bis hin zu unheilbaren Krankheiten.
Autonome Forschungssysteme
In der Zukunft könnten wir autonome Forschungssysteme sehen, die in der Lage sind, eigenständig Hypothesen zu formulieren, Experimente zu entwerfen und durchzuführen sowie die Ergebnisse zu analysieren und neue Hypothesen zu generieren. Diese Systeme könnten in Laboren arbeiten, um die Grenzen menschlicher Kapazitäten zu erweitern und die Dauer von Forschungszyklen drastisch zu verkürzen.
Diese "Laborroboter" könnten dazu beitragen, die Effizienz der wissenschaftlichen Forschung zu revolutionieren, indem sie rund um die Uhr arbeiten und eine Vielzahl von Experimenten parallel durchführen. Dies ist besonders vielversprechend für die Materialwissenschaft und die pharmazeutische Forschung.
KI als Motor für interdisziplinäre Forschung
KI kann eine Brücke zwischen verschiedenen wissenschaftlichen Disziplinen schlagen, indem sie es ermöglicht, Daten und Erkenntnisse aus unterschiedlichen Bereichen zu integrieren und zu analysieren. Dies wird die interdisziplinäre Forschung fördern und zu neuen und unerwarteten Entdeckungen führen, die in einer rein disziplinären Herangehensweise nicht möglich wären.
Stellen Sie sich vor, wie KI Daten aus der Genomik, der Umweltwissenschaft und der Epidemiologie verknüpfen kann, um ein umfassendes Verständnis komplexer Krankheiten zu entwickeln. Diese Art von integrierter Analyse ist der Schlüssel zur Bewältigung globaler Herausforderungen.
Die Demokratisierung der wissenschaftlichen Entdeckung
Mit der zunehmenden Zugänglichkeit und Benutzerfreundlichkeit von KI-Tools könnte die wissenschaftliche Entdeckung für eine breitere Gemeinschaft von Forschern zugänglich werden. Kleinere Forschungseinrichtungen und sogar engagierte Einzelpersonen könnten Zugang zu mächtigen Analysewerkzeugen erhalten, die bisher nur großen Institutionen vorbehalten waren. Dies könnte zu einer breiteren Basis wissenschaftlicher Innovation führen.
Online-Plattformen und Open-Source-KI-Frameworks tragen bereits dazu bei, die Schwelle für den Zugang zu KI-Tools zu senken. Dies verspricht eine Zukunft, in der wissenschaftliche Entdeckungen nicht mehr nur von einer kleinen Elite vorangetrieben werden.