MCP-Server

Kurzbeschriebung

Ein MCP-Server (Model Context Protocol Server) ist ein Dienst, der einer KI-Anwendung (dem MCP-Host/Client) standardisiert Werkzeuge (Tools) und Ressourcen bereitstellt – z. B. Dateizugriff, Datenbankabfragen, API-Aufrufe oder domänenspezifische Funktionen. Die Idee ist, dass nicht jede KI-App für jede Datenquelle eigene Integrationen bauen muss, sondern über ein einheitliches Protokoll andocken kann.

Technisch „exponiert“ ein MCP-Server typischerweise eine Sammlung von Tool-Definitionen (Namen, Parameter, Schemas), die der Host aufrufen kann; der Server führt die Aktion aus und liefert strukturierte Resultate zurück. Der MCP-Standard definiert dafür die Protokollanforderungen und Schnittstellen (u. a. über JSON-RPC-basierte Nachrichtenflüsse).

Ein wichtiger Architekturpunkt ist die Trennung von Verantwortung: Der Host entscheidet (oft mit Nutzerfreigaben), welche Tools wann aufgerufen werden, während der MCP-Server die konkrete Brückenfunktion zu externen Systemen übernimmt. Dadurch kann man Zugriffe zentral kontrollieren (Auth, Allowlists, Auditing), und verschiedene Server können modular kombiniert werden (z. B. Git + Datenbank + Filesystem).

Praktisch existiert bereits ein Ökosystem aus Referenz- und Community-Servern (z. B. für Git, Datenbanken, Suche etc.), und es gibt Anleitungen zum Bau eigener MCP-Server.

Anwendbarkeit im Gesundheitssektor

Ein MCP-Server ist keine Statistikmethode, sondern Infrastruktur: Im Gesundheitswesen kann er helfen, KI-gestützte Workflows sicher an Datenquellen anzubinden, z. B. an epidemiologische Datenbanken, Surveillance-Pipelines, Dokumentenablagen, Terminologie-Services oder interne APIs. Dadurch können Analyst:innen und Fachabteilungen über eine KI-Oberfläche Abfragen, Datenvalidierung, Berichte oder Dashboards automatisieren, ohne die Integration jedes Mal neu zu implementieren. ]]

Für Public Health ist der Nutzen besonders hoch, wenn viele heterogene Quellen zusammenkommen (Labormeldungen, Krankenhausdaten, regionale Statistiken, Wissensgraphen). Ein MCP-Server kann hier als „kontrollierter Tool-Gateway“ dienen: Er kapselt Zugriffspolitiken, protokolliert Tool-Aufrufe und ermöglicht wiederverwendbare Bausteine für Nowcasting/Forecasting-Pipelines, Datenharmonisierung oder Literatur-/Guideline-Abrufe – mit klaren Sicherheitsgrenzen. ]]

Sonstiges

Security ist zentral: MCP-Server erweitern die Angriffsfläche (z. B. Prompt-Injection, Fehlkonfigurationen), daher sind AuthZ/AuthN, Sandboxing, Scope-Restriktionen und Audits wichtig.

Offizielle Spezifikation und Ökosystem-Doku sind gute Einstiegspunkte.

Semantik

Wikidata-Identifikator ist: unbekannt

Deutsche Wikipediaseite ist: wiki/Model_Context_Protocol

Englische Wikipediaseite ist: Model_Context_Protocol

Quelle: https://modelcontextprotocol.io/

; https://modelcontextprotocol.io/specification/2025-11-25
; https://platform.openai.com/docs/mcp
; https://developers.openai.com/apps-sdk/concepts/mcp-server/

Der für das Attribut „Quelle ist“ des Datentyps Seite angegebene Wert „https://modelcontextprotocol.io/</br> ; https://modelcontextprotocol.io/specification/2025-11-25</br> ; https://platform.openai.com/docs/mcp</br> ; https://developers.openai.com/apps-sdk/concepts/mcp-server/</br>“ enthält ungültige Zeichen oder ist unvollständig. Er kann deshalb während einer Abfrage oder bei einer Annotation unerwartete Ergebnisse verursachen.

Behandlung von Unsicherheit in den Ergebnissen der Methode ist nicht„Nicht“ befindet sich nicht in der Liste (Explizit, Implizit, Nicht vorhanden) zulässiger Werte für das Attribut „Behandlung von Unsicherheit in den Ergebnissen der Methode ist“.

Für die Methode benötigte Datenmenge ist klein

Zweck der Methode ist Vorhersage;Simulation;Inferenz;Kausale Analyse„Vorhersage;Simulation;Inferenz;Kausale Analyse“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.

Methode ist Mitglied der Methodenfamilie Praktisches Anwendungskonzept;Hybrid„Praktisches Anwendungskonzept;Hybrid“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.

Interpretierbarkeit der Ergebnisse der Methode ist gut

Webseite: https://modelcontextprotocol.io/